Tenho o prazer de anunciar o lançamento do Strands Agents, um SDK de código aberto que simplifica a construção e execução de agentes de IA com uma abordagem orientada a modelos, usando apenas algumas linhas de código. O Strands suporta uma ampla variedade de casos de uso, desde agentes simples até complexos, e escala de desenvolvimento local até implantação em produção. Já está em uso na produção em equipes da AWS, como Amazon Q Developer, AWS Glue e VPC Reachability Analyzer. Agora, você pode usar o Strands para criar seus próprios agentes de IA facilmente. Ao contrário de frameworks que requerem definição de fluxos de trabalho complexos, o Strands aproveita as capacidades avançadas de modelos atuais — como planejamento, encadeamento de pensamentos, invocação de ferramentas e reflexão — permitindo que os desenvolvedores definam apenas um prompt e uma lista de ferramentas para criar um agente. O Strands, como duas fitas de DNA, conecta o modelo e as ferramentas; o modelo planeja os próximos passos e executa as ferramentas com raciocínio avançado. Ele suporta personalizações extensas, incluindo seleção de ferramentas, gerenciamento de contexto, estado de sessão, memória e aplicações multiagente. O Strands funciona com modelos do Amazon Bedrock, Anthropic, Ollama, Meta e outros via LiteLLM, rodando em qualquer lugar. O projeto é uma comunidade aberta com contribuições de Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily e mais. Exemplos incluem suporte à API do Anthropic e integração da API Llama da Meta. Junte-se a nós no GitHub para começar! ### Nossa Jornada com Agentes Enquanto trabalhava no Amazon Q Developer, um assistente de IA generativa para desenvolvimento de software, minha equipe começou a construir agentes de IA no início de 2023, seguindo o artigo ReAct (Reasoning and Acting), que demonstrou que modelos de linguagem grande (LLMs) podem raciocinar e atuar, como realizar chamadas de API gerando entradas. Embora os LLMs inicialmente não tenham sido treinados para atuar como agentes, mas para conversas em linguagem natural, construímos frameworks complexos com instruções de prompt, parsers de resposta e lógica de orquestração — muitas vezes gastando meses ajustando os agentes para produção. À medida que os LLMs melhoraram drasticamente em raciocínio e uso de ferramentas, esses frameworks complexos se tornaram gargalos, limitando a velocidade de iteração e agilidade. Reconhecendo essa mudança, criamos o Strands Agents para eliminar a complexidade de orquestração e aproveitar o raciocínio nativo e o uso de ferramentas dos modelos modernos de IA. Essa abordagem reduziu o tempo de desenvolvimento de meses para dias ou semanas, acelerando significativamente a prontidão para produção e melhorando a experiência do usuário. ### Conceitos Fundamentais do Strands Agents Um agente é composto por três componentes: (1) um modelo, (2) ferramentas e (3) um prompt. Os agentes usam esses componentes de forma autônoma para cumprir tarefas como responder perguntas, codificar, planejar ou otimizar portfólios.

A abordagem orientada a modelos permite que o próprio modelo direcione seus passos e o uso de ferramentas de forma dinâmica para alcançar o objetivo. - **Modelo:** O Strands suporta modelos flexíveis, incluindo modelos do Amazon Bedrock com uso de ferramenta e streaming, modelos Claude da Anthropic via API, modelos Llama via API Llama, Ollama para desenvolvimento local, OpenAI via LiteLLM, e modelos personalizados. - **Ferramentas:** Algumas das milhares de ferramentas do Model Context Protocol (MCP) estão disponíveis, além de mais de 20 ferramentas pré-construídas, como manipulação de arquivos, chamadas API e interação com APIs da AWS. Funções Python podem ser facilmente encapsuladas como ferramentas usando o decorador @tool. - **Prompt:** Os desenvolvedores fornecem um prompt em linguagem natural definindo a tarefa e um prompt de sistema para instruções sobre o comportamento do agente. O agente executa um ciclo de interação, chamado de “banco de trabalho do agente” (agentic loop), interagindo com o modelo e as ferramentas até que a tarefa seja concluída. Em cada ciclo, o LLM recebe o prompt, o contexto e as descrições das ferramentas, decidindo se responde diretamente, planeja, reflete ou invoca ferramentas. O Strands executa as ferramentas escolhidas e devolve os resultados ao LLM, culminando na saída final. As ferramentas possibilitam personalização e complexidade: podem buscar documentos em bases de conhecimento, fazer chamadas API, executar código Python ou fornecer instruções estáticas. Exemplos incluem: - **Ferramenta de Recuperação:** Realiza busca semântica em Bancos de Conhecimento do Amazon Bedrock, recuperando documentos ou ferramentas relevantes. Por exemplo, um agente interno da AWS escolhe entre mais de 6. 000 ferramentas, recuperando um subconjunto relevante para apresentar ao modelo. - **Ferramenta de Pensamento:** Permite processamento analítico profundo em múltiplos ciclos e autorreflexão. - **Ferramentas Multiagente:** Fluxos de trabalho, gráficos e enxames suportam a orquestração de múltiplos agentes colaborativos em tarefas complexas. O suporte ao protocolo Agent2Agent (A2A) está em desenvolvimento. ### Como Começar com o Strands Agents Aqui vai um exemplo simples de um assistente de IA para nomeação de projetos, construído com Strands usando um modelo Amazon Bedrock, um servidor MCP para validação de domínio e uma ferramenta pré-construída do GitHub para verificar a disponibilidade de nomes de organizações: ```python from strands import Agent from strands. tools. mcp import MCPClient from strands_tools import http_request from mcp import stdio_client, StdioServerParameters PROMPT_SISTEMA_NOMEACAO = """ Você é um assistente que ajuda a nomear projetos open source. Forneça nomes de domínio disponíveis e organizações no GitHub após validar sua disponibilidade. """ ferramentas_domain_name = MCPClient(lambda: stdio_client( StdioServerParameters(comando="uvx", args=["fastdomaincheck-mcp-server"]) )) ferramentas_github = [http_request] with ferramentas_domain_name: ferramentas = ferramentas_domain_name. list_tools_sync() + ferramentas_github agente_naming = Agent(system_prompt=PROMPT_SISTEMA_NOMEACAO, tools=ferramentas) agente_naming("Preciso nomear um projeto open source para criação de agentes de IA. ") ``` Para executar, configure seu token do GitHub como `GITHUB_TOKEN`, acesse o modelo Claude 3. 7 Sonnet da Anthropic na região us-west-2 e configure suas credenciais AWS. Instale com: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Você receberá sugestões de nomes de projetos com verificações de disponibilidade. Os servidores MCP do Strands se integram bem com ferramentas de desenvolvimento assistidas por IA, como o Q Developer CLI. Por exemplo, adicione o seguinte à sua configuração MCP: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Implantando Agentes Strands em Produção O Strands foi desenvolvido pensando em uso em produção, oferecendo arquiteturas de implantação flexíveis. Você pode executar agentes localmente, atrás de APIs (usando AWS Lambda, Fargate ou EC2), ou como sistemas distribuídos, separando o ciclo de interação do agente e os ambientes de execução de ferramentas. Por exemplo, as ferramentas podem rodar em Lambda enquanto o agente roda em containers; ou os clientes podem gerenciar ferramentas localmente enquanto comunicam-se com um backend de agente. O Strands também oferece suporte à observabilidade e monitoramento via OpenTelemetry (OTEL), possibilitando rastreamento detalhado, métricas e telemetria para sessões de agentes em sistemas distribuídos. ### Participe da Comunidade Strands Agents O Strands Agents é de código aberto sob a Licença Apache 2. 0. Convidamos contribuições para ampliar o suporte a modelos e ferramentas, desenvolver novas funcionalidades ou melhorar a documentação. Se encontrar bugs ou tiver ideias, participe conosco no GitHub e ajude a construir o futuro dos agentes de IA com o Strands!