samples

Strands Agents Samples：AWS 开源的 AI Agent 开发框架示例集

背景：为什么需要 Strands Agents？

2024 年，AWS 团队在内部构建 Agent 系统时，面临一个普遍困境：团队成员想要快速验证"大模型能否自动化完成某个业务流程"，但每次都要从零搭建 Agent 循环（LLM Call → 解析输出 → 调用工具 → 循环决策）。这阻碍了创新速度。

于是，AWS 团队决定将内部框架开源，发布了 Strands Agents ——一个模型驱动（model-driven）的 Agent 开发 SDK。简单来说，它让开发者用几行代码就能搭起一个完整的 Agent 循环，而不必关心底层的状态管理、工具注册、对话窗口等繁琐细节。

samples 仓库就是这个 SDK 的官方示例合集，由 AWS 团队维护，展示了从入门到生产部署的全链路最佳实践。

核心功能：8 大场景示例覆盖 Agent 开发全流程

samples 仓库按难度和用途划分为 8 个目录，结构清晰：

01-learn（入门基础）
学习路径从最简单的单 Agent 开始，逐步引入工具调用、MCP 协议、多模型提供商、流式输出、Guardrails（输出安全过滤）、记忆机制、AWS 服务集成、可观测性（OpenTelemetry）和双向流式传输（Bidi Streaming）。每一个子目录对应一个独立主题，配有详细的 Jupyter Notebook 和 README 说明文档。

例如 01-first-agent/02-simple-interactive-usecase 中的 recipe_bot.py 完整展示了一个菜谱助手 Agent的实现方式：只需约 50 行 Python 代码，定义一个 @tool 装饰的搜索函数，实例化 Agent 并传入 system prompt，一个能联网搜索菜谱的对话 Agent 就完成了。

02-deploy（生产部署）
AWS 官方提供了三种部署模式：

• AWS Lambda：无服务器函数部署，适合事件驱动型 Agent
• AWS Fargate：容器化无服务器运行，适合需要持久状态的 Agent
• Amazon Bedrock AgentCore：AWS Bedrock 平台专用运行时，支持更高级的生产级编排

每种部署模式都配有 CDK（Cloud Development Kit）基础设施代码和部署脚本，开发者只需配置 AWS 凭证即可一键部署。

03-integrate（集成扩展）
展示如何将 Strands Agent 与外部系统集成，例如 MCP Server、第三方 API 等。

04-industry-use-cases（行业用例）
涵盖实际行业场景，例如客服自动化、数据分析、工作流编排等垂直领域应用。

05-technical-use-cases（技术用例）
深入技术细节，例如代码生成、复杂推理、长文本处理等技术向场景。

06-evaluate（效果评估）
提供 Agent 性能和质量评估的实验框架。

07-ux-demos（用户界面演示）
包含多种 UX 形态的参考实现：

• streamlit-template：基于 Streamlit 的 Web 可视化界面，配合 AWS CDK 一键部署到云端，目录内含 Dockerfile + docker-compose.yml
• slack-assistant：Slack 频道集成
• human-in-the-loop-approval-agent：人机协作审批流程
• video-games-sales-assistant：数据分析和 BI 可视化

08-edge（边缘部署）
探索 Edge 场景下的 Agent 部署，可能涉及端侧推理或离线运行环境。

技术架构：分层模块化设计

Strands Agents SDK 的 Python 核心位于 strands-py/src/strands/ 目录，采用清晰的模块化分层架构：

核心层（agent/）
Agent 是入口类，内部实现了完整的 Agent 循环：接收用户输入 → 调用 LLM → 解析工具调用决策 → 执行工具 → 将结果反馈给 LLM 继续循环，直到 Agent 输出最终回复。SDK 支持四种对话管理器：

• NullConversationManager：无历史记忆，适合一次性任务
• SlidingWindowConversationManager：固定窗口大小，超出后丢弃旧消息
• SummarizingConversationManager：超出窗口后自动摘要，保持上下文完整

工具层（tools/）
通过 @tool 装饰器注册任意 Python 函数为 Agent 可调用工具，兼容 MCP（Model Context Protocol）标准协议。工具可以是本地函数，也可以是远程 MCP Server。官方 strands-agents/tools 仓库（1092★）提供了常用工具集（搜索、计算、文件操作等）。

模型层（models/）
不绑定特定 LLM 提供商，支持：

• OpenAI GPT 系列
• Anthropic Claude 系列
• AWS Bedrock（Claude、Llama、Titan 等）
• 本地模型（Ollama）
• LiteLLM 统一接口（访问 100+ 种模型）

开发者只需切换 model_provider 配置，即可让同一个 Agent 使用不同后端模型。

扩展层（memory/、multiagent/、plugins/、sandbox/）

• memory：持久化记忆模块，支持长期上下文
• multiagent：多 Agent 协作框架，支持 A2A（Agent-to-Agent）协议
• plugins：插件化扩展机制
• sandbox：代码执行沙箱，安全运行 Agent 生成的代码

部署评估：一键安装，部分场景云端依赖

samples 仓库本身是示例合集而非独立应用，因此部署评估需分场景讨论：

Python SDK 层面：通过 pip 可一键安装（pip install strands-agents），核心依赖仅 Python 3.10+ 和标准库，无 GPU 要求，1GB RAM + 500MB 磁盘即可运行基础 Agent。

Web UI 层面：streamlit-template 提供了完整的 Streamlit Web 应用模板，内含 Dockerfile 和 docker-compose.yml，可本地 Docker 快速启动。AWS CDK 模板支持一键部署到 AWS 云端。

生产部署层面：Lambda/Fargate/AgentCore 部署方案成熟，但需要 AWS 账号和正确配置的 IAM 权限，适合有云基础设施的团队。

整体部署难度评为"简单"——入门级 Agent 可在 10 分钟内本地运行；生产级云端部署需要额外配置 AWS 环境。

局限与注意事项

1. 示例非生产代码
README 明确声明："examples in this repository are for demonstration and educational purposes only"，samples 仓的代码未经生产级安全审计，直接用于生产环境存在风险。

2. AWS 强绑定
大量示例和工具链与 AWS 服务深度集成（Bedrock、S3、Lambda、Fargate），非 AWS 用户需自行适配。

3. 依赖于主 SDK
samples 仓本身没有核心逻辑，价值完全依附于 strands-agents/sdk-python（6176★）这个主 SDK，理解 SDK 本身才是关键。

4. 文档质量依赖官方维护
samples 仓是主 SDK 的配套示例，非核心代码库，更新频率与 SDK 保持一致但可能存在同步延迟。

行业意义：降低 Agent 开发门槛

Strands Agents 的设计哲学是**"模型驱动"**——不预设 Agent 的行为模式，而是让 LLM 的输出直接驱动 Agent 的决策流程。这种设计使框架高度灵活，能够适应从简单问答到复杂多步骤推理的各类场景。

samples 仓库作为官方最佳实践库，对于想要快速入门 Agent 开发的工程师而言，是一份结构清晰、内容权威的学习资源。它减少了开发者在框架选型和架构设计上的试错成本，让团队能够更快地将 AI Agent 原型转化为实际产品。

父项目 sdk-python 目前已获得 6176 颗 GitHub Stars，表明 Strands Agents 已获得开发者社群的广泛认可。作为 AWS 官方支持的框架，它在企业级 AI 应用场景中具有独特的信任背书优势。