Strands Agents

一种以模型驱动（model-driven）的方法，只需几行代码即可构建 AI Agent。

文档 ◆ 示例 ◆ 工具 ◆ Agent 构建器 ◆ MCP Server

Strands Agents 是一个简洁而强大的 SDK，采用模型驱动的方法来构建和运行 AI Agent。从简单的对话助手到复杂的自主工作流，从本地开发到生产环境部署，Strands Agents 都能根据您的需求进行扩展。

此 Monorepo 包含 Python SDK、TypeScript SDK、文档站点及相关支持包：

目录	描述
strands-py/	Python SDK — Agent 循环、模型提供商、工具 (PyPI)
strands-ts/	TypeScript SDK — Agent 循环、模型提供商、工具 (npm)
strands-wasm/	用于从 TypeScript Agent 运行 Python 工具的 WebAssembly 绑定
strands-py-wasm/	用于 WASM 组件的 Python 主机（连接 WIT 接口与 Python）
strandly/	用于本地构建、代码生成和工作区工具的开发者 CLI
site/	使用 Astro/Starlight 构建的文档站点 (strandsagents.com)
designs/	针对重大功能的设计方案 (RFC 风格)

功能概览

• 轻量且灵活：简单的 Agent 循环，开箱即用且完全可定制。
• 模型无关 (Model Agnostic)：支持 Amazon Bedrock、Anthropic、Gemini、LiteLLM、Llama、Ollama、OpenAI、Writer 以及自定义提供商。
• 高级能力：支持多 Agent 系统、自主 Agent 和流式输出。
• 内置 MCP：原生支持 Model Context Protocol (MCP) 服务器，可访问数千种预构建工具。

快速入门

# 安装 Strands Agents
pip install strands-agents strands-agents-tools

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

注意：对于默认的 Amazon Bedrock 模型提供商，您需要配置 AWS 凭证，并在 us-west-2 区域启用 Claude 4 Sonnet 的模型访问权限。有关配置其他模型提供商的详细信息，请参阅快速入门指南。

安装

确保已安装 Python 3.10+，然后执行：

# 创建并激活虚拟环境
python -m venv .venv
source .venv/bin/activate  # Windows 用户请使用: .venv\Scripts\activate

# 安装 Strands 及工具
pip install strands-agents strands-agents-tools

功能一览

基于 Python 的工具

使用 Python 装饰器轻松构建工具：

from strands import Agent, tool

@tool
def word_count(text: str) -> int:
    """计算文本中的单词数。

    LLM 会使用此 docstring 来理解工具的用途。
    """
    return len(text.split())

agent = Agent(tools=[word_count])
response = agent("How many words are in this sentence?")

目录热重载 (Hot Reloading)： 启用从 ./tools/ 目录自动加载和重载工具：

from strands import Agent

# Agent 将监控 ./tools/ 目录的变化
agent = Agent(load_tools_from_directory=True)
response = agent("Use any tools you find in the tools directory")

MCP 支持

无缝集成 Model Context Protocol (MCP) 服务器：

from strands import Agent
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"]))
)

with aws_docs_client:
   agent = Agent(tools=aws_docs_client.list_tools_sync())
   response = agent("Tell me about Amazon Bedrock and how to use it with Python")

多种模型提供商

支持各种模型提供商：

from strands import Agent
from strands.models import BedrockModel
from strands.models.ollama import OllamaModel
from strands.models.llamaapi import LlamaAPIModel
from strands.models.gemini import GeminiModel
from strands.models.llamacpp import LlamaCppModel

# Bedrock
bedrock_model = BedrockModel(
  model_id="us.amazon.nova-pro-v1:0",
  temperature=0.3,
  streaming=True, # 启用/禁用流式输出
)
agent = Agent(model=bedrock_model)
agent("Tell me about Agentic AI")

# Google Gemini
gemini_model = GeminiModel(
  client_args={
    "api_key": "your_gemini_api_key",
  },
  model_id="gemini-2.5-flash",
  params={"temperature": 0.7}
)
agent = Agent(model=gemini_model)
agent("Tell me about Agentic AI")

# Ollama
ollama_model = OllamaModel(
  host="http://localhost:11434",
  model_id="llama3"
)
agent = Agent(model=ollama_model)
agent("Tell me about Agentic AI")

# Llama API
llama_model = LlamaAPIModel(
    model_id="Llama-4-Maverick-17B-128E-Instruct-FP8",
)
agent = Agent(model=llama_model)
response = agent("Tell me about Agentic AI")