Saya teruja untuk mengumumkan pelancaran Strands Agents, sebuah SDK sumber terbuka yang memudahkan pembinaan dan pengoperasian ejen AI dengan pendekatan berasaskan model menggunakan hanya beberapa baris kod. Strands menyokong pelbagai kes penggunaan daripada ejen yang mudah hingga kompleks dan mampu skala dari pembangunan tempatan ke pengeluaran sebenar. Ia sudah digunakan dalam pengeluaran di pasukan AWS seperti Amazon Q Developer, AWS Glue, dan VPC Reachability Analyzer. Sekarang, anda boleh menggunakan Strands untuk mencipta ejen AI anda dengan mudah. Berbeza daripada rangka kerja yang memerlukan definisi aliran kerja yang rumit, Strands memanfaatkan kebolehan model terkini—seperti perancangan, mengaitkan pemikiran, pengaktifan alat, dan refleksi—membolehkan pembangun hanya mendefinisikan satu prompt dan senarai alat untuk mencipta ejen. Seperti dua helai DNA, Strands menghubungkan model dan alat; model merancang langkah seterusnya dan menjalankan alat dengan pemikiran yang maju. Ia menyokong penyesuaian yang luas termasuk pemilihan alat, pengurusan konteks, keadaan sesi, memori, dan aplikasi pelbagai ejen. Strands berfungsi dengan model dari Amazon Bedrock, Anthropic, Ollama, Meta, dan lain-lain melalui LiteLLM, boleh dijalankan di mana sahaja. Projek ini adalah komuniti terbuka dengan sumbangan daripada Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily, dan lain-lain. Contohnya termasuk sokongan API dari Anthropic dan integrasi API Llama dari Meta. Sertailah kami di GitHub untuk memulakan! ### Perjalanan Ejen Kami Semasa bekerja di Amazon Q Developer, sebuah pembantu AI generatif untuk pembangunan perisian, pasukan saya mula membina ejen AI pada awal 2023 berlandaskan kertas ReAct (Reasoning and Acting), yang menunjukkan bahawa model bahasa besar (LLMs) boleh berfikir dan bertindak, seperti membuat panggilan API dengan menjana input. Walaupun LLMs tidak pada mulanya dilatih untuk bertindak sebagai ejen tetapi untuk perbualan bahasa semulajadi, kami membina rangka kerja yang kompleks dengan arahan prompt, pengurai respons, dan logik orkestrasi—sering memakan masa berbulan-bulan untuk mengubah suai ejen supaya siap digunakan. Seiring peningkatan ketara dalam keupayaan LLMs dalam berfikir dan menggunakan alat, rangka kerja yang rumit ini menjadi halangan yang membatasi kelajuan iterasi dan keanjalan. Menyedari perubahan ini, kami mencipta Strands Agents untuk menghapuskan kerumitan orkestrasi dan memanfaatkan keupayaan berfikir dan menggunakan alat secara asli daripada LLM moden. Pendekatan ini memendekkan masa pembangunan dari bulan ke hari atau minggu, mempercepatkan kesiapsiagaan pengeluaran dan meningkatkan pengalaman pengguna. ### Konsep Asas Strands Agents Seorang ejen terdiri daripada tiga komponen: (1) model, (2) alat, dan (3) prompt. Ejen secara autonomi menggunakan ketiga-tiga ini untuk menyempurnakan tugas seperti menjawab soalan, pengkodan, perancangan, atau pengoptimuman portfolio.

Pendekatan berasaskan model membolehkan model mengarahkan langkah dan penggunaan alat secara dinamik untuk mencapai matlamat. - **Model:** Strands menyokong model yang fleksibel termasuk model dari Amazon Bedrock dengan penggunaan alat dan penstriman, model Anthropic Claude melalui API, model Llama melalui Llama API, Ollama untuk pembangunan tempatan, OpenAI melalui LiteLLM, dan model tersuai. - **Alat:** Terdapat beribu-ribu alat Protocol Konteks Model (MCP) yang tersedia serta lebih daripada 20 alat pra-bina seperti manipulasi fail, panggilan API, dan interaksi API AWS. Fungsi Python boleh dibalut dengan mudah sebagai alat menggunakan pengubah @tool. - **Prompt:** Pembangun menyediakan prompt bahasa semulajadi yang mentakrifkan tugas dan prompt sistem untuk arahan tentang tingkah laku ejen. Ejen menjalankan “lingkaran agenik” melalui interaksi dengan model dan alat sehingga selesai. Dalam setiap pusingan, LLM menerima prompt, konteks, dan deskripsi alat, memutuskan sama ada memberi respons secara langsung, merancang, refleksi, atau mengaktifkan alat. Strands melaksanakan alat yang dipilih dan mengembalikan hasil kepada LLM, akhirnya menghasilkan output akhir. Alat membolehkan penyesuaian dan kerumitan: mereka boleh mengambil dokumen daripada pangkalan pengetahuan, melakukan panggilan API, menjalankan kod Python, atau memberikan arahan statik. Contoh alat termasuk: - **Retrieve Tool:** Melaksanakan carian semantik ke atas Pangkalan Pengetahuan Amazon Bedrock, mengembalikan dokumen atau alat yang berkaitan. Contohnya, ejen dalaman AWS memilih daripada lebih 6, 000 alat dengan mendapatkan subset yang relevan untuk dipersembahkan kepada model. - **Thinking Tool:** Membolehkan pemprosesan analisis mendalam berbilang kitaran dan refleksi diri. - **Alat pelbagai ejen:** Alat alur kerja, graf, dan kawanan menyokong orkestrasi beberapa ejen secara bekerjasama untuk tugas yang kompleks. Sokongan untuk protokol Agent2Agent (A2A) akan datang. ### Memulai dengan Strands Agents Berikut contoh mudah untuk pembantu AI penamaan yang dibina dengan Strands menggunakan model Amazon Bedrock, pelayan MCP untuk pengesahan domain, dan alat GitHub pra-bina untuk semakan ketersediaan nama organisasi: ```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 = """ Anda adalah pembantu yang membantu menamakan projek sumber terbuka. Berikan nama domain dan organisasi GitHub yang tersedia selepas pengesahan ketersediaan mereka. """ 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("Saya perlukan nama untuk projek sumber terbuka yang membina ejen AI. ") ``` Untuk menjalankan ini, tetapkan token GitHub anda sebagai `GITHUB_TOKEN`, pastikan akses ke model Anthropic Claude 3. 7 Sonnet di us-west-2, dan konfigurasikan kredensial AWS anda. Pasang dengan: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Anda akan menerima cadangan nama projek lengkap dengan semakan ketersediaan. Pelayan MCP Strands berintegrasi baik dengan alat pembangunan berasaskan AI seperti CLI Q Developer. Contohnya, tambah baris berikut ke dalam konfigurasi MCP anda: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Mengedarkan Strands Agents dalam Pengeluaran Strands direka untuk digunakan dalam pengeluaran, menawarkan seni bina pengedaran yang fleksibel. Anda boleh menjalankan ejen secara tempatan, di belakang API (menggunakan AWS Lambda, Fargate, atau EC2), atau sebagai sistem teragih yang memisahkan lingkaran agenik dan persekitaran pelaksanaan alat. Contohnya, alat mungkin dijalankan dalam Lambda manakala ejen dijalankan dalam kontena; atau pelanggan mengendalikan alat secara tempatan sementara berkomunikasi dengan ejen belakang tabir. Strands juga menyokong kebolehistriansian dan pemantauan melalui OpenTelemetry (OTEL), membolehkan penjejanan, metrik, dan telemetri terperinci untuk sesi ejen merentas sistem teragih. ### Sertai Komuniti Strands Agents Strands Agents adalah sumber terbuka di bawah lesen Apache 2. 0. Kami mengundang sumbangan untuk menambah sokongan model dan alat, membangunkan ciri baru, atau memperbaiki dokumentasi. Jika anda menemui pepijat atau mempunyai idea, sertailah kami di GitHub dan bantu membina masa depan ejen AI dengan Strands!