Jag är glad att kunna tillkännage lanseringen av Strands Agents, ett öppen källkods-SDK som förenklar byggandet och driften av AI-agenter med en modellstyrd metodik, med endast några få kodrader. Strands stöder ett brett spektrum av användningsområden, från enkla till avancerade agenter, och kan skala från lokal utveckling till produktionssättning. Redan nu används det i produktion av AWS-team som Amazon Q Developer, AWS Glue och VPC Reachability Analyzer. Nu kan du enkelt använda Strands för att skapa dina egna AI-agenter. Till skillnad från ramverk som kräver definiering av komplexa arbetsflöden, utnyttjar Strands moderna modellkapaciteter—som planering, kedjning av tankar, verktygsanrop och reflektion—vilket gör att utvecklare endast behöver definiera en prompt och en verktygslåt att skapa en agent. Strands, likt två DNA-strängar, kopplar samman modellen och verktygen; modellen planerar nästa steg och kör verktyg med avancerad resonemangsförmåga. Det stödjer omfattande anpassningar inklusive verktygsval, context-hantering, sessionstillstånd, minne och multi-agent-applicationer. Strands fungerar med modeller från Amazon Bedrock, Anthropic, Ollama, Meta och andra via LiteLLM, och kan köras var som helst. Projektet är en öppen community med bidrag från Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily med flera. Exempel inkluderar Anthropic’s API-stöd och Metas Llama API-integration. Gå med oss på GitHub för att komma igång! ### Vår agentresa Under arbete med Amazon Q Developer, en generativ AI-assistent för mjukvaruutveckling, började mitt team bygga AI-agenter tidigt 2023, inspirerade av ReAct-papperet (Reasoning and Acting), som visade att stora språkmodeller (LLMs) kan resonera och vidta åtgärder, som att göra API-anrop genom att generera inputs. Även om LLMs initialt inte var tränade för att agera som agenter, utan för samtal på naturligt språk, byggde vi avancerade ramverk med promptinstruktioner, svarparser och orkestreringslogik—ofta med månader av finjusteringar för produktion. När LLMs förbättrades avsevärt i resonemang och verktygsanvändning blev dessa komplexa ramverk flaskhalsar som begränsade snabbheten i iterationer och agiliteten. Med insikten om denna förändring skapade vi Strands Agents för att förenkla orkestreringen och utnyttja de inbyggda resonemangs- och verktygsfunktionerna i moderna LLMs. Detta minskade utvecklingstiden från månader till dagar eller veckor, vilket kraftigt påskyndade produktionsberedskap och förbättrade användarupplevelsen. ### Grundläggande koncept för Strands Agents En agent består av tre komponenter: (1) en modell, (2) verktyg och (3) en prompt. Agenser använder dessa självständigt för att utföra uppgifter som att svara på frågor, programmera, planera eller optimera portföljer.

Den modellstyrda metodiken gör att modellen dynamiskt kan styra sina steg och verktygsanvändning för att nå målet. - **Model:** Strands stöder flexibla modeller, inklusive Amazon Bedrock-modeller med verktygsanrop och streaming, Anthropic Claude via API, Llama via Llama API, Ollama för lokal utveckling, OpenAI via LiteLLM och egna modeller. - **Verktyg:** Tusenvis av verktyg enligt Model Context Protocol (MCP), plus över 20 förbyggda verktyg såsom filhantering, API-anrop och AWS-integration. Python-funktioner kan enkelt kapslas in som verktyg med @tool-dekorationen. - **Prompt:** Utvecklare tillhandahåller en naturgiftsprompt som definierar uppgiften samt en systemprompt med instruktioner för agentens beteende. Agenten kör en ”agentisk loop” där den interagerar med modellen och verktyg tills uppgiften är slutförd. I varje cykel får LLM:n prompten, kontext och verktygsbeskrivningar, och beslutar om den ska svara direkt, planera, reflektera eller kalla på verktyg. Strands utför de valda verktygen och returnerar resultaten till LLM:n, vilket leder till slutresultatet. Verktyg möjliggör anpassning och komplexitet: de kan hämta dokument från kunskapsbaser, göra API-anrop, köra Python-kod eller ge statiska instruktioner. Exempel på verktyg inkluderar: - **Retrieve Tool:** Utför semantisk sökning i Amazon Bedrock Knowledge Bases och hämtar relevanta dokument eller verktyg. Till exempel, en intern AWS-agent hämtar ett relevant underutbud av över 6000 verktyg för att presentera för modellen. - **Thinking Tool:** Möjliggör flercykelanalys och självrefererande eftertanke. - **Multi-agent Tools:** Workflow-, graf- och swarm-verktyg för att samordna flera agenter i komplexa uppgifter. Support för Agent2Agent (A2A)-protokoll är under utveckling. ### Kom igång med Strands Agents Här är ett enkelt exempel på en namngivnings-AI-assistent byggd med Strands, med en Amazon Bedrock-modell, en MCP-server för domänverifiering, och ett förbyggt GitHub-verktyg för att kontrollera tillgänglighet av organisationsnamn: ```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 är en assistent som hjälper till att namnge open source-projekt. Ge tillgängliga domännamn och GitHub-organisationer efter att ha verifierat deras tillgänglighet. """ 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("Jag behöver namnge ett open source-projekt för att bygga AI-agenter. ") ``` För att köra detta, sätt din GitHub-token som `GITHUB_TOKEN`, ha tillgång till Anthropic Claude 3. 7 Sonnet-modellen i us-west-2 och konfigurera dina AWS-uppgifter. Installera med: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Du kommer att få förslag på projektnamn med tillgänglighetskontroller. Strands MCP-servrar fungerar väl med AI-assisterade utvecklingsverktyg som Q Developer CLI. Lägg till följande i din MCP-konfiguration: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Driftsättning av Strands Agents i produktion Strands är utformat för produktionsbruk och erbjuder flexibel distributionsarkitektur. Du kan köra agenter lokalt, bakom API:er (med AWS Lambda, Fargate eller EC2), eller som distribuerade system där agentloop och verktygsutrymme är skilda. Till exempel kan verktyg köras i Lambda medan agenten körs i containrar; eller så kan klienter hantera verktyg lokalt samtidigt som de kommunicerar med en backend-agent. Strands stöder också observabilitet och övervakning via OpenTelemetry (OTEL), som möjliggör detaljerad spårning, metriska mätningar och telemetri för agent-sessioner i distribuerade system. ### Bli en del av Strands Agents-communityn Strands Agents är öppen källkod under Apache License 2. 0. Vi välkomnar bidrag för att utöka modell- och verktygsstöd, utveckla nya funktioner eller förbättra dokumentationen. Om du hittar buggar eller har idéer, delta på GitHub och var med och bygg framtidens AI-agenter med Strands!