Рад представить релиз Strands Agents — открытой SDK, которая упрощает создание и запуск ИИ-агентов с модельно-ориентированным подходом с помощью всего нескольких строк кода. Strands поддерживает широкий спектр сценариев — от простых до сложных агентов, и масштабируется от локальной разработки до промышленного внедрения. Уже сегодня он используется в компаниях AWS, таких как Amazon Q Developer, AWS Glue и VPC Reachability Analyzer. Теперь вы можете легко создавать собственных ИИ-агентов с помощью Strands. В отличие от фреймворков, требующих определения сложных рабочих процессов, Strands опирается на передовые возможности моделей — такие как планирование, цепочка размышлений, вызов инструментов и рефлексия — позволяя разработчикам задавать лишь подсказку (prompt) и список инструментов для создания агента. Strands, подобно двум нитям ДНК, связывает модель и инструменты; модель планирует следующий шаг и запускает инструменты с помощью продвинутого рассуждения. Он предоставляет широкие возможности для кастомизации, включая выбор инструментов, управление контекстом, состояние сессии, память и работу с несколькими агентами. Strands работает с моделями Amazon Bedrock, Anthropic, Ollama, Meta и другими через LiteLLM, и может запускаться в любом месте. Этот проект — открытое сообщество с вкладом таких компаний как Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily и других. В числе примеров — поддержка API Anthropic и интеграция API Meta Llama. Присоединяйтесь к нам на GitHub, чтобы начать работу! ### Наш путь с агентами Работая над Amazon Q Developer — генеративным ИИ-помощником для разработки программного обеспечения, — моя команда начала создавать ИИ-агентов в начале 2023 года, следуя концепции ReAct (Reasoning and Acting), которая показала, что большие языковые модели (LLMs) могут рассуждать и выполнять действия, например, делать API-запросы, генерируя входные данные. Изначально LLMs не предназначались для роли агентов, они созданы для естественно-языковых диалогов, поэтому мы строили сложные фреймворки с подсказками, парсерами ответов и логикой оркестровки — зачастую тратя месяцы на настройку агентов для промышленного использования. Когда возможности LLMs существенно улучшились в области рассуждения и использования инструментов, эти сложные фреймворки стали узким местом, снижающим скорость итераций и гибкость. Осознав это, мы создали Strands Agents, чтобы устранить сложности оркестрации и полностью использовать природные возможности последних моделей — их рассуждение и использование инструментов. Этот подход сократил время разработки с месяцев до дней или недель, что значительно ускорило подготовку к запуску и повысило качество пользовательского опыта. ### Основные концепции Strands Agents Агент состоит из трёх компонентов: (1) модели, (2) инструментов и (3) подсказки. Они позволяют агенту самостоятельно выполнять задачи — отвечать на вопросы, писать код, планировать или оптимизировать портфели.

Модельно-ориентированный подход дает модели возможность динамически управлять своими действиями и использовать инструменты для достижения целей. - **Модель:** Strands поддерживает гибкие модели — модели Amazon Bedrock с использованием инструментов и потоковой передачей данных, модели Anthropic Claude через API, модели Llama через Llama API, Ollama для локальной разработки, OpenAI через LiteLLM и собственные модели. - **Инструменты:** В распоряжении тысячи инструментов по протоколу Model Context Protocol (MCP), а также более 20 готовых инструментов — для работы с файлами, вызова API, взаимодействия с AWS и др. Python-функции легко оборачиваются в инструменты с помощью декоратора @tool. - **Подсказка:** Разработчики предоставляют текстовую инструкцию на естественном языке, описывающую задачу, а также системную подсказку для настроек поведения агента. Агент осуществляет «агентический цикл» — взаимодействие с моделью и инструментами, продолжая работу до завершения. На каждом шаге LLM получает подсказку, контекст и описание инструментов, решая, отвечать ли сразу, планировать, размышлять или вызывать инструменты. Strands выполняет выбранные инструменты и возвращает результаты модели, что ведет к окончательному ответу. Инструменты расширяют возможности и усложняют задачи: они могут искать документы в базах знаний, делать API-запросы, выполнять Python-код или выдавать статические инструкции. Примеры инструментов: - **Retrieve Tool:** Семантический поиск по Knowledge Bases Amazon Bedrock, возвращающий релевантные документы или инструменты. Например, один внутренний агент AWS выбирает из более 6000 инструментов, просто получая подходящий под задачу поднабор. - **Thinking Tool:** Позволяет выполнять многоцикловую глубокую аналитическую обработку и самоанализ. - **Мульти-агентские инструменты:** Поддерживают оркестрацию нескольких агентов для сложных задач через workflow, графы или роевое взаимодействие. В будущем будет поддержка протокола Agent2Agent (A2A). ### Как начать работу с Strands Agents Приведем пример простого Naming AI Assistant, созданного с помощью Strands, — с моделью Amazon Bedrock, MCP-сервером для проверки доменных имен и преднастроенным инструментом GitHub для проверки доступности организаций: ```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 = """ Вы помощник, который помогает придумывать названия для open source проектов. Предоставляйте доступные доменные имена и организации на GitHub после проверки их доступности. """ 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("Мне нужно придумать название для open source проекта по созданию ИИ-агентов. ") ``` Для запуска — установите переменную окружения `GITHUB_TOKEN`, убедитесь, что есть доступ к модели Anthropic Claude 3. 7 Sonnet в регионе us-west-2 и настроены ваши AWS-учетные данные. Установка: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Вы получите предложения по названиям проектов с проверкой их доступности. Интеграция MCP-серверов Strands хорошо работает с инструментами разработки на базе ИИ, например, с CLI Q Developer. Для этого добавьте в конфигурацию MCP: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Разворачивание Strands Agents в продакшн Strands рассчитан на использование в промышленной эксплуатации, предлагает гибкие архитектуры внедрения. Вы можете запускать агентов локально, через API (например, AWS Lambda, Fargate или EC2) или как распределенные системы, разделяющие цикл агента и окружение выполнения инструментов. Например, инструменты могут работать в Lambda, а агент — в контейнерах; клиенты — управлять инструментами локально, общаясь с сервером-агентом. Также Strands поддерживает наблюдаемость и мониторинг через OpenTelemetry (OTEL), обеспечивая детальный трассинг, метрики и телеметрию сессий агентов в распределенных системах. ### Присоединяйтесь к сообществу Strands Agents Strands Agents — проект с открытым исходным кодом по лицензии Apache 2. 0. Мы приглашаем к участию в развитии — добавлению поддержки моделей и инструментов, разработке новых возможностей и улучшению документации. Если вы нашли баг или хотите поделиться идеями — присоединяйтесь к нам на GitHub и помогайте формировать будущее ИИ-агентов вместе с Strands!