Strands Agents SDK：让 AI Agent 开发回归本质

一段代码，开启你的第一个 AI 代理

想象这样一个场景：你在凌晨两点需要让 AI 自动化完成一项复杂的数据分析任务——它需要先联网查询数据，再用计算器处理数字，最后把结果写入文件。传统框架下，这个需求可能需要写几百行配置和编排代码。但在 Strands Agents 里，你只需要这样几行：

from strands import Agent
from strands_tools import calculator, http_request, file_writer

agent = Agent(tools=[calculator, http_request, file_writer])
agent("帮我查询北京今天的PM2.5，计算同比增长，并把结果写入报告.md")

这就是 Strands Agents 带给 AI 开发者的核心价值——极简而不简陋，用最少的代码解锁最强的能力。

背景：AWS 为何推出这款开源 Agent 框架？

2025 年 5 月，AWS 在旗下多个产品中大规模应用了自研的 AI Agent 技术，包括 Amazon Q Developer（代码辅助）、AWS Glue（数据集成）和 VPC Reachability Analyzer（网络分析）等。这些系统在生产环境中经历了严苛考验，最终 AWS 将其核心框架开源，便诞生了 Strands Agents。

Strands 的设计哲学与主流 Agent 框架有本质区别。LangChain、AutoGPT 等框架采用"工作流优先"（workflow-first）路线——需要开发者预先定义好 Agent 的行为路径和决策树。而 Strands 反其道而行，提出**"模型驱动"**（model-driven）路线：信任大模型的推理和规划能力，让模型自主决定何时调用工具、如何串联思考，开发者只需定义角色定位（prompt）和可用工具（tools）。

这种理念与 2024-2025 年大模型能力跃升的背景高度吻合——Claude 4、GPT-4o 等模型的多步推理能力已足够可靠，"硬编码工作流"反而成了瓶颈。

图1：Strands Agents 官方 Logo（来源：strandsagents.com）

技术架构：三层模块化的力量

Strands Agents 采用 monorepo 结构，同时维护 Python SDK（strands-py）和 TypeScript SDK（strands-ts），配套 strandly 开发 CLI 工具：

harness-sdk/
├── strands-py/         # Python SDK（主战场）
│   └── src/strands/
│       ├── agent/      # 核心 Agent 循环（77KB 单文件）
│       ├── models/     # 模型提供者（Bedrock、OpenAI、Gemini...）
│       ├── tools/      # 工具注册与执行系统
│       ├── event_loop/ # 事件循环与重试策略
│       ├── multiagent/ # 多 Agent 编排（A2A 协议、图模式）
│       ├── session/    # 会话持久化（文件/S3）
│       ├── telemetry/  # OpenTelemetry 可观测性
│       └── memory/     # 记忆系统
├── strands-ts/        # TypeScript SDK（完整功能对等）
└── strandly/          # 开发 CLI（本地构建、格式化）

Agent 核心循环的工作原理

Agent 是整个 SDK 的心脏，核心文件 agent.py 达 77KB，实现了一个精巧的"思考-行动-观察"循环：

1. 用户输入：自然语言指令或直接工具调用
2. 模型推理：调用配置的大模型（如 Claude 3.5），模型决定使用哪个工具
3. 工具执行：通过 @tool 装饰器注册的工具被安全执行
4. 结果反馈：执行结果返回模型，触发下一轮推理
5. 终止判断：模型决定任务完成或需要继续

这个循环的核心设计理念是让模型掌舵，而不是用硬编码的 if-else 逻辑约束 Agent 的行为。

图2：Strands Agent 执行循环（来源：AWS Open Source Blog）

工具系统：Pythonic 的优雅与安全

Strands Agents 的工具系统极为简洁，采用 Python 装饰器模式：

from strands import tool

@tool
def calculator(expression: str) -> str:
    """执行数学计算，返回结果"""
    try:
        result = eval(expression, {"__builtins__": {}}, {})
        return str(result)
    except Exception as e:
        return f"计算错误: {e}"

这个设计有两大亮点：

• Pydantic 集成：通过 convert_pydantic_to_tool_spec，开发者可以直接用 Pydantic 模型定义复杂工具的输入输出，无需手动写 JSON Schema
• 热重载：工具代码修改后自动重载，无需重启 Agent

MCP（Model Context Protocol）原生支持

Strands 还内置了对 MCP 的完整支持。MCP 是 Anthropic 主导的开放协议，旨在标准化 AI 模型与外部工具/数据源的连接。通过 MCP，Strands Agent 可以访问数千种预建工具，涵盖数据库查询、API 调用、文件操作等场景。

模型无关性：真正打通多云

Strands Agents 不绑定任何单一模型提供商。通过抽象的 Model 基类，用户可以自由切换底层模型：

模型提供商	安装命令	说明
Amazon Bedrock	pip install strands-agents[all]	默认选项，AWS 凭证自动配置
Anthropic Claude	pip install strands-agents[anthropic]	Claude 系列模型
OpenAI GPT	pip install strands-agents[openai]	GPT-4o 等
Google Gemini	pip install strands-agents[gemini]	Gemini 1.5/2.0
Ollama（本地）	pip install strands-agents[ollama]	完全本地化部署
LiteLLM	pip install strands-agents[litellm]	统一网关，代理任意模型

这种模型无关性在企业场景中极为重要——企业可以根据成本、合规和性能需求，随时在不同模型之间切换，无需重写业务逻辑。

多 Agent 编排：从单兵作战到团队协作

当单 Agent 不足以处理复杂任务时，Strands 提供了多种多 Agent 编排模式：

A2A（Agent-to-Agent）协议

Strands 原生支持 Anthropic 的 A2A 协议，允许不同 Agent 之间互相通信、分工协作。每个 Agent 可以有自己的角色、工具集和知识库。

图模式（Graph Patterns）

Strands 还支持图结构的多 Agent 编排，可以定义有向无环图（DAG）式的 Agent 执行拓扑，实现复杂的企业工作流。

生产就绪：可观测性与安全

Strands Agents 从一开始就为生产环境设计，内置了完整的企业级功能：

OpenTelemetry 可观测性：所有 Agent 操作（工具调用、模型推理、会话状态）均自动生成 trace 和 metrics，对接 Jaeger、DataDog、AWS X-Ray 等主流 APM 平台。

会话持久化：默认内存会话，可选文件存储或 AWS S3 存储，支持 Agent 跨会话恢复上下文。

Human-in-the-Loop（HITL）：内置人工干预机制，允许在 Agent 执行过程中暂停、审核和修改决策，适用于高风险场景。

Cedar 策略引擎：可选集成 AWS Cedar 细粒度权限控制，精确管控每个 Agent 能访问哪些资源。

TypeScript SDK：全功能对等覆盖

Strands-ts 是与 strands-py 完全功能对等的 TypeScript 实现，发布在 npm（@strands-agents/sdk），为 Node.js 和浏览器环境提供相同的 Agent 开发能力。TypeScript 版本还内置了浏览器环境专用的 vended-tools（bash 沙箱、文件编辑器、HTTP 请求、Notebook）。

局限与争议

Strands Agents 并非完美，以下几点值得潜在使用者注意：

1. 无容器化支持：虽然安装极简，但项目不提供 Dockerfile 或 docker-compose，对于需要隔离部署环境的团队来说增加了复杂度
2. 过度依赖模型能力：模型驱动意味着系统的稳定性和上限高度依赖底层模型的推理质量，在模型能力较弱的场景（如某些本地部署的开源模型）可能表现不佳
3. 相对年轻：项目创建于 2025 年 5 月，截至分析时仅运营约 14 个月，生态系统（第三方工具、社区）仍在成长中，生态丰富度不及 LangChain
4. AWS 强绑定：默认配置面向 AWS Bedrock，AWS 凭证配置有一定学习成本，对非 AWS 用户不够友好

行业意义：简单才是企业级

Strands Agents 的出现代表了 AI Agent 框架发展的一个新方向：从"框架复杂化"转向"简单可依赖"。

2023-2024 年的 Agent 框架浪潮中，很多项目走向了"过度工程化"——为了覆盖所有场景，框架变得越来越重，配置项越来越多，学习曲线陡峭。而 Strands 的做法是做减法：只保留 Agent 运行所必需的核心，把扩展能力留给插件和工具生态。

AWS 本身作为全球最大云服务商的身份，也为 Strands 带来了天然的企业级信任背书——其内部已有多个产品在生产环境中验证过这套框架的可靠性。从这个角度看，Strands Agents 可能是目前最接近"开箱即用"且"久经沙场"的开源 Agent 开发框架。