Ik ben enthousiast om de release van Strands Agents aan te kondigen, een open-source SDK die het bouwen en gebruiken van AI-agenten vereenvoudigt met een modelgestuurde aanpak, op slechts enkele regels code. Strands ondersteunt een breed scala aan gebruikstoepassingen, van eenvoudige tot complexe agenten, en schaalbaarheid van lokale ontwikkeling tot productie-implementatie. Het is al in productie bij AWS-teams zoals Amazon Q Developer, AWS Glue en VPC Reachability Analyzer. Nu kun jij ook eenvoudig je eigen AI-agenten maken met behulp van Strands. In tegenstelling tot frameworks die vereisen dat je complexe workflows definieert, maakt Strands gebruik van state-of-the-art modelmogelijkheden—zoals plannen, gedachten koppelen, tools aanroepen en reflecteren—waardoor ontwikkelaars alleen een prompt en een lijst met tools hoeven te specificeren om een agent te creëren. Strands, net als twee DNA-strengen, verbindt het model en de tools; het model plant de volgende stappen en voert tools uit met geavanceerde redenering. Het ondersteunt uitgebreide aanpassingen, zoals toolselectie, contextbeheer, sessiestatus, geheugen en multi-agent toepassingen. Strands werkt met modellen van Amazon Bedrock, Anthropic, Ollama, Meta en anderen via LiteLLM, en kan overal draaien. Het project is een open community met bijdragen van Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily en meer. Voorbeelden omvatten API-ondersteuning van Anthropic en integratie van Meta’s Llama API. Word lid op GitHub om aan de slag te gaan! ### Onze Agenten-Reis Tijdens het werken aan Amazon Q Developer, een generatieve AI-assistent voor softwareontwikkeling, begon mijn team begin 2023 met het bouwen van AI-agenten volgens het ReAct (Reasoning and Acting) paper, dat liet zien dat grote taalmodellen (LLMs) konden redeneren en acties ondernemen, zoals API-aanroepen genereren op basis van inputs. Hoewel LLMs oorspronkelijk niet getraind waren om als agenten te functioneren, maar voor natuurlijke taal conversatie, bouwden wij complexe frameworks met promptinstructies, responsparsers en orkestratielogica—vaak maandenlang afgesteld voor productie. Naarmate LLMs aanzienlijk verbeterden op het gebied van redeneren en toolgebruik, werden deze complexe frameworks een bottleneck die de iteratiesnelheid en flexibiliteit belemmerden. Dit inzicht leidde tot de creatie van Strands Agents, om de orkestratielogica weg te nemen en de native redenerings- en toolgebruikmogelijkheden van moderne LLMs te benutten. Deze aanpak verkortte de ontwikkeltijd van maanden tot dagen of weken, wat de productiegereedheid sterk versnelt en de gebruikerservaring verbetert. ### Kernconcepten van Strands Agents Een agent bestaat uit drie componenten: (1) een model, (2) tools en (3) een prompt. Agenten gebruiken deze autonoom om taken uit te voeren zoals vragen beantwoorden, code schrijven, plannen of portfolio-optimalisatie.

De modelgestuurde aanpak stelt het model in staat om dynamisch zijn stappen en toolgebruik te bepalen om het doel te bereiken. - **Model:** Strands ondersteunt flexibele modellen waaronder Amazon Bedrock-modellen met toolgebruik en streaming, Anthropic Claude-modellen via API, Llama-modellen via Llama API, Ollama voor lokale ontwikkeling, OpenAI via LiteLLM en op maat gemaakte modellen. - **Tools:** Er zijn duizenden Model Context Protocol (MCP)-servertools beschikbaar, plus meer dan 20 voorgemaakte tools zoals bestandsmanipulatie, API-aanroepen en AWS API-interactie. Python-functies kunnen eenvoudig worden ingepakt als tools met de @tool decorator. - **Prompt:** Ontwikkelaars leveren een natuurlijke taalprompt voor de taak en een systemprompt met instructies voor het gedrag van de agent. De agent voert een “agentisch lus” uit waarbij hij met het model en de tools interacteert totdat de taak voltooid is. In elke cyclus ontvangt de LLM de prompt, context en beschrijvingen van tools, en beslist of hij direct reageert, plant, reflecteert of tools aanroept. Strands voert de geselecteerde tools uit en geeft de resultaten terug aan de LLM, wat uiteindelijk leidt tot de einduitvoer. Tools bieden flexibiliteit en complexiteit: ze kunnen documenten ophalen uit kennisbases, API-aanroepen doen, Python-code uitvoeren of statische instructies geven. Voorbeelden van tools zijn onder meer: - **Retrieve Tool:** Semantisch zoeken in Amazon Bedrock Knowledge Bases, relevante documenten of tools ophalen. Bijvoorbeeld, een intern AWS-agent selecteert uit meer dan 6. 000 tools door een relevante subset op te halen voor het model. - **Thinking Tool:** Geavanceerde analytische verwerking met meerdere cycli en zelfreflectie. - **Multi-agent Tools:** Workflow-, grafiek- en zwermtools ondersteunen het coördineren van meerdere agenten voor complexe taken. Ondersteuning voor het Agent2Agent (A2A) protocol is in voorbereiding. ### Aan de slag met Strands Agents Hier is een eenvoudig voorbeeld van een naamgevings-AI-assistent gebouwd met Strands, gebruikmakend van een Amazon Bedrock-model, een MCP-server voor domeinvalidatie en een vooraf gebouwde GitHub-tool om beschikbaarheid van organisatienamen te controleren: ```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 = """ Je bent een assistent die helpt bij het naamgeven van open source projecten. Voorzie beschikbare domeinnamen en GitHub-organisaties nadat je hun beschikbaarheid hebt geverifieerd. """ 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("Ik moet een open source project een naam geven voor het bouwen van AI-agenten. ") ``` Om dit uit te voeren, stel je je GitHub-token in als `GITHUB_TOKEN`, zorg je dat je toegang hebt tot het Anthropic Claude 3. 7 Sonnet-model in `us-west-2`, en configureer je je AWS-gegevens. Installeren doe je met: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Je ontvangt projectnaamvoorstellen inclusief beschikbaarheidsonderzoeken. De MCP-servers van Strands integreren goed met AI-ondersteunde ontwikkeltools zoals Q Developer CLI. Voeg bijvoorbeeld het volgende toe aan je MCP-configuratie: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Implementatie van Strands Agents in Productie Strands is ontworpen met productiedoeleinden in gedachten en biedt flexibele implementatie-architecturen. Je kunt agenten lokaal laten draaien, achter API’s (met AWS Lambda, Fargate of EC2), of als gedistribueerde systemen die het agentisch lus en de tooluitvoeringsomgevingen scheiden. Zo kunnen tools in Lambda draaien terwijl de agent in containers staat, of kunnen clients tools lokaal afhandelen en communiceren met een backend-agent. Strands ondersteunt ook observability en monitoring via OpenTelemetry (OTEL), waardoor gedetailleerde tracing, metrics en telemetry mogelijk zijn voor agent-sessies in gedistribueerde systemen. ### Word lid van de Strands Agents Community Strands Agents is open source onder de Apache License 2. 0. We nodigen bijdragen uit om model- en toolondersteuning toe te voegen, nieuwe functies te ontwikkelen of documentatie te verbeteren. Als je bugs vindt of ideeën hebt, sluit je dan aan op GitHub en help mee aan de toekomst van AI-agenten met Strands!