Tôi rất vui được thông báo về việc ra mắt Strands Agents, một SDK mã nguồn mở giúp đơn giản hóa việc xây dựng và vận hành các AI agent với phương pháp dựa trên mô hình chỉ bằng vài dòng mã. Strands hỗ trợ đa dạng các trường hợp sử dụng từ các agent đơn giản đến phức tạp và có thể mở rộng từ phát triển cục bộ đến triển khai sản xuất. Nó đã được sử dụng trong các đội ngũ của AWS như Amazon Q Developer, AWS Glue, và VPC Reachability Analyzer. Bây giờ, bạn có thể dễ dàng sử dụng Strands để tạo ra các AI agent của riêng mình. Khác với các framework yêu cầu định nghĩa các quy trình phức tạp, Strands tận dụng khả năng của các mô hình tiên tiến—như lập kế hoạch, chaining suy nghĩ, gọi công cụ, và phản chiếu—giúp các nhà phát triển chỉ cần cung cấp một prompt và danh sách các công cụ để tạo ra agent. Giống như hai chuỗi DNA kết nối mô hình và công cụ; mô hình lập kế hoạch bước tiếp theo và chạy các công cụ với suy luận nâng cao. Nó hỗ trợ tùy biến rộng rãi bao gồm lựa chọn công cụ, quản lý ngữ cảnh, trạng thái phiên, bộ nhớ và ứng dụng đa agent. Strands hoạt động với các mô hình từ Amazon Bedrock, Anthropic, Ollama, Meta, và các nền tảng khác qua LiteLLM, có thể chạy ở bất cứ nơi nào. Dự án là một cộng đồng mở với sự đóng góp của Accenture, Anthropic, Langfuse, mem0. ai, Meta, PwC, Ragas. io, Tavily và nhiều hơn nữa. Các ví dụ bao gồm hỗ trợ API của Anthropic và tích hợp API Llama của Meta. Tham gia cộng đồng trên GitHub để bắt đầu! ### Hành trình của Chúng tôi với Agent Trong quá trình làm việc với Amazon Q Developer, một trợ lý AI sinh dạng cho phát triển phần mềm, nhóm của tôi bắt đầu xây dựng các AI agent từ đầu năm 2023 theo bài báo ReAct (Reasoning and Acting), chứng minh rằng các mô hình ngôn ngữ lớn (LLMs) có thể lý luận và hành động, như gọi API bằng cách sinh đầu vào. Mặc dù ban đầu LLMs không được huấn luyện để đóng vai trò agent mà phục vụ cuộc trò chuyện tự nhiên, chúng tôi đã xây dựng khung quy trình phức tạp với hướng dẫn prompt, trình phân tích phản hồi và logic điều phối—thường mất nhiều tháng để tinh chỉnh các agent cho môi trường sản xuất. Khi khả năng lý luận và sử dụng công cụ của LLMs ngày càng được cải tiến rõ rệt, các khung quy trình phức tạp này trở thành điểm nghẽn hạn chế tốc độ lặp lại và linh hoạt của quá trình phát triển. Nhận thức rõ điều này, chúng tôi đã tạo ra Strands Agents nhằm loại bỏ sự phức tạp trong điều phối và tận dụng khả năng lý luận, sử dụng công cụ của các LLM hiện đại. Cách tiếp cận này đã giảm thời gian phát triển từ hàng tháng xuống còn vài ngày hoặc tuần, giúp đưa sản phẩm ra thị trường nhanh hơn và nâng cao trải nghiệm người dùng. ### Các Khái Niệm Cốt lõi của Strands Agents Một agent gồm ba thành phần: (1) mô hình, (2) công cụ, và (3) prompt. Các agent tự động sử dụng chúng để hoàn thành các nhiệm vụ như trả lời câu hỏi, lập trình, lập kế hoạch hoặc tối ưu hóa danh mục đầu tư.

Phương pháp dựa trên mô hình cho phép mô hình điều hướng động các bước và sử dụng công cụ để đạt mục tiêu. - **Mô hình:** Strands hỗ trợ linh hoạt các mô hình bao gồm mô hình Amazon Bedrock với khả năng sử dụng và stream, mô hình Anthropic Claude qua API, mô hình Llama qua API Llama, Ollama để phát triển cục bộ, OpenAI qua LiteLLM, và các mô hình tùy chỉnh. - **Công cụ:** Có hàng nghìn công cụ của Model Context Protocol (MCP) và hơn 20 công cụ tích hợp sẵn như thao tác tệp, gọi API, tương tác với AWS API. Các hàm Python cũng có thể dễ dàng đóng gói dưới dạng công cụ bằng decorator @tool. - **Prompt:** Nhà phát triển cung cấp một prompt bằng ngôn ngữ tự nhiên để định nghĩa nhiệm vụ, cùng với prompt hệ thống cho hướng dẫn hành vi của agent. Agent hoạt động theo một “vòng lặp agentic” gồm tương tác với mô hình và các công cụ cho đến khi hoàn thành. Trong mỗi vòng, LLM nhận prompt, ngữ cảnh và mô tả công cụ, rồi quyết định phản hồi trực tiếp, lập kế hoạch, phản chiếu hay gọi các công cụ. Strands thực thi các công cụ đã chọn và trả kết quả về cho LLM, cuối cùng tạo ra kết quả cuối cùng. Các công cụ cho phép tùy biến và mở rộng: chúng có thể lấy tài liệu từ các cơ sở tri thức, gọi API, chạy mã Python hoặc cung cấp hướng dẫn tĩnh. Ví dụ về các công cụ gồm: - **Retrieve Tool:** Thực hiện tìm kiếm ngữ nghĩa qua Amazon Bedrock Knowledge Bases, truy xuất tài liệu hoặc công cụ phù hợp. Ví dụ, một agent nội bộ của AWS chọn lọc từ hơn 6. 000 công cụ bằng cách truy xuất một tập con phù hợp trình bày cho mô hình. - **Thinking Tool:** Thực hiện xử lý phân tích sâu đa chu kỳ và tự phản chiếu. - **Công cụ đa agent:** Hỗ trợ điều phối nhiều agent làm việc hợp tác cho các nhiệm vụ phức tạp, gồm workflow, đồ thị và swarm. Hỗ trợ giao thức Agent2Agent (A2A) sẽ ra mắt trong thời gian tới. ### Bắt đầu với Strands Agents Dưới đây là ví dụ đơn giản về một trợ lý đặt tên AI được xây dựng bằng Strands, sử dụng mô hình Amazon Bedrock, máy chủ MCP để xác thực miền, và công cụ GitHub tích hợp sẵn để kiểm tra khả năng có sẵn của tên tổ chức: ```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 = """ Bạn là một trợ lý giúp đặt tên cho các dự án mã nguồn mở. Cung cấp các tên miền và tổ chức GitHub còn khả dụng sau khi xác thực. """ 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("Tôi cần đặt tên cho một dự án mã nguồn mở để xây dựng AI agent. ") ``` Để chạy, hãy thiết lập token GitHub của bạn là `GITHUB_TOKEN`, đảm bảo có quyền truy cập mô hình Anthropic Claude 3. 7 Sonnet ở vùng us-west-2, và cấu hình thông tin xác thực AWS của bạn. Cài đặt bằng lệnh: ``` pip install strands-agents strands-agents-tools python -u agent. py ``` Bạn sẽ nhận được đề xuất tên dự án cùng kiểm tra khả năng khả dụng. Các máy chủ MCP của Strands tích hợp tốt với các công cụ phát triển hỗ trợ AI như Q Developer CLI. Ví dụ, thêm phần sau vào cấu hình MCP của bạn: ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### Triển khai Strands Agents trong môi trường sản xuất Strands được thiết kế hướng tới mục đích sử dụng trong sản xuất, cung cấp các kiến trúc triển khai linh hoạt. Bạn có thể chạy agent cục bộ, sau API (dùng AWS Lambda, Fargate hoặc EC2), hoặc như hệ thống phân tán tách biệt vòng lặp agent và môi trường thực thi công cụ. Ví dụ, các công cụ có thể chạy trong Lambda trong khi agent vận hành trong container; hoặc khách hàng xử lý các công cụ cục bộ khi giao tiếp với backend agent. Strands còn hỗ trợ khả năng quan sát và giám sát qua OpenTelemetry (OTEL), cho phép theo dõi chi tiết, thu thập số liệu và telemetry cho các phiên agent trong hệ thống phân tán. ### Tham gia cộng đồng Strands Agents Strands Agents là dự án mã nguồn mở theo Giấy phép Apache 2. 0. Chúng tôi mời gọi các đóng góp để hỗ trợ mô hình và công cụ mới, phát triển tính năng hoặc cải tiến tài liệu. Nếu bạn phát hiện lỗi hoặc có ý tưởng, hãy tham gia cùng chúng tôi trên GitHub và cùng xây dựng tương lai của các AI agent với Strands!