OKEx_For Android
284.39MB · 2025-09-16
在当前的 AI 开发领域，构建能够与外部系统交互、处理复杂工作流并维护上下文对话的智能体（Agent）已成为新的前沿。然而，许多现有框架要求开发者定义复杂的“链”或固定的工作流，这在一定程度上限制了 Agent 的灵活性。
Strands 是一个开源的 Python SDK，它为此提供了一种新的思路：模型驱动（model-driven） 。其核心理念是，与其为 Agent 硬编码一套复杂的执行逻辑，不如充分利用现代大语言模型（LLM）强大的原生推理和规划能力。开发者只需为 Agent 提供一个模型（大脑）、一套工具（双手）和一个提示（任务），剩下的规划、推理和工具调用过程则交由模型自主完成。
接下来一起探讨一下 Strands 框架的技术细节，从其核心架构、工作原理到具体的代码实现，为你展示如何利用这个框架来加速 AI Agent 的开发与部署。
一个 Strands Agent 由三个基本组件构成：
模型 (The Model) ：作为 Agent 的“大脑”，负责推理和决策。Strands 的设计是模型无关的，支持多种模型提供方，给予了开发者极大的灵活性 ：
工具 (The Tools) ：这些是 Agent 用来与外部世界交互并执行具体操作的能力。任何 Python 函数都可以通过一个简单的装饰器 @tool 变成 Agent 可用的工具。此外，Agent 也可以使用遵循模型上下文协议（Model Context Protocol, MCP）的工具服务器。
提示 (The Prompt) ：这是用自然语言下达给 Agent 的指令，定义了它需要完成的任务。通常包括用于设定其角色和行为准则的系统提示，以及用户输入的具体任务用户提示。
这三个组件协同工作的机制被称为“智能循环”（Agentic Loop）。
“智能循环”是 Strands 框架的核心运行机制。它并非一套预设的规则，而是一个利用 LLM 自身能力进行动态决策的迭代过程 ：
分析上下文：Strands 将当前的用户提示、完整的对话历史以及所有可用工具的描述打包。调用 LLM：将打包好的上下文发送给选定的 LLM，请求其规划下一步行动。我通过一个完整的例子来展示如何安装 Strands 并构建一个具备多种工具的 Agent。
要用亚马逊云科技的服务，首先得有一个账号，这很合理吧～
说起亚马逊云科技的服务就不得不提最近的一个免费套餐升级——Free Tier 2.0
相比起之前的免费套餐，这次升级了以下内容：
需要注意的是，该套餐不支持北京与宁夏区域使用。
首先，你需要一个 Python 3.10 或更高版本的环境。然后，创建并激活一个虚拟环境 ：
# 创建虚拟环境
python -m venv.venv
# 激活虚拟环境 (Linux/macOS)
source.venv/bin/activate
# 激活虚拟环境 (Windows)
#.venvScriptsactivate.bat
接下来，安装 Strands 核心库、官方工具集和构建工具 ：
pip install strands-agents strands-agents-tools strands-agents-builder
创建一个 Python 文件（例如 my_agent.py），我们将在这里定义一个自定义工具，并将其与一些内置工具一起提供给 Agent。
下面的代码示例创建了一个可以模拟掷骰子的自定义工具 roll_dice，并结合了内置的计算器、当前时间查询和 Python 代码执行器工具。
from strands import Agent, tool
import random
from strands_tools import calculator, current_time, python_repl
# 1. 使用 @tool 装饰器定义一个自定义工具
@tool
def roll_dice(sides: int):
"""
模拟一个指定面数的骰子。
文档字符串 (docstring) 对 LLM 理解工具功能至关重要。
Args:
sides: 骰子的面数。
Returns:
一个介于 1 和指定面数之间的随机整数。
"""
return random.randint(1, sides)
# 2. 创建 Agent 实例，并通过列表传入所有可用工具
agent = Agent(
tools=[calculator, current_time, python_repl, roll_dice]
)
# 3. 定义一个需要多种工具协作完成的复杂任务
message = """
我有4个请求:
1. 现在是什么时间?
2. 计算 3111696 / 74088 的结果。
3. 掷一个20面的骰子。
4. 输出一个 Python 脚本来完成我们刚刚讨论的所有事情！
在输出脚本之前，请使用你的 Python 工具来确认脚本可以正常工作。
"""
# 4. 将任务交给 Agent 执行
agent(message)
在这个例子中，@tool 装饰器自动将 roll_dice 函数转换为 LLM 可以理解和调用的格式。函数签名中的类型提示（sides: int）和详细的文档字符串对于帮助 LLM 准确地使用该工具至关重要。
运行此脚本 (python my_agent.py)，你将看到 Agent 会依次调用 current_time、calculator、roll_dice 和 python_repl 工具来完成所有请求，并最终生成一个可执行的脚本。
Strands 默认会尝试使用 Amazon Bedrock 上的 Claude 3.7 Sonnet 模型。但你可以轻松地将其配置为使用其他模型。
如果你想明确指定模型 ID 或区域，可以这样做 ：
from strands import Agent
from strands.models import BedrockModel
# 配置 Bedrock 模型
bedrock_model = BedrockModel(
model_id="anthropic.claude-3-sonnet-20240229-v1:0", # 示例模型 ID
region_name='us-west-2',
temperature=0.3,
)
agent = Agent(model=bedrock_model)
首先需要安装相应的依赖：pip install 'strands-agents[anthropic]'。
from strands.models import AnthropicModel
anthropic_model = AnthropicModel(
client_args={
"api_key": "<YOUR_ANTHROPIC_API_KEY>",
},
max_tokens=1024,
model_id="claude-3-opus-20240229", # 示例模型 ID
params={
"temperature": 0.7,
}
)
# agent = Agent(model=anthropic_model)
对于本地开发，使用 Ollama 非常方便。首先安装依赖：pip install 'strands-agents[ollama]'。
from strands.models import OllamaModel
ollama_model = OllamaModel(
host="http://localhost:11434",
model_id="llama3" # 确保你本地已拉取该模型
)
# agent = Agent(model=ollama_model)
在开发过程中，理解 Agent 的内部决策过程至关重要。Strands 内置了对日志记录的支持，可以轻松开启详细的调试信息。
import logging
from strands import Agent
# 激活 Strands 的 DEBUG 级别日志
logging.getLogger("strands").setLevel(logging.DEBUG)
logging.basicConfig(
format="%(levelname)s | %(name)s | %(message)s",
handlers=
)
agent = Agent
agent("Hello!")
运行以上代码，你将在控制台看到 Agent 循环的每一步，包括模型输入、工具选择、工具调用和返回结果等详细信息，这对于调试和优化 Agent 的行为非常有帮助。
以上就是本文的全部内容啦。最后提醒一下各位工友，如果后续不再使用相关服务，别忘了在控制台关闭，避免超出免费额度产生费用～
284.39MB · 2025-09-16
282.76MB · 2025-09-16
284.48MB · 2025-09-16
