நான் ஸ்ட୍ராண்ட்ஸ் ஏஜெண்ட்ஸ் வெளியீட்டை அறிவிப்பதில் மிக உற்சாகம் அடைகிறேன், அது எளிதான கட்டுப்பாடுகளுடன் எடைற்ற நுண்ணறிவுச் செட்கள் (AI) ஏஜெண்ட்களை உருவாக்கவும் இயக்கவும் எளிதாக்கும் ஒரு திறந்த மூல SDK ஆகும். ஸ்ட்ராண்ட்ஸ் பல்வேறு பரிமாணங்கள் கொண்ட எளிமையானது முதல் சிக்கல் மிக்க எஜெண்ட்கள் வரை ஆதரிக்கிறது மற்றும் உள்ளாட்சி வளர்ச்சியிலிருந்தான இருந்து தயாரிப்பு நடைமுறையில் விரிவாக்கப்படுகிறது. அது ஏற்கனவே அமேசான் Q டவலப்பர், AWS கிளூ, VPC Reachability Analyzer ஆகிய AWS குழுக்களில் தயாரிப்பில் உள்ளது. இப்போது, நீங்கள் ஸ்ட்ராண்ட்ஸ் பயன்படுத்தி மிகவும் எளிதாக உங்கள் சொந்த AI ஏஜெண்ட்களை உருவாக்கலாம். சிக்கலான வேலைத்திட்டங்களை விளக்க வேண்டிய கட்டமைப்புக்களைப் தேவையில்லாமல், ஸ்ட்ராண்ட்ஸ் முன்னணி மாடல் திறன்களை பயன்படுத்துகிறது—எ. g. , திட்டமிடல், எண்ணங்களை சேர்க்கும், உபகரண அழைப்புகள், மற்றும் பிரதிபலிப்பு—இவற்றை வடிவமைப்பதற்கான மட்டுமே தேவையானது குறித்த ஒரு குறியீட்டுப் பிழை மற்றும் கருவிகளின் பட்டியலை மட்டுமே குறிப்பிடும். ஸ்ட்ராண்ட்ஸ், இரு DNA தண்டுகளின் போன்று, மாடல் மற்றும் கருவிகளைக் இணைக்கிறது; மாடு அடுத்த படிகள் திட்டமிடுகிறது மற்றும் முன்னேற்றம் பெறுகிறது வல்லுனரின் அடிப்படையுடன். இது கருவிகள் தேர்வு, சூழல் மேலாண்மை, அமர்வு நிலை, நினைவகம், மற்றும் பல ஏஜெண்ட் பயன்பாடுகளை ஆதரிக்கிறது. ஸ்ட்ராண்ட்ஸ் அனுமதிக்கிறது, Amazon Bedrock, Anthropic, Ollama, Meta மற்றும் பிற நிறுவனங்களின் மாடல்களுடன் LiteLLM வழியாக, எங்கும் இயங்கி கொண்டிருக்கின்றது. இந்த திட்டம் ஒரு திறந்த சமூகமாகும்; அதில் பங்களிப்புகள் உள்ளன Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily மற்றும் பல. எடுத்துக்காட்டில், Anthropic எ API ஆதரவு மற்றும் Meta இன் Llama API ஒருங்கிணைப்பு உள்பட உதாரணங்கள் உள்ளன. ஆதரவுக்கு, நமுடன் GitHub இல் சேரவும்! ### நமது ஏஜெண்ட் பயணம் Amazon Q டவலப்பர், ஒரு உருவாக்கத்துக்குடையான AI உதவி கருவி, மே 2023 இல் நம்முடைய குழு மூலம் AI ஏஜெண்ட்களை உருவாக்கத் துவங்கியது, ReAct (Reasoning and Acting) காரியபத்திரத்தை தொடர்ந்தும், அதில் பெரிய மொழி மாதிரிகள் (LLMs) காரணங்களை அமைத்தும் செயற்படத் தெரிவிக்கும், உதா. API அழைப்புகளை உருவாக்கி உள்ளீடுகளை தயாரிக்கும் என்று நிரூபிக்கப்பட்டது. தொடக்கத்தில், LLMs இயற்கை மொழி உரையாடலுக்கு மட்டுமே பயிற்சி பெறப்பட்டிருந்தாலும், நாங்கள் தளர்ந்து தொடர்ந்தும் முன்பணிகள், பதில் பகுப்புகள் மற்றும் ஒழுங்கமைப்பு லாஜிக் ஆகியவற்றை கையாளும் சிக்கலான கட்டமைப்புகளை கட்டியெடுக்க இருந்தோம்—பெரும்பாலான நேரம், தயாரிக்கிய பணி, முகாம் செய்கின்றன. LLMs காட்டும். reasoning மற்றும் கருவி பயன்படுத்தல் துரிதியுடன் முன்னேறுவதால், இக்கட்டமைப்புகள் தடைசெய்யும் தடைகளாக இருந்தன, இது எடுப்பங்களின் விரைவு மற்றும் ஊடுருவல் திறனை கட்டுப்படுத்தியது. இந்த மாற்றத்தை அடையாளம் காண்ட், நாங்கள் ஸ்ட்ராண்ட்ஸ் ஏஜெண்ட்ஸ்களை உருவாக்கினோம் - இது ஒழுங்கமைப்பு சிக்கல்களை நீக்குகிறது மற்றும் நவீன LLM களின் இயல்பான. reasoning மற்றும் கருவி பயன்பாட்டை பயன்படுத்த உதவுகிறது. இந்த நேரத்தில், வளர்ச்சிநேரம் மாதங்களிலிருந்தது நாள்கள் அல்லது வாரங்களாகக் குறைந்தது, இது தயாரிப்பு தயார் நிலையில் வேகமாக முன்னேற்றத்திற்கும், பயனர் அனுபவம் மேம்படும். ### ஸ்ட்ராண்ட்ஸ் ஏஜெண்ட்ஸ் அறிமுகக் கோட்பாடுகள் ஒரு ஏஜெண்ட் மூன்று பகுதிகளைக் கொண்டது: (1) ஒரு மாடல், (2) கருவிகள், மற்றும் (3) ஒரு பொது பிழை.

ஏஜெண்ட்கள் தானாகவே இவை பயன்படுத்திக் கொண்டு பணிகளை முடிக்கின்றன, உதா. கேள்விகளுக்கு பதில், குறியீடு எழுத்து, திட்டமிடல், அல்லது பொருட்கள் ஒప్టிமைசேஷன். மாடல் சார்ந்த அணுகுமுறை, மாடலை அதன் படிகளையும் கருவிகளையும் இயக்குவதற்குரியதும், குறிக்கோளை அடைவதில் உதவுகிறது. - **மாடல்:** ஸ்ட்ராண்ட்ஸ் பல்வேறு மாடல்களை ஆதரிக்கிறது, அதில் Amazon Bedrock மாடல்கள் கருவிகளுடன் மற்றும் ஸ்ட்ரீமிங், Anthropic Claude API, Llama API, Ollama ( உள்ளூர் வளர்ச்சிக்குக்), OpenAI மூலம் LiteLLM மற்றும் தனிப்பயன் மாடல்கள் அடங்கும். - **கருவிகள்:** ஆயிரக்கணக்கான Model Context Protocol (MCP) சர்வர் கருவிகள் கையிருப்பில் உள்ளன, இதற்கிடையே 20+ முன்னேற்றப்பட்ட கருவிகள் ஏற்பडுகின்றன: கோப்புகள் கையாளல், API அழைப்புகள், AWS API தொடர்பு, மற்றும் Python செயல்பாடுகள் @tool டிகோரேட்டராக வளரும் எளிதாக. - **பொது பிழை:** வளர்ச்சி வழிமுறையை வழங்குகிறது மற்றும் ஏஜெண்டின் நடத்தையை விளக்கும் இயற்கை மொழி பிழை. ஏஜெண்ட் “ஏஜெண்டிக் சுழற்சி” எனப்படுவது, அது மாடல் மற்றும் கருவிகளுடன் தொடரும் தொடர்பு until முடிவடையும். ஒவ்வொரு சுழற்சியிலும், LLM இல் பிழை, சூழல், மற்றும் கருவிகளின் விளக்கம் பெறப்படும், இது நேரடியாக பதில் சொல்லவேண்டும், திட்டமிடவேண்டும், பிரதிபலிக்கவேண்டும், அல்லது கருவிகளை அழைக்கவேண்டும் என முடிவெடுக்கும். ஸ்ட்ராண்ட்ஸ் தேர்ந்தெடுத்த கருவிகளை செயலாக்கி, முடிவுகளை LLM க்குக் கொடுக்கிறது, இது இறுதித் ಫಲிதத்தைக் கொண்டு வருகின்றது. கருவிகள் தனிப்பயனாக்குவதிலும் சிக்கல் சேர்ப்பதிலும் உதவிகரமாக இருக்கிறது: அவை அறிவியல் நூலகங்களிலிருந்து ஆவணங்களை பெறக்கூடும், API அழைப்புகள் செய்யக்கூடும், Python குறியீடு இயக்கக்கூடும் அல்லது நிலையான வழிமுறைகளை வழங்கக்கூடும். உதாரணமாக: - **அளவு Tool:** Amazon Bedrock அறிவியல் நூலகங்களுக்கான செமாந்த தேடலை மேற்கொள்கிறது, சம்பந்தமான ஆவணங்கள் அல்லது கருவிகளைக் காண்பிக்கிறது. உதா. , ஒரு உள்ளமை AWS ஏஜெண்ட் 6, 000+ கருவிகளில் இருந்து ஒரு தொடர்புடைய பகுதியைத் தேடி வழங்குகிறது. - **சிந்தனை Tool:** பல கட்டங்களிலான ஆழ்ப்படுத் திறன்தொகுப்பு மற்றும் தானাগত பிரதிபலிப்பு. - **பல்வேறு ஏஜெண்ட் கருவிகள்:** பணிப்பெயர், வரைபடம், மற்றும் கூட்டு கருவிகள், கூட்டமைப்பு, வரிசை, மற்றும் கூட்டமும் ஆதரிக்கின்றன, மேலும் Agent2Agent (A2A) திட்டமிடல் விரும்பப்படுகிறது. ### ஸ்ட்ராண்ட்ஸ் ஏஜெண்ட்ஸ் ஆரம்பித்தல் இங்கே ஒரு எளிய உதாரணம், Amazon Bedrock மாடலைப் பயன்படுத்தும் ஒரு Naming AI உதவியாளர், MCP சர்வரைப் பயன்படுத்தி ஒரு ஏற்பாட்டு சரிபார்ப்பு, மற்றும் GitHub கருவியை பயன்படுத்தி அமைப்பின் பெயர் கிடைக்கும் என்பதை சரிபார்க்கும் குறியீடு: ```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 = """ உங்கள்தான் திறந்த மூல் திட்டங்களுக்கு பெயர் வகுக்கும் உதவியாளர். கிடைக்கும் டொமைன் பெயர்கள் மற்றும் GitHub அமைப்புகளின் காலடியை சரிபார்த்து வழங்கவும். """ 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("எனக்கு ஒரு AI ஏஜெண்ட்கள் உருவாக்கப் போவது என்பதற்கான திறந்த மூல திட்டத்துக்கு பெயர் வேண்டியது. ") ``` இது ரன்செய்ய, உங்கள் GitHub டோக்கெனை `GITHUB_TOKEN` என அமைத்து, us-west-2இல் Anthropic Claude 3. 7 Sonnet மாடலை அணுகவும், மற்றும் AWSச் சான்றிதழ்களை பதிலளிக்கவும். நிறுவ: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` இதனால், திட்டப் பெயர் மற்றும் கிடைக்கும் அம்சங்கள் காணப்படும். ஸ்ட்ராண்ட்ஸ் MCP சர்வர்கள், Q Developer CLI போன்ற AI உதவிக் கருவிகளுடன் சிறந்த ஒருங்கிணைவுக்கு உதவுகிறது. உதாரணத்திற்கு, உங்கள் MCP கட்டமைப்புக்கு கீழேயானதைச் சேர்க்கவும்: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### உற்பத்தித் தயாரிப்பில் ஸ்ட்ராண்ட்ஸ் ஏஜெண்ட்ஸ்கள் மற்றும் பாதுகாப்பு ஸ்ட்ராண்ட்ஸ் தயாரிப்பு பயன்பாட்டுக்குத் திட்டமிடப்பட்டுள்ளது, பல்வேறு பரிமாண அமைப்புகளுடன். உங்கள் ஏஜெண்ட்களை உள்ளிடாமலேயே இயக்கு, API-களைக் கொண்டாடவும் (AWS Lambda, Fargate, அல்லது EC2 உபயோகிப்பது), அல்லது பகிர்ந்துள்ள அமைப்புகளாக இயக்க முடியும். உதாரணமாக, கருவிகள் Lambda-இல் இயங்கி, ஏஜெண்ட் கள் கன்டெய்னர்களில் இயங்கும்; அல்லது, கிளையன்கள் கருவிகளை உள்ளூரே கையாளலாம், பின்னணிப் சேவையுடன் தொடர்புகொள்ளலாம். மேலும், OpenTelemetry (OTEL) மூலம் கண்காணிப்பு, சோதனை, மற்றும் நிர்வாகம் ஆதரிக்கப்படுகின்றன, இது பரப்பிய அமைப்புகளில் ஏஜெண்ட் அமர்வுகளின் விரிவான டிரேசிங் மற்றும் தரவுகளை வழங்குகிறது. ### ஸ்ட்ராண்ட்ஸ் ஏஜெண்ட்ஸ் சமூகத்தில் சேர்க ஸ்ட்ராண்ட்ஸ் ஏஜெண்ட்ஸ், ஆபச்சே லைசென்ஸ் 2. 0 கீழ் திறந்த மூலம் ஆகும். நீங்கள் மாடல்கள் மற்றும் கருவிகளைச் சேர்க்க, புதிய அம்சங்களை வளர்க்க அல்லது ஆவணங்களை மேம்படுத்த பங்களிக்க விரும்பினால், GitHub இல் நம்முடன் இணையுங்கள், மற்றும் AI ஏஜெண்ட்ஸ் எதிர்காலத்தை உருவாக்க உதவுங்கள்!