Jeg er begeistret for å kunngjøre utgivelsen av Strands Agents, et åpen kildekode SDK som forenkler bygging og kjøring av AI-agenter med en modell-drevet tilnærming ved bruk av bare noen få linjer med kode. Strands støtter et bredt spekter av brukstilfeller, fra enkle til komplekse agenter, og skalerer fra lokal utvikling til produksjonsdistribusjon. Allerede brukes det i produksjon hos AWS-team som Amazon Q Developer, AWS Glue og VPC Reachability Analyzer. Nå kan du enkelt bruke Strands til å lage dine egne AI-agenter. I motsetning til rammeverk som krever å definere komplekse arbeidsflyter, utnytter Strands banebrytende modellkapabiliteter – som planlegging, lenking av tanker, verktøykall og refleksjon – slik at utviklere kun trenger å angi en prompt og en liste over verktøy for å lage en agent. Strands, lik to DNA-strenger, kobler modellen og verktøyene; modellen planlegger neste skritt og kjører verktøy med avansert resonnering. Det støtter omfattende tilpasning, inkludert utvalgsverktøy, kontekststyring, sesjonsstatus, minne og multi-agent-applikasjoner. Strands fungerer med modeller fra Amazon Bedrock, Anthropic, Ollama, Meta og andre via LiteLLM, og kan kjøres hvor som helst. Prosjektet er et åpent fellesskap med bidrag fra Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily og flere. Eksempler inkluderer Anthropic’s API-støtte og Metas Llama API-integrasjon. Bli med oss på GitHub for å komme i gang! ### Vår Agentreise Da jeg jobbet med Amazon Q Developer, en generativ AI-assistent for programvareutvikling, startet teamet mitt å bygge AI-agenter tidlig i 2023, inspirert av ReAct (Reasoning and Acting)-papiret, som viste at store språkmodeller (LLMs) kunne resonere og ta handlinger, som API-kall ved å generere inngangsdata. Selv om LLM-er opprinnelig ikke var trent til å opptre som agenter, men for naturlig språkkonversasjon, utviklet vi komplekse rammeverk med prompt-instruksjoner, response-analysatorer og orkestreringslogikk – ofte over måneder for å finjustere agenter for produksjon. Ettersom LLM-er forbedret seg dramatisk i resonnering og verktøybruk, ble disse komplekse rammeverk en flaskehals som tok tid og redusert agiliteten. Ved å innse dette skiftet, utviklet vi Strands Agents for å fjerne orkestreringskompleksitet og utnytte den innebygde resonneringen og verktøybruken i moderne LLM-er. Dette reduserte utviklingstiden fra måneder til dager eller uker, og økte hastigheten mot produksjonsklarhet og brukeropplevelse. ### Grunnleggende konsepter i Strands Agents Et agent består av tre komponenter: (1) en modell, (2) verktøy og (3) en prompt. Agenser arbeider autonomt herfra for å fullføre oppgaver som å svare på spørsmål, kode, planlegge eller optimalisere porteføljer.

Den modell-drevne tilnærmingen gjør at modellen dynamisk kan styre sine steg og verktøybruk for å oppnå målet. - **Modell:** Strands støtter fleksible modeller, inkludert Amazon Bedrock-modeller med verktøyanvendelse og streaming, Anthropic Claude-modeller via API, Llama-modeller via Llama API, Ollama for lokal utvikling, OpenAI via LiteLLM, og egendefinerte modeller. - **Verktøy:** Det finnes tusenvis av Model Context Protocol (MCP) serververktøy, samt over 20 forhåndsbygde verktøy for filhåndtering, API-kall og AWS API-interaksjon. Python-funksjoner kan enkelt pakkes som verktøy ved bruk av @tool-dekoratøren. - **Prompt:** Utviklere gir en naturlig språkprompt som definerer oppgaven, samt en systemprompt som gir instruksjoner om agentens oppførsel. Agenten kjører en “agentisk løkke” der den interagerer med modell og verktøy inntil oppgaven er fullført. I hver syklus mottar LLM-en prompten, kontekst og verktøysbeskrivelser, og beslutter om den skal svare direkte, planlegge, reflektere eller kalle på verktøy. Strands utfører valgte verktøy og gir resultat tilbake til LLM-en, slik at sluttresultatet kan genereres. Verktøy muliggjør tilpasning og kompleksitet: de kan hente dokumenter fra kunnskapsbaser, gjøre API-kall, kjøre Python-kode eller gi statiske instruksjoner. Eksempler inkluderer: - **HentVerktøy:** Utfører semantisk søk i Amazon Bedrock Knowledge Bases og henter relevante dokumenter eller verktøy. For eksempel velger en intern AWS-agent ut fra over 6 000 verktøy ved å hente en relevant delmengde for å presentere for modellen. - **Tenk-Verktøy:** Muliggjør multi-syklus dyptgående analytisk behandling og selvrefleksjon. - **Multi-agent verktøy:** Workflow, graf- og andelsverktøy støtter samordning av flere agenter for komplekse oppgaver. Støtte for Agent2Agent (A2A)-protokoll kommer snart. ### Kom i gang med Strands Agents Her er et enkelt eksempel på en navngivings-AI-assistent laget med Strands, som bruker en Amazon Bedrock-modell, en MCP-server for domenevalidering, og et forhåndsbygd GitHub-verktøy for å sjekke om organisasjonsnavn er ledige: ```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 = """ Du er en assistent som hjelper til med å navngi open source-prosjekter. Gi tilgjengelige domenenavn og GitHub-organisasjoner etter å ha sjekket tilgjengeligheten. """ 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("Jeg trenger å navngi et open source-prosjekt for å bygge AI-agenter. ") ``` For å kjøre dette, må du sette GitHub-tokenet til `GITHUB_TOKEN`, ha tilgang til Anthropic Claude 3. 7 Sonnet-modellen i `us-west-2`, og konfigurere AWS-legitimasjonene dine. Installer med: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Du vil motta forslag til prosjektnavn med sjekker av tilgjengelighet. Strands MCP-servere integreres godt med AI-assistert utviklingsverktøy som Q Developer CLI. For eksempel kan du legge til følgende i din MCP-konfigurasjon: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Distribusjon av Strands Agents i produksjon Strands er utviklet med produksjonsbruk i tankene, og tilbyr fleksible distribusjonsarkitekturer. Du kan kjøre agenter lokalt, bak API-er (med AWS Lambda, Fargate eller EC2), eller som distribuerte systemer som skiller agentløkken og verktøy-miljøet. For eksempel kan verktøy kjøre i Lambda, mens agenten kjører i containere; eller klienter håndterer verktøy lokalt og kommuniserer med en backend-agent. Strands støtter også observabilitet og overvåkning via OpenTelemetry (OTEL), som muliggjør detaljert sporing, metrikk og telemetri for agent-økter på tvers av distribuerte systemer. ### Bli med i Strands Agents-fellesskapet Strands Agents er åpen kildekode under Apache License 2. 0. Vi inviterer til bidrag for å legge til modell- og verktøystøtte, utvikle nye funksjoner eller forbedre dokumentasjonen. Hvis du oppdager feil eller har ideer, bli med oss på GitHub og hjelp oss å forme fremtiden for AI-agenter med Strands!