Strands Agents: AWS 官方 AI Agent 开发框架，让智能体开发像搭积木一样简单

想象一下：你只需要写十几行 Python 代码，就能让 AI 拥有搜索网页、执行计算、读写文件甚至调用 MCP 工具的能力——这不是魔法，而是 Strands Agents 正在做的事。

从一个「计算器」说起：什么是 Strands Agents

大多数人对 AI Agent 的印象，还停留在「需要一个庞大的代码库、复杂的配置、大量工程经验」才能搭建。但在 Strands 的世界里，一切从简。安装 SDK 后，只需要这样一段代码，就能运行一个带工具调用能力的 AI Agent：

from strands import Agent
from strands_tools import calculator
agent = Agent(tools=[calculator])
agent("What is the square root of 1764")

运行后，Agent 会自动理解「计算器」这个工具的用途，在需要时调用它，返回正确结果。这就是 Strands 倡导的「Model-Driven」核心理念：不要用繁琐的配置束缚模型，让模型自己驱动行为。

背景故事：AWS 为什么要做 Agent 框架？

Strands Agents 由 AWS（亚马逊云服务）官方维护，诞生于 2025 年中。这是一个多语言 monorepo 仓库，包含 Python SDK、TypeScript SDK、WebAssembly 绑定以及配套的文档站点。截至分析时，仓库已有超过 5982 颗星，857 个 Fork，5 位核心贡献者，发布了 v1.41.0 版本（2026年5月21日）。

AWS 推出 Strands 的背景很清晰：在 Claude、GPT 等大语言模型能力飞速提升的当下，如何让开发者快速将模型能力封装成可部署的智能体应用，成为刚需。LangChain 虽然功能丰富，但学习曲线陡峭；相比之下，Strands 刻意追求简洁，让 Agent 开发回归本质——定义工具 + 选择模型 + 交给 Agent。

核心技术架构：一核心、多扩展、插件化

Agent Loop：事件驱动引擎

Strands 的 Agent 核心是一个事件循环（Event Loop），从 strands-py/src/strands/ 目录的代码结构可以看出，整个框架高度模块化：

• agent/ — Agent 主循环与状态管理（agent.py、base.py、state.py）
• models/ — 多模型接入层（Bedrock、Anthropic、Gemini、Ollama、LiteLLM 等）
• tools/ — 工具系统（Python 装饰器 @tool 定义工具）
• multiagent/ — 多 Agent 协作
• session/ — 会话状态管理
• telemetry/ — 可观测性（OpenTelemetry 集成）
• plugins/ — 插件扩展系统

模型无关性：不是绑定，是真正的多厂商支持

Strands 支持 12+ 种模型提供商，默认是 Amazon Bedrock（Claude on AWS）。但这不是绑定——通过可选依赖，你可以自由切换：

模型	接入方式	备注
Amazon Bedrock	BedrockModel（默认）	Claude 4 Sonnet 等
Anthropic	pip install strands-agents[anthropic]	直连 API
Google Gemini	pip install strands-agents[gemini]	Gemini 2.5 Flash 等
OpenAI	pip install strands-agents[openai]	GPT-4o 等
Ollama	pip install strands-agents[ollama]	本地模型
LiteLLM	pip install strands-agents[litellm]	统一网关

这种设计意味着：你可以在本地用 Ollama 调试，开发完成后无缝切换到 Bedrock 生产部署，代码几乎不需要改动。

工具系统：Python 装饰器 + 热加载

Strands 的工具系统设计得非常优雅。使用 @tool 装饰器，任意 Python 函数即可成为 Agent 可调用的工具：

from strands import Agent, tool

@tool
def word_count(text: str) -> int:
    """Count words in text. This docstring is used by the LLM."""
    return len(text.split())

agent = Agent(tools=[word_count])

更方便的是，Strands 支持热加载：load_tools_from_directory=True 可以让 Agent 自动监控 ./tools/ 目录，文件改动后自动重载，开发体验对标 Next.js 的 HMR（热模块替换）。

MCP 协议：连接数千个预置工具

Strands 内置了 Model Context Protocol（MCP）客户端。通过 MCP，Agent 可以直接调用 AWS 官方文档 MCP Server 等数千个社区预置工具，而无需自己实现：

from strands.tools.mcp import MCPClient
from mcp import stdio_client, StdioServerParameters

aws_docs_client = MCPClient(
    lambda: stdio_client(StdioServerParameters(
        command="uvx", args=["awslabs.aws-documentation-mcp-server@latest"]
    ))
)

双向流式交互：语音+文本实时对话

Strands 的 BidiAgent（实验性）支持双向流式交互：模型可以边思考边输出，用户可以随时打断、补充输入。目前支持 Amazon Nova Sonic v1/v2、Google Gemini Live、OpenAI Realtime API。

代码质量：高标准、测试完善

Strands 的代码质量在开源 Agent 框架中属于较高水准：

• 测试覆盖率：完整的单元测试（tests/）+ 集成测试（tests_integ/）
• 类型检查：pyright 严格模式，Python 3.10+ 所有类型注解齐全
• 代码规范：ruff lint + isort + pyupgrade，多阶段格式化
• 预提交钩子：pre-commit 配置完善，防止低质量代码入库
• 文档质量：独立文档站点 strandsagents.com，详细的 Quickstart 和 API 参考
• 安全实践： SECURITY.md、CODE_OF_CONDUCT.md、依赖管理（Dependabot）

pyproject.toml 显示依赖管理非常严格：每个依赖都限定了版本范围（如 boto3>=1.26.0,<2.0.0），避免升级破坏兼容性。

上手体验：极低门槛，快速见效

对于 AI 爱好者：

Strands 提供了 strands-agents-tools 预置工具包，包含计算器、网页搜索、终端命令等常用工具。安装后直接 import 即可使用，无需了解底层原理。

对于 AI 开发者：

如果你习惯自己造轮子，@tool 装饰器让自定义工具变得异常简单。配合热加载，开发 Agent 工具的体验接近 TDD：写工具函数 → 扔进 ./tools/ → Agent 自动发现 → 直接调用。

局限与争议：没有银弹

需要客观指出 Strands 的一些局限：

1. 不是 RAG 框架：Strands 专注于 Agent 编排，不提供向量数据库或检索能力。RAG 场景需要配合 LangChain/LlamaIndex 等。

2. 默认依赖 AWS：虽然支持多模型，但默认 provider 是 Bedrock，新用户需要理解 AWS 凭证配置和区域限制。

3. 无 Docker 支持：纯 pip 安装，无容器化部署选项。对于需要环境隔离的生产场景，需要自己处理。

4. 实验性功能风险：BidiAgent 等高级特性标注为「Experimental」，API 可能随时变更，不适合生产环境直接依赖。

行业意义与趋势

Strands 的出现，折射出 AI Agent 开发领域的一个趋势：从「什么都支持」向「做得少但做精」转变。LangChain 的复杂性让很多新手望而却步，而 Strands 通过刻意做减法，降低了 Agent 开发的心理门槛。

同时，Strands 对 MCP 协议的原生支持，显示出它押注于「工具生态」而非「自己造工具」。随着 MCP 社区工具的丰富，Strands 可以成为连接模型与工具的最佳中间层。

增长数据也印证了这一点：从 2025 年 5 月仓库创建，到 2026 年 5 月已有近 6000 星、857 Fork、532 个 open issue（说明社区活跃度高），显示出强劲的发展势头。

---

本文基于 GitHub 仓库 v1.41.0 版本分析生成，数据来源：GitHub API、README.md、pyproject.toml