Z radością ogłaszam wydanie Strands Agents, otwartego SDK, który upraszcza tworzenie i uruchamianie agentów AI, korzystając z podejścia opartego na modelach i zaledwie kilku linijek kodu. Strands obsługuje szeroki zakres zastosowań, od prostych do złożonych agentów, i skaluję od lokalnego rozwoju po wdrożenie produkcyjne. Już teraz jest używany w AWS, m. in. przez zespoły Amazon Q Developer, AWS Glue i VPC Reachability Analyzer. Teraz możesz łatwo stworzyć własnych agentów AI, korzystając z Strands. W przeciwieństwie do frameworków, które wymagają definiowania skomplikowanych przepływów pracy, Strands opiera się na najnowszych możliwościach modeli—takich jak planowanie, łańcuchowe myślenie, wywoływanie narzędzi i refleksja—pozwalając deweloperom na zdefiniowanie jedynie promptu i listy narzędzi do stworzenia agenta. Strands, niczym dwa nici DNA, łączy model i narzędzia; model planuje kolejne kroki i uruchamia narzędzia z zaawansowanym rozumowaniem. Obsługuje szeroki zakres dostosowań, w tym wybór narzędzi, zarządzanie kontekstem, stan sesji, pamięć i aplikacje wieloagentowe. Strands współpracuje z modelami z Amazon Bedrock, Anthropic, Ollama, Meta i innymi przez LiteLLM, działając wszędzie. Projekt jest otwartą społecznością z wkładem od Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily i innych. Przykłady obejmują wsparcie API od Anthropic i integrację API Llama od Meta. Dołącz do nas na GitHub, aby zacząć! ### Nasza Droga Agentowa Pracując nad Amazon Q Developer, generatywnym asystentem AI dla rozwoju oprogramowania, mój zespół zaczął budować agentów AI na początku 2023 roku, na podstawie pracy ReAct (Reasoning and Acting), która pokazała, że duże modele językowe (LLM) mogą nie tylko rozumieć, ale i podejmować działania, takie jak wywoływanie API, generując odpowiednie dane wejściowe. Chociaż LLM-y nie zostały początkowo szkolone do roli agentów, a raczej do konwersacji w naturalnym języku, zbudowaliśmy skomplikowane frameworki z instrukcjami promptów, parserami odpowiedzi i logiką orkiestracji—często poświęcając miesiące na dostosowywanie agentów do produkcji. Wraz z dramatycznym rozwojem zdolności rozumowania i korzystania z narzędzi przez LLM-y, te złożone frameworki zaczęły stanowić wąskie gardło, ograniczając szybkość iteracji i elastyczność. Dostrzegając tę zmianę, stworzyliśmy Strands Agents, które eliminują złożoność orkiestracji i pozwalają korzystać z natywnych możliwości rozumowania i użycia narzędzi przez nowoczesne LLM-y. Podejście to skróciło czas rozwoju z miesięcy do dni czy tygodni, znacząco przyspieszając gotowość do wdrożenia i poprawiając doświadczenie użytkownika. ### Podstawowe koncepcje Strands Agents Agent składa się z trzech elementów: (1) modelu, (2) narzędzi i (3) promptu. Agenci działają autonomicznie, korzystając z tych elementów, by wykonywać zadania, takie jak odpowiadanie na pytania, kodowanie, planowanie czy optymalizacja portfeli. Podejście oparte na modelu pozwala modelowi samodzielnie kierować swoimi krokami i korzystaniem z narzędzi, aby osiągnąć cel. - **Model:** Strands obsługuje elastyczne modele, w tym modele Amazon Bedrock z możliwością korzystania z narzędzi i streamingu, modele Anthropic Claude dostępne przez API, modele Llama przez API Llama, Ollama do lokalnego rozwoju, OpenAI przez LiteLLM oraz modele własne. - **Narzędzia:** Dostępnych jest tysiące narzędzi MCP (Model Context Protocol), a także ponad 20 gotowych narzędzi, takich jak manipulacja plikami, wywołania API czy interakcje z AWS API.

Funkcje Pythona można łatwo opakować jako narzędzia z użyciem dekoratora @tool. - **Prompt:** Programiści dostarczają prompt w języku naturalnym, określający zadanie, oraz systemowy prompt z instrukcjami dotyczącymi zachowania agenta. Agent pracuje w tzw. "pętli agenta", która polega na wymianie informacji z modelem i narzędziami aż do osiągnięcia celu. W każdej iteracji LLM otrzymuje prompt, kontekst i opisy narzędzi, decydując, czy odpowiedzieć bezpośrednio, zaplanować kolejne kroki, dokonać refleksji lub wywołać narzędzia. Strands wykonuje wybrane narzędzia i zwraca wyniki do LLM, które ostatecznie generuje końcowy wynik. Narzędzia umożliwiają dostosowanie i złożoność: mogą pobierać dokumenty z baz wiedzy, wykonywać wywołania API, uruchamiać kod Pythona lub dostarczać statyczne instrukcje. Przykładowe narzędzia to: - **Retrieve Tool:** Wykonuje semantyczne wyszukiwanie w bazach wiedzy Amazon Bedrock, pobierając istotne dokumenty lub narzędzia. Np. wewnętrzny agent AWS wybiera spośród ponad 6000 narzędzi, pobierając relatywny zestaw do przedstawienia modelowi. - **Thinking Tool:** Umożliwia wielokrotne, głębokie analizowanie informacji i auto-refleksję. - **Narzędzia wieloagentowe:** Workflow, graf i roje agentów wspierają współpracę wielu agentów przy złożonych zadaniach. Wspierany jest także protokół Agent2Agent (A2A), który wkrótce zostanie wdrożony. ### Rozpocznij przygodę z Strands Agents Oto prosty przykład asystenta do nadawania nazw, zbudowanego z pomocą Strands, korzystającego z modelu Amazon Bedrock, serwera MCP do weryfikacji domen oraz gotowego narzędzia GitHub do sprawdzania dostępności nazw organizacji: ```python from strands import Agent from strands. tools. mcp import MCPClient from strands_tools import http_request from mcp import stdio_client, StdioServerParameters PROMPT_NAZWA = """ Jesteś asystentem pomagającym w nazywaniu projektów open source. Podaj dostępne domeny i organizacje GitHub po weryfikacji ich dostępności. """ narzędzia_domenowe = MCPClient(lambda: stdio_client( StdioServerParameters(command="uvx", args=["fastdomaincheck-mcp-server"]) )) narzędzia_github = [http_request] with narzędzia_domenowe: tools = narzędzia_domenowe. list_tools_sync() + narzędzia_github agent_nazw = Agent(system_prompt=PROMPT_NAZWA, tools=tools) agent_nazw("Potrzebuję nazwać projekt open source do budowy agentów AI. ") ``` Aby uruchomić, ustaw swój token GitHub jako `GITHUB_TOKEN`, uzyskaj dostęp do modelu Anthropic Claude 3. 7 Sonnet w us-west-2 oraz skonfiguruj swoje dane AWS. Instaluj poleceniem: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Otrzymasz propozycje nazw projektów wraz z sprawdzaniem dostępności. Serwery MCP od Strands dobrze integrują się z narzędziami wspomagającymi rozwój AI, takimi jak Q Developer CLI. Na przykład dodaj do konfiguracji MCP: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Wdrożenie Strands Agents w produkcji Strands został zaprojektowany z myślą o środowiskach produkcyjnych, oferując elastyczne architektury wdrożeniowe. Możesz uruchamiać agentów lokalnie, za API (np. AWS Lambda, Fargate, EC2) lub jako rozproszone systemy, oddzielając pętlę agenta od środowisk wykonywania narzędzi. Na przykład, narzędzia mogą działać w Lambda, podczas gdy agent pracuje w kontenerach; lub klienci obsługują narzędzia lokalnie, komunikując się z backendem. Strands wspiera też obserwowalność i monitorowanie przez OpenTelemetry (OTEL), umożliwiając szczegółową analizę ścieżek, metryk i telemetrii sesji agentów w rozbudowanych systemach. ### Dołącz do społeczności Strands Agents Strands Agents jest projektem open source na licencji Apache 2. 0. Zapraszamy do wkładu w dodawanie obsługi modeli i narzędzi, rozwijanie nowych funkcji czy ulepszanie dokumentacji. Jeśli znajdziesz błędy lub masz pomysły, dołącz do nas na GitHub i razem twórzmy przyszłość agentów AI z Strands!