माझ्या आनंदाची बाब म्हणून मी Strands Agents या ओपन-सोर्स SDK च्या प्रकाशनाची घोषणा करतो. ही SDK फक्त काही कोड लाईन वापरून AI एजंट तयार करणे आणि चालवणे सुलभ करते, मॉडेल-आधारित दृष्टीकोन वापरते. Strands विविध प्रकारच्या एजंटसाठी समर्थन प्रदान करते, सोप्या ते जटिल, स्थानिक विकासापासून उत्पादनात तैनातीपर्यंत. ती आधीच AWS टीम्समध्ये वापरली जात आहे, जसे की Amazon Q Developer, AWS Glue, आणि VPC Reachability Analyzer. आता तुम्हीही सहजपणे तुमचे स्वतःचे AI एजंट तयार करण्यासाठी Strands चा वापर करू शकता. फ्रेमवर्क्सच्या तुलनेत ज्यांना जटिल वर्कफ्लो परिभाषित करावे लागते, Strands आधुनिक मॉडेल क्षमता वापरते—जसे की नियोजन, विचारांची जुळवणूक, साधने invocation, आणि चिंतन—जेणेकरून विकसक फक्त एक प्रॉम्प्ट आणि साधनेची यादी देऊन एक एजंट तयार करू शकतात. Strands, दोन DNA स्ट्रँडसारखे, मॉडेल आणि साधने एका कनेक्शनने जोडते; मॉडेल पुढील टप्प्यांची योजना बनवते आणि प्रगत विचारसंपन्नतेने साधने चालवते. यामध्ये विस्तृत सानुकूलन तसेच साधनांची निवड, संदर्भ व्यवस्थापन, सत्र स्थिती, मेमोरी, आणि मल्टी-एजंट अनुप्रयोगांच्या समर्थनाही आहे. Strands कडून Amazon Bedrock, Anthropic, Ollama, Meta यांसारख्या मॉडेल्ससह, LiteLLM वापरून, कुठेही चालू शकते. हे प्रकल्प एक खुलं समुदाय आहे ज्यात Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily यांसारखे योगदान देतात. यात Anthropic च्या API समर्थन आणि Meta च्या Llama API ची एकत्रीकरणे समाविष्ट आहेत. शुरुआत करण्यासाठी GitHub वर आमच्यासोबत joina! ### आमचा एजंट प्रवास Amazon Q Developer, एक जनरेटिव AI सहाय्यक, सॉफ्टवेअर विकासासाठी, या प्रोजेक्टवर काम करताना माझ्या टीमने 2023 च्या सुरुवातीला ReAct (Reasoning and Acting) पेपर नंतर AI एजंट तयार करायला सुरुवात केली. या पेपरमध्ये मोठ्या भाषेच्या मॉडेल्स (LLMs) कसे विचार करू शकतात आणि क्रिया करू शकतात, याचा दर्शविला होता, जसे की API कॉल करण्यासाठी इनपुट्ज तयार करणे. प्रारंभी, LLMs ही एजंट म्हणून प्रशिक्षित नसेल पण नैसर्गिक भाषेतील संभाषणासाठी बनवलेले होते, म्हणून आम्ही प्रॉम्प्ट सूचनांसह, प्रतिसाद पार्सर, आणि ओरकेस्ट्रेशन लॉजिकसह जटिल फ्रेमवर्क तयार केले—हे अनेक महिने उत्पादनासाठी ट्यूनिंग करायचे होते. मात्र, जसे-जसे LLMsच्या विचारसंपन्नते आणि साधने वापरण्याच्या क्षमतेत सुधारणा झाली, या जटिल फ्रेमवर्क्समुळे गती कमी होऊ लागली. या बदलाची ओळख करून घेता, आम्ही Strands Agents तयार केले, जे ओरकेस्ट्रेशनची जडत्व दूर करतात आणि आधुनिक LLMs च्या नैसर्गिक विचारसंपन्नता व साधने वापरण्याच्या क्षमतेचा फायदा घेतात. यामुळे विकासाचा वेळ महिन्यांतून दिवस किंवा आठवड्यांत कमी झाला, उत्पादन तयार करण्याची गती वाढली, आणि वापरकर्ता अनुभव सुधारला. ### Strands Agents ची मुख्य संकल्पना एजंटमध्ये तीन भाग असतात: (1) मॉडेल, (2) साधने, आणि (3) प्रॉम्प्ट. हे एजंट स्वयंज्ञाने वापरून प्रश्नांची उत्तरे देणे, कोडिंग, नियोजन, किंवा पोर्टफोलियो ऑप्टिमायझेशन यांसारखे काम पूर्ण करतात.

मॉडेल-आधारित दृष्टीकोन मॉडेलला आपले पुढील टप्पे आणि साधने वापरण्याचा निर्णय घेण्याची स्वायत्तता देते. - **मॉडेल:** Strands विविध मॉडेल्सना समर्थन देते, जसे की Amazon Bedrock मॉडेल्स (साधने वापरून आणि स्ट्रिमिंगसह), Anthropic Claude API द्वारे, Llama API वापरून, Ollama स्थानिक विकासासाठी, OpenAI व LiteLLM द्वारे, आणि कस्टम मॉडेल्स. - **साधने:** हजारो MCP (Model Context Protocol) सर्व्हर साधने उपलब्ध आहेत, plus 20+ प्री-बिल्ट साधने जसे की फाइल हँडलिंग, API कॉल, आणि AWS API संपर्क. Python फंक्शन्सना @tool डेकोरेटर वापरून सहज जास्त करू शकता. - **प्रॉम्प्ट:** विकसकांना स्वभाव दिलेल्या नैसर्गिक भाषेतील प्रॉम्प्ट देण्याची आणि एजंटच्या वर्तनासाठी सूचना देण्याची आवश्यकता असते. एजंट हा “एजंटिक लूप” चालवतो, ज्यात तो मॉडेल आणि साधने यांच्याशी संवाद साधतो आणि पूर्ण होईपर्यंत चालू राहतो. प्रत्येक लूपमध्ये, LLM प्रम्प्ट, संदर्भ, आणि साधने यांचे वर्णन प्राप्त करतो, आणि आवश्यकतेनुसार उत्तर देतो, नियोजन करतो, चिंतन करतो, किंवा साधने invocation करतो. Strands निवडलेल्या साधनांना चालवते आणि त्यांचे निकाल पुढील टप्प्यासाठी परत पाठवते. साधने सानुकूलन आणि जटिलता साठी मदत करतात: त्या दस्तऐवज शोधण्यासाठी वापरली जातात, API कॉल करतात, Python कोड चालवतात, किंवा स्थिर सूचना देतात. काही उदाहरणे: - **Retrieve Tool:** Amazon Bedrock Knowledge Bases वर सेमान्टिक शोध करतो, संबंधित दस्तऐवज किंवा साधने परत करतो. उदाहरणार्थ, एखादं AWS अंतर्गत एजंट 6, 000+ साधने निवडण्यासाठी संबंधित उपसमूह परत करू शकतो. - **Thinking Tool:** बहु-चक्राचा खोल विश्लेषण व चिंतन करण्यासाठी वापरले जाते. - **मल्टी-एजंट साधने:** कार्यपद्धती, ग्राफ, आणि साळी साधने अनेक एजंट्ससह जटिल कार्यांसाठी सहकार्य करतात. लवकरच Agent2Agent (A2A) प्रोटोकॉल देखील आणलं जाणार आहे. ### Strands Agents सोबत प्रारंभ करण्याची पद्धत हे एक सोपे उदाहरण आहे, ज्यात Strands वापरून एक नाव ठेवणारा AI सहाय्यक तयार केला आहे, ज्यात Amazon Bedrock मॉडेल, MCP सर्व्हर, आणि GitHub ची पूर्व-निर्मित साधने वापरली आहेत, ज्यामुळे तुम्ही कोणत्या नावांची उपलब्धता तपासू शकता: ```python from strands import Agent from strands. tools. mcp import MCPClient from strands_tools import http_request from mcp import stdio_client, StdioServerParameters NAMING_SYSTEM_PROMPT = """ तुम्ही एक असे सहाय्यक आहात जे ओपन सोर्स प्रोजेक्टसाठी नाव शोधते. उपलब्ध डोमेन नावे आणि GitHub संघटनांची तपासणी करा. """ domain_name_tools = MCPClient(lambda: stdio_client( StdioServerParameters(command="uvx", args=["fastdomaincheck-mcp-server"]) )) github_tools = [http_request] with domain_name_tools: tools = domain_name_tools. list_tools_sync() + github_tools naming_agent = Agent(system_prompt=NAMING_SYSTEM_PROMPT, tools=tools) naming_agent("मला एआय एजंट तयार करण्यासाठी एक ओपन सोर्स प्रोजेक्टसाठी नाव पहायला हवं. ") ``` याला चालवण्यासाठी, तुमचा GitHub टोकन `GITHUB_TOKEN` म्हणून सेट करा, Anthropic Claude 3. 7 Sonnet मॉडेलचा वापर करा `us-west-2` मध्ये, आणि तुमचे AWS क्रेडेंशियल कॉन्फिगर करा. इन्स्टॉल करा: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` तुमचे प्रोजेक्ट नाव आणि उपलब्धता तपासली जाईल. Strands MCP सर्व्हर AI-सहायक विकास साधनांशी उत्तम प्रकारे जुळते, जसे की Q Developer CLI. त्यासाठी, तुमच्या MCP कॉन्फिगरेशनमध्ये खालील टाका: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### उत्पादनात Strands Agents ची तैनात Strands उत्पादनासाठी डिझाइन केलेले आहे, जे विविध वातावरणांमध्ये तैनातीची परवानगी देते. तुम्ही एजंट्स स्थानिकपणे चालवू शकता, API मागे (जसे की AWS Lambda, Fargate, किंवा EC2 वापरून), किंवा वितरित प्रणाली म्हणून ज्यात एजंटिक लूप व साधने चालवण्याच्या वातावरणांमध्ये वेगळे केले जाते. उदाहरणार्थ, साधने Lambda मध्ये चालवली जाऊ शकतात, तर एजंट कंटेनर मध्ये. किंवा, क्लायंट साधने स्थानिकपणे हाताळू शकतात आणि बॅकएंड एजंटशी संवाद साधू शकतात. Strands OpenTelemetry (OTEL) वापरून देखरेख आणि निरीक्षण देखील समर्थन करते, ज्यामुळे एजंट सत्रांचे तपशीलवार ट्रेसिंग, मेट्रिक्स, आणि टेलिमेट्री across वितरित प्रणालींमध्ये संभव होते. ### Strands Agents समुदायात सामील व्हा Strands Agents हे Apache License 2. 0 अंतर्गत मुक्त स्रोत आहे. आम्ही मॉडेल आणि साधने समर्थन वाढविण्यास, नवीन वैशिष्ट्ये विकसित करण्यासाठी, किंवा कागदपत्रे सुधारण्यासाठी योगदानासाठी आमंत्रित करतो. तुम्हाला बग आढळल्यास किंवा काही कल्पना असतील, तर GitHub वर आम्हाला सामील व्हा आणि Strands सोबत AI एजंट्सच्या भविष्यात योगदान द्या!