我很高兴宣布发布Strands Agents，一个开源的SDK，使用少量代码即可通过模型驱动的方法简化AI代理的构建和运行。Strands支持从简单到复杂的各种用例，并能从本地开发扩展到生产部署。目前已经在AWS团队的生产环境中投入使用，包括Amazon Q Developer、AWS Glue和VPC Reachability Analyzer等。现在，您可以轻松使用Strands创建自己的AI代理。 与需要定义复杂工作流程的框架不同，Strands利用最先进的模型能力——如规划、串联思考、工具调用和反思——让开发者只需定义一个提示和一份工具列表即可创建代理。Strands就像两条DNA链一样，连接模型与工具；模型规划下一步并通过高级推理执行工具。它支持丰富的定制，包括工具选择、上下文管理、会话状态、记忆以及多代理应用。Strands可与Amazon Bedrock、Anthropic、Ollama、Meta等模型配合使用，通过LiteLLM在任何地方运行。 该项目是一个开放的社区， recebendo来自埃森哲、Anthropic、Langfuse、mem0. ai、Meta、PwC、Ragas. io、Tavily等的贡献。示例包括Anthropic的API支持和Meta的Llama API集成。加入我们的GitHub，一起开始吧！ ### 我们的代理之旅 在Amazon Q Developer——一个面向软件开发的生成式AI助手——的开发中，我的团队从2023年初开始构建AI代理，参照ReAct（推理与行动）论文，证明大型语言模型（LLM）能够进行推理和采取行动，比如生成输入以调用API。虽然LLMs最初并非为了扮演代理角色而训练，而是用于自然语言对话，但我们开发了复杂的框架，包含提示指令、响应解析和协调逻辑——这常常导致漫长的调优周期，以便投入生产。 随着LLM在推理和工具使用方面的显著提升，这些复杂框架成为限制迭代速度和灵活性的瓶颈。意识到这一点后，我们创建了Strands Agents，旨在去除协调复杂性，充分发挥现代LLMs的推理和工具使用能力。这一方法将开发时间从几个月缩短到几天或几周，大大加快了投产速度，并提升了用户体验。 ### Strands Agents的核心概念 一个代理由三部分组成：(1)模型、(2)工具和(3)提示。代理自主利用这三者完成诸如回答问题、编码、规划或优化投资组合等任务。模型驱动的方法让模型可以动态指引各步骤和工具的使用，以实现目标。 - **模型**：Strands支持多种灵活模型，包括支持工具调用和流式输出的Amazon Bedrock模型、通过API的Anthropic Claude模型、Llama模型（通过Llama API）、Ollama（适用于本地开发）、OpenAI模型（通过LiteLLM）以及自定义模型。 - **工具**：提供数千个Model Context Protocol（MCP）服务器工具，以及20多个预构建工具（如文件处理、API调用和AWS API交互）。Python函数可通过@tool装饰器轻松封装为工具。 - **提示**：开发者提供自然语言提示，定义任务内容，以及系统提示，用于指导代理行为。 代理会运行一个“代理环”(agentic loop)，不断与模型和工具交互直至任务完成。在每一轮中，LLM接收提示、上下文和工具描述后，决定直接回应、规划、反思，或调用工具。Strands会执行所选工具，并将结果返回给LLM，最终输出完成。 工具支持丰富的定制和复杂操作：它们可以从知识库中检索文档、发起API调用、运行Python代码或提供静态指令。例如： - **检索工具**：在Amazon Bedrock知识库中进行语义搜索，检索相关文档或工具。例如，一个内部的AWS代理会通过检索相关子集，从6000多个工具中筛选出合适的，供模型参考。 - **思考工具**：实现多轮深入分析和自我反思。 - **多代理工具**：支持工作流、图谱和群体代理，协作完成复杂任务。未来还将支持Agent2Agent（A2A）协议。 ### 入门使用Strands Agents 下面是一个用Strands搭建的命名AI助手的简单示例，使用Amazon Bedrock模型、MCP服务器进行领域验证，以及预定义的GitHub工具检查组织名的可用性： ```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 = """ 你是一个帮助命名开源项目的助手。 提供可用的域名和GitHub组织名，验证其可用性后提供建议。 """ 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("我需要为一个构建AI代理的开源项目起个名字。") ``` 运行前，请设置你的GitHub令牌为`GITHUB_TOKEN`，确保可以使用Anthropic Claude 3. 7 Sonnet模型（位于us-west-2区域），以及配置你的AWS认证信息。安装命令： ``` pip install strands-agents strands-agents-tools python -u agent. py ``` 你将获得项目名建议及其可用性验证。 Strands MCP服务器与诸如Q Developer CLI的AI辅助开发工具集成良好。例如，在MCP配置中加入如下内容： ```json { "mcpServers": { "strands": { "command": "uvx", "args": ["strands-agents-mcp-server"] } } } ``` ### 在生产环境部署Strands Agents Strands设计考虑到生产需求，提供灵活的部署架构。你可以在本地、API后端（利用AWS Lambda、Fargate或EC2）或作为分布式系统运行，将代理环和工具执行环境分离。例如，工具可在Lambda中运行，代理在容器中运行；或者客户端在本地处理工具，与后端代理通信。 此外，Strands还支持通过OpenTelemetry（OTEL）实现可观测性与监控，提供详细的追踪、指标和遥测数据，覆盖分布式系统中的代理会话。 ### 加入Strands Agents社区 Strands Agents采用Apache 2. 0开源协议，期待贡献者加入，支持模型和工具，开发新功能或完善文档。如果你发现BUG或有建议，欢迎在GitHub上参与，共同打造未来的AI代理！