AWS 开源 Strands Agents SDK：用几行代码唤醒 AI 智能体

AWS 开源的 Strands Agents SDK，以其强大的功能和简洁的开发方式，为开发者提供了一个全新的工具，让构建智能体变得前所未有的简单和高效。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

大家好，我是肆〇柒。AWS 开源了一套 Agent 框架 —— Strands Agents SDK。它不仅简化了开发流程，还极大地提升了开发效率，并且从可持续运维的角度思考了工程落地。接下来，我们一起来了解一下这个 SDK，看看它是如何让智能体开发变得如此简单。

AI 智能体，这些能够在特定环境中感知、推理并自主行动的软件实体，已成为推动众多行业变革的关键力量。从自动化客服系统到复杂的供应链管理优化，AI 智能体的应用场景正不断拓展。然而，传统的智能体开发往往伴随着复杂的工作流定义、繁琐的模型配置以及昂贵的试错成本，这让许多开发者和企业望而却步。

AWS 开源 Strands Agents SDK

现在，AWS 正式开源了 Strands Agents SDK。它采用模型驱动架构，将智能体的核心要素——模型、工具和提示抽象化，极大降低了开发门槛。开发者无需深入理解大型语言模型（LLM）的底层机制，也无需编写复杂的编排逻辑，只需几行简洁的代码，即可构建出功能强大的 AI 智能体，实现从简单查询回答到复杂工作流程编排的多样化任务。

Strands Agents SDK 核心架构：智能体的三核引擎

Strands Agents SDK 的核心架构围绕智能体的三要素展开，这三者相互协作，驱动智能体完成各项任务。

（一）模型（Model）：智能体的 “大脑”

Strands 为智能体提供了极其丰富的模型支持，堪称智能体的 “最强大脑库”。它原生集成了 Amazon Bedrock 平台的众多模型，如 Claude 和 Titan，这些模型在自然语言处理和推理任务中表现出色。同时，Strands 也兼容 Anthropic、Meta Llama 等热门模型，通过 LiteLLM 等 API，开发者还能轻松接入其他提供商的模型资源，构建多元化的模型生态。

更值得一提的是，Strands 考虑到了本地开发和特殊定制场景，支持 Ollama 等本地模型开发平台，并允许开发者定义自定义模型提供商。这意味着，无论你是想利用云端的强大算力，还是在本地环境中确保数据隐私和模型专属性，Strands 都能满足需求。开发者只需简单地在代码中指定模型来源和参数，即可让智能体调用相应的模型，开始它的智能任务之旅。

（二）工具（Tools）：智能体的 “功能扩展包”

工具是智能体与外部世界交互、完成实际操作的关键桥梁。Strands 提供了 20 + 预建工具，涵盖了从文件创建、读取、更新到 API 调用，以及与 AWS 服务深度集成的各类功能。这些工具就像是智能体的 “百宝箱”，让智能体能够轻松处理文件操作、调用外部服务，甚至操控 AWS 云资源。

而真正让开发者兴奋的是 Strands 的自定义工具能力。通过简单的@tool装饰器，开发者可以将任何 Python 函数转化为智能体可用的工具。只需在函数前添加这一装饰器，并定义好工具的输入输出参数，智能体便能在后续任务中调用该函数，实现特定的业务逻辑。例如，你可以编写一个查询天气的函数，将其注册为工具，智能体在需要通知用户时，就能自动调用这个工具查询具体区域的天气情况。

from strands import Agent, tool@tooldefget_user_location() -> str: """Get the user's location """ # Implement user location lookup logic here return"Seattle, USA"@tooldefweather(location: str) -> str: """Get weather information for a location Args: location: City or location name """ # Implement weather lookup logic here returnf"Weather for {location}: Sunny, 72°F"agent = Agent(tools=[get_user_location, weather])# Use the agent with the custom toolsagent("What is the weather like in my location?")

此外，Strands 对 Model Context Protocol（MCP）服务器的支持，将智能体的工具使用能力推向了新高度。成千上万的 MCP 服务器提供了海量的工具资源，智能体可以根据任务需求动态调用这些服务器上的工具，实现功能的无限扩展。这就好比智能体能够随时访问一个庞大的工具超市，按需选取最合适的工具来完成任务。

（三）提示（Prompt）：智能体的 “任务指挥官”

提示是智能体行动的起点和方向指引。开发者可以通过编写自然语言提示，明确告诉智能体需要完成的任务，例如回答用户问题、生成代码、规划旅行等。这些用户自定义提示就像是给智能体下达的具体命令，让智能体明白当前任务的核心目标。

from strands import Agentagent = Agent( system_prompt=( "You are a financial advisor specialized in retirement planning. " "Use tools to gather information and provide personalized advice. " "Always explain your reasoning and cite sources when possible." ))

系统级提示则更侧重于塑造智能体的整体行为风格和原则。你可以通过系统提示规定智能体在回答问题时保持简洁明了，或者在处理数据时注重隐私保护。它为智能体提供了一套通用的行为准则，确保智能体在各种任务中都能符合预期的行为规范。

开发者编写的提示就像是智能体的 “任务说明书”，清晰的提示能够引导智能体更准确地理解任务并调用合适的工具和模型来完成它。通过设计提示词，开发者可以激发智能体的最大潜力，实现复杂多样的应用场景。

Agentic 循环机制：智能体的思考与行动

Strands 的 Agentic 循环机制是智能体工作的核心引擎，让智能体具备了类似人类的思考和行动能力。

在每次循环中，智能体会先将当前的任务上下文和可用工具描述提供给大型语言模型（LLM）。LLM 会根据这些信息进行推理和判断，它可以决定直接生成自然语言回答，为用户提供了一系列思考后的回答；也可以规划出多个步骤，将复杂任务分解为更小的子任务；还可以对之前的操作进行反思，根据反馈调整后续行动方向；更有甚者，它会选择调用合适的工具来获取更多信息或完成实际操作。

Agentic 循环机制

当 LLM 决定调用工具时，Strands 会负责执行该工具，并将工具返回的结果再次输入到 LLM 中。这个过程不断重复，直到智能体最终完成任务，并生成最终结果返回给用户。整个循环机制充分利用了 LLM 的强大推理、规划和适应能力，让智能体能够在复杂多变的任务环境中灵活应对。

例如，在一个问答场景中，智能体收到用户关于 “如何配置 AWS Lambda 函数” 的问题。首先，LLM 会根据提示理解这是一个技术配置类问题。然后，它可能会先调用一个检索工具，在知识库中查找相关的 AWS Lambda 配置文档。在获取到文档后，LLM 会分析内容，并进一步调用代码生成工具，为用户提供了一个示例代码片段。最后，LLM 将这些信息整合成一个完整的回答，包括配置步骤和代码示例，返回给用户。这一过程生动体现了 Agentic 循环如何驱动智能体动态调用工具，逐步解决问题。

智能体开发的优势与特色：高效、灵活、强大

（一）简化开发流程：从复杂到简约的跨越

与传统需要开发者手动定义复杂工作流的智能体开发框架相比，Strands 借助先进模型的原生工具使用和推理能力，实现了开发流程的简化。在以往的开发模式下，开发者需要花费大量时间设计智能体的工作流，包括如何调用工具、如何处理工具返回的结果、如何在不同步骤之间进行状态转换等。这不仅增加了开发的复杂度，还延长了开发周期。

而使用 Strands，开发者只需定义清晰的提示和工具列表，Strands 就能自动利用模型的推理能力，合理地调用工具并完成任务。从定义提示和工具，到在本地测试智能体的行为，再到将其部署到云端，整个过程可以在极短时间内完成。例如，一个原本需要数月才能从原型开发到生产部署的智能体项目，使用 Strands 后，可能只需几周甚至几天就能完成。这不仅大大提高了开发效率，还让开发者能够更快地响应市场需求，加速智能体产品的迭代和创新。

（二）高度的可扩展性：智能体功能的无限延伸

工具扩展的多元化与深度

检索工具（Retrieve Tool）：通过与 Amazon Bedrock 知识库的紧密集成，检索工具能够实现高效的语义搜索。当智能体面对海量的信息资源时，它不再是盲目地遍历所有数据，而是利用语义理解能力，精准定位与当前任务最相关的文档或知识片段。例如，在一个企业知识管理系统中，智能体可以通过检索工具快速找到与用户问题相关的技术文档、产品手册或历史案例。更进一步，对于拥有数千个工具的复杂场景，检索工具还能通过语义相似性分析，从众多工具中筛选出最适合当前任务的工具，并将其描述提供给模型。这种方式避免了向模型描述所有工具带来的信息过载问题，让智能体能够更高效地利用工具资源。思考工具（Thinking Tool）：这是智能体的 “深度思考引擎”。它促使模型进行多步分析推理，使智能体能够处理更复杂、更需要深入思考的任务。例如，在数据分析场景中，智能体需要对一组数据进行清洗、转换、分析并得出结果。思考工具会让模型逐步思考每一步操作的合理性，先判断数据是否需要清洗，再确定清洗的具体规则；在转换数据时，分析不同的转换方法对结果的影响；在分析阶段，深入挖掘数据中的潜在模式和趋势。通过这种方式，智能体能够提供更准确、更有深度的分析结果，而不是停留在表面的简单处理。多智能体工具（Multi - Agent Tools）：包括工作流、图和群体工具，它们构成了智能体的 “协同作战系统”。

对于复杂的任务，如大型项目的规划与执行、多阶段的业务流程处理等，单一智能体可能难以应对。

工作流工具可以让多个子智能体按照预定义的顺序依次执行任务，就像在一条高效的生产线上，每个子智能体负责一个特定的加工环节。

图（Graph）工具则更灵活，它允许子智能体之间根据任务的依赖关系动态调整执行顺序，形成复杂的任务处理网络。

而群体工具则模拟了群体智慧，让多个子智能体并行工作，共同解决复杂问题，例如在大规模数据标注任务中，多个子智能体可以同时处理不同的数据子集，最后汇总结果。

随着对 Agent2Agent（A2A）协议的支持即将上线，多智能体之间的协作将更加紧密和高效，进一步拓展智能体的应用边界。并且已构建的 Agent 自身，也可以作为工具来提供其他 Agent 进行调用（Agent as Tools）。

模型与工具的灵活组合：智能体的定制化魔方

按需选择模型与工具：Strands 提供了丰富的模型和工具资源，开发者可以根据具体业务场景的需求，自由选择最合适的模型和工具进行组合。例如，在处理中英文混合的文本内容时，可以选择在中文处理上表现更佳的模型，搭配专门处理文本翻译的工具；在需要快速处理图像数据的场景中，选用高效的图像识别模型，并结合图像标注工具。这种灵活的选择方式让智能体能够精准匹配各种业务需求，实现最优的任务执行效果。深度定制智能体行为：除了选择模型和工具，开发者还能够深入定制智能体的行为逻辑。你可以根据业务规则重新定义工具选择的算法，让智能体在特定情况下优先调用某些工具；调整上下文管理方式，控制智能体如何存储和利用历史对话信息，以更好地维护对话的连贯性和相关性；选择不同的会话状态和内存存储位置，平衡性能和数据安全需求。通过这些定制化操作，开发者可以打造完全符合特定业务要求的智能体，使其在实际应用中发挥最大价值。

实际应用案例：从理论到实践的蜕变

AWS 内部团队的先行实践

在 AWS 内部，多个团队已经率先将 Strands Agents 集成到生产工作流程中，并取得了显著的成效。

Amazon Q Developer 团队利用 Strands 构建了一个智能编程助手。这个助手能够理解开发者在编程过程中遇到的问题，自动调用代码示例生成工具、API 文档检索工具等，为开发者提供精准的代码解决方案和编程指导。它大大提高了开发者的编码效率，减少了查找资料和调试代码的时间。

AWS Glue 团队则将 Strands 应用于数据集成任务。智能体能够自动规划数据清洗、转换和加载的流程，调用相应的工具处理数据质量问题，优化数据转换逻辑，并将数据高效地加载到目标数据仓库中。这不仅提高了数据集成的准确性和效率，还降低了人工干预的需求，提升了整个数据处理流程的稳定性。

VPC Reachability Analyzer 团队借助 Strands 开发了一个网络故障诊断智能体。当用户报告网络连接问题时，智能体可以自动调用网络拓扑分析工具、路由表检查工具等，快速定位故障点，分析问题原因，并提供详细的解决方案。这大大缩短了网络故障的诊断和修复时间，提高了用户的网络服务质量。

智能体构建示例：亲手打造你的命名助手

让我们通过一个具体的示例，感受使用 Strands 构建智能体的魅力。假设我们要构建一个帮助开源项目命名的智能体。

首先，创建一个名为agent.py的 Python 文件。在文件中，我们引入 Strands 的相关模块，并定义使用的模型，例如 Amazon Bedrock 中的 Anthropic Claude 3.7 Sonnet 模型。接着，通过@tool装饰器定义一个简单的工具，用于生成基于项目主题的关键词列表，这将为后续的命名提供灵感。

然后，编写提示，告诉智能体我们的任务是为一个开源项目命名，项目主题是人工智能辅助开发，目标受众是全栈开发者。同时，我们还可以提供一个系统提示，要求智能体生成的名称要简洁、有吸引力，并且容易记忆。

最后，运行智能体。设置好 GitHub 个人访问令牌等必要的环境变量后，执行代码，智能体便开始工作。它会根据提示调用模型和工具，经过一系列的推理和工具调用循环，最终输出一系列符合要求的项目名称建议，如 “AI 开发精灵”“全栈智伴” 等。

以下是完整的代码示例：

from strands import Agentfrom strands.tools.mcp import MCPClientfrom strands_tools import http_requestfrom mcp import stdio_client, StdioServerParameters# Define a naming-focused system promptNAMING_SYSTEM_PROMPT = """You are an assistant that helps to name open source projects.When providing open source project name suggestions, always provideone or more available domain names and one or more available GitHuborganization names that could be used for the project.Before providing your suggestions, use your tools to validatethat the domain names are not already registered and that the GitHuborganization names are not already used."""# Load an MCP server that can determine if a domain name is availabledomain_name_tools = MCPClient(lambda: stdio_client( StdioServerParameters(command="uvx", args=["fastdomaincheck-mcp-server"])))# Use a pre-built Strands Agents tool that can make requests to GitHub# to determine if a GitHub organization name is availablegithub_tools = [http_request]with domain_name_tools: # Define the naming agent with tools and a system prompt tools = domain_name_tools.list_tools_sync() + github_tools naming_agent = Agent( system_prompt=NAMING_SYSTEM_PROMPT, tools=tools ) # Run the naming agent with the end user's prompt naming_agent("I need to name an open source project for building AI agents.Response in Chinese")

运行这段代码后，你将看到类似以下的输出：

建议的项目名称：AI 开发精灵、全栈智伴、CodeAI 助手

这个示例直观地展示了 Strands 的简洁性和强大功能，开发者只需编写少量代码，即可快速构建出实用的智能体，解决实际问题。

部署与可观测性：智能体的稳定运行与持续优化

（一）多样化的部署选项

Strands 支持多种部署目标，满足不同场景的需求。开发者可以选择在本地环境中部署智能体，这种方式提供了最大的灵活性和数据隐私保护。例如，对于一些涉及企业核心机密数据的智能体应用，本地部署确保了数据不会离开企业内部网络，开发者也能够方便地进行调试和快速迭代。

同时，Strands 也完美适配 AWS 的云服务环境，支持在 AWS Lambda、Fargate 和 EC2 等平台上部署。在 AWS Lambda 上，智能体能够根据请求量自动弹性扩展资源。当面临高并发的用户请求时，Lambda 会自动增加智能体实例的数量，快速处理任务，确保服务的稳定性和响应速度；而在请求量较低时，又会自动减少资源占用，降低运行成本。在 Fargate 容器中运行智能体，则提供了良好的隔离性和可管理性，开发者可以轻松地更新智能体版本，而不必担心底层基础设施的复杂性。EC2 则为需要长期运行、稳定计算资源的智能体应用提供了可靠的支撑。

此外，Strands 还支持四种典型的智能体架构。一种是智能体完全在本地运行，通过客户端应用与用户交互，所有工具也在本地环境中执行，这种方式适合对数据隐私和本地响应速度要求极高的场景。

智能体本地运行架构

上图展示了智能体完全在本地运行的架构。这种架构适用于需要高度数据隐私保护的场景，例如企业内部的敏感数据处理。客户端应用直接与本地运行的智能体交互，所有工具也在本地环境中执行，确保数据不会离开本地网络。

另一种是将智能体及其工具部署在 API 后端，通过网络对外提供服务，前端应用可以通过简单的 HTTP 请求调用智能体功能，便于构建面向用户的 Web 或移动应用。

智能体部署在 API 后端架构

上图展示了智能体及其工具部署在 API 后端的架构。这种架构适用于需要对外提供服务的场景，前端应用通过 HTTP 请求调用后端的智能体功能，智能体和工具都部署在云环境中，例如 AWS Lambda 或 Fargate，能够根据请求量自动扩展资源。

第三种架构将智能体循环与工具执行环境分离，智能体在 Fargate 容器中运行，而工具在 Lambda 函数中执行，这种分离实现了更好的安全性和资源优化。

智能体与工具分离部署架构

上图展示了智能体与工具分离部署的架构。智能体在 Fargate 容器中运行，而工具在 Lambda 函数中执行。这种分离实现了更好的安全性和资源优化，智能体和工具可以在不同的环境中独立扩展和管理。

最后一种是客户端负责运行部分工具的控制返回模式，智能体在服务器端运行，但部分轻量级工具在客户端执行，减少了服务器端的负载，同时降低了网络延迟。

智能体使用混合工具运行模式架构

上图展示了智能体使用混合工具运行模式的架构。智能体在服务器端运行，但部分轻量级工具在客户端执行。这种模式减少了服务器端的负载，同时降低了网络延迟，适合需要快速响应的场景。

（二）全面的可观测性

在智能体的运行过程中，可观测性至关重要。Strands 通过集成 OpenTelemetry（OTEL），为开发者提供了全方位的可观测能力。

OpenTelemetry 能够收集智能体的详细轨迹数据和各类指标，如智能体的响应时间、工具调用的频率和成功率、模型推理的耗时等。这些数据可以被发送到任何 OTEL 兼容的后端系统，进行可视化展示、深度分析和故障排查。例如，通过可视化面板，开发者可以直观地看到智能体在不同时间段的性能表现，及时发现响应时间过长或工具调用失败等问题。

分布式跟踪功能则为智能体在复杂架构中的问题定位提供了强大支持。它能够追踪一个请求在智能体循环、工具执行环境、模型推理服务等多个组件之间的流转路径，完整地呈现智能体会话的全貌。当智能体在处理某个任务时出现异常，开发者可以通过分布式跟踪快速定位问题发生的具体环节，是模型返回了不合理的结果，还是某个工具执行超时，亦或是智能体循环中的逻辑错误。借助日志记录功能，开发者还能查看智能体在处理任务时的详细操作步骤和中间结果，进一步辅助问题诊断和性能优化。

例如，通过 OpenTelemetry 收集到的数据显示，某个智能体在处理图像识别任务时，模型推理耗时较长。开发者进一步分析发现，是当前选用的模型对高分辨率图像的处理效率较低。于是，开发者可以尝试更换更高效的模型，或者对图像进行预处理降低分辨率，从而优化智能体的性能。

开源：共同塑造智能体的未来

Strands Agents SDK 的开源不仅为开发者提供了强大的工具，更催生了一个充满活力的开源社区。众多知名企业如 Anthropic、Meta 等纷纷加入，贡献代码、分享经验并提出改进建议。Anthropic 为 Strands 提供了通过其 API 使用模型的支持，加速了智能体对不同模型的兼容性开发；Meta 则贡献了 Llama 模型的集成方案，丰富了智能体的模型选择。

开发者可以通过访问 Strands 的 GitHub 仓库，轻松参与社区建设。无论是提交新的功能需求、报告潜在的软件缺陷，还是直接贡献代码优化现有功能，每一份参与都能推动 Strands 的持续进步。社区的活跃氛围和丰富资源，为智能体技术的创新和发展提供了肥沃的土壤。

随着社区的不断壮大和技术的持续演进，Strands Agents SDK 有望在更多领域展现其价值。

总结

Strands Agents SDK 凭借其清晰的模型 - 工具 - 提示分离架构、高效的模型驱动循环以及与现有 LLM 生态系统的无缝集成，为开发者呈现了一种低代码量、高定制化的智能体开发范式。它不仅解决了传统智能体开发中的复杂性和高门槛问题，还通过强大的可扩展性和灵活的部署选项，满足了多样化的企业级应用需求。

在实际案例中，AWS 内部团队的成功实践为我们提供了宝贵的参照系。命名助手示例的过程可以看到，很小的代码量就能让一个智能体运行起来，开发体验良好，学习曲线较低。而部署与可观测性相关内容，可以让我们看到智能体应用在企业级环境中稳定运行和持续优化的重要性。Strands 提供的多样化部署方式和完善的可观测性功能，为智能体的广泛应用和长期发展奠定了坚实基础。通过 OpenTelemetry 等工具，开发者能够全面掌控智能体的运行状态，及时发现并解决问题，确保智能体能够始终以最佳状态服务于业务需求。这一切极具工程落地的思考。

在 AI 技术快速演进的今天，Strands Agents SDK 无疑为智能体开发注入了新的活力。它让更多的开发者能够投身于智能体应用的创新实践，加速 AI 技术在各行业的落地生根。

除此以外，我们还可以结合之前的消息，Google Cloud Next 大会上提出 A2A 智能体协议，以及微软的Azure AI Foundry 支持 A2A 协议，加上我阅读 AWS 的文档看到，这套开源的 Agent 框架也将会支持 A2A 协议。至此，A2A 协议已被三大云计算巨头支持，思考一下，云计算的未来会有什么格局？云计算的架构会有什么变化？过去以DB 为中心的传统信息架构是否会向以AI 模型为智能中心，以Memory（DB 辅助或其他存储体如向量）为辅的Agent云的形态发展？

参考资料

AWS Open-Sources Strands Agents SDK to Simplify AI Agent Development

https://www.marktechpost.com/2025/05/17/aws-open-sources-strands-agents-sdk-to-simplify-ai-agent-development/

Introducing Strands Agents, an Open Source AI Agents SDK

https://aws.amazon.com/cn/blogs/opensource/introducing-strands-agents-an-open-source-ai-agents-sdk/

开源仓库

https://github.com/strands-agents/https://github.com/strands-agents/sdk-python

https://github.com/strands-agents/agent-builder

https://github.com/strands-agents/tools

https://github.com/strands-agents/mcp-server

https://github.com/strands-agents/samples

https://github.com/strands-agents/docs