从任务执行者到真正智能：AWS Strands 彻底变革 AI Agent 开发

AI Agent，尤其是基于大模型的 Agent，正成为技术领域的热点。然而，一个令人不安的现实是，我们构建的许多“智能”Agent，在生产环境中，往往只是披着智能外衣的 任务执行者 (Task Runners)。它们可能在演示中表现出色，但在实际应用中却显得力不从心。本文将深入探讨这一问题，并介绍 AWS 推出的 Strands Agents SDK，它提供了一种全新的 模型驱动 (Model-Driven) 方法，旨在让 Agent 真正变得智能，而不仅仅是执行预设的任务。

AI Agent 开发的痛点：过于复杂的 Workflow

当前主流的 AI Agent 开发框架，例如 LangChain 和 AutoGen，在一定程度上解决了 Agent 的编排和协作问题。但是，它们也引入了新的复杂性。很多框架都依赖于复杂的 Workflow 和状态机，使得 Agent 将大量时间花费在导航流程上，而不是解决实际问题。例如，LangGraph 允许开发者精细地控制 Agent 的行为，但同时也要求开发者具备深厚的图论知识，才能理解和调试复杂的流程。这种过度工程 (Overengineering) 的方法，虽然提供了看似强大的控制能力，却牺牲了开发效率和可维护性。此外，一些框架侧重于模拟多 Agent 之间的对话，虽然在演示中效果很好，但在处理实际任务时却难以胜任。

Strands Agents：模型驱动的革命性方法

AWS Strands Agents SDK 采用了一种截然不同的 模型驱动 (Model-Driven) 方法。它放弃了复杂的 Workflow 和状态机，转而信任大模型本身的推理能力。Strands 的核心理念可以用一个简单的架构概括：两个线程协同工作，一个是 模型 (Model)，负责推理和决策；另一个是 工具 (Tools)，负责执行动作。这种简洁的设计，极大地简化了 Agent 的开发过程。

from strands import Agent

# 创建 Agent 实例
agent = Agent()

# 发送请求，分析客户反馈
response = agent("Help me analyze our customer feedback")

上述代码展示了使用 Strands 创建 Agent 并执行任务的简洁性。开发者只需要实例化一个 Agent 对象，并向其发送自然语言指令，Agent 就会自动选择合适的工具，完成任务。这种 模型驱动 (Model-Driven) 的方法，将 Agent 的核心智能放在了大模型本身，而不是复杂的流程编排上。

AWS 内部使用 Strands Agents 构建了 Q CLI 工具，并在短短三周内完成了开发。这充分证明了 Strands 的高效性和实用性。相比之下，很多团队可能需要花费更长的时间，仅仅是为了确定命名规范。

三大能力：区分真正智能 Agent 与任务执行者

通过实验和研究，我们总结出区分真正智能 Agent 和 任务执行者 (Task Runners) 的三个关键能力：

自学习指令 (Self-Improving Instructions)：智能 Agent 不仅仅是执行预设的指令，而是能够根据经验不断改进自身的方法。Strands 允许 Agent 动态更新自己的 System Prompt，从而将学习到的知识融入到自身的行为模式中。

from strands import Agent, tool
import os
from datetime import datetime

@tool
def adaptive_prompt_manager(action: str, learning: str = "", context: str = "experience") -> str:
    """Agent dynamically updates its own system prompt."""
    current_prompt = os.getenv("SYSTEM_PROMPT", "")
    if action == "update":
        # Integrate learned knowledge into prompt
        timestamp = datetime.now().strftime("%Y-%m-%d")
        learning_entry = f"\n\n[LEARNED-{timestamp}] {context.upper()}: {learning}"
        updated_prompt = current_prompt + learning_entry
        os.environ["SYSTEM_PROMPT"] = updated_prompt
        return f"System prompt updated with {context} learning"
    elif action == "view":
        return f"Current system prompt:\n{current_prompt}"

# Self-evolving agent
evolving_agent = Agent(
    tools=[adaptive_prompt_manager],
    system_prompt="""You continuously adapt based on experience.
    Use adaptive_prompt_manager to store successful patterns and lessons."""
)

在上述代码中，adaptive_prompt_manager 工具允许 Agent 根据经验更新 SYSTEM_PROMPT，从而实现自学习。例如，当 Agent 成功解决一个问题后，它可以将解决方案记录到 SYSTEM_PROMPT 中，以便将来更好地处理类似的问题。

动态子 Agent 创建 (Dynamic Sub-Agent Creation)：智能 Agent 能够识别自身能力的不足，并主动创建专业的子 Agent 来完成特定的任务。Strands 允许 Agent 根据任务的需要，动态地创建具有特定角色和工具的子 Agent。

from strands import Agent, tool

@tool
def spawn_specialist_agent(task: str, specialization: str, model_type: str = "balanced") -> str:
    """Creates specialized sub-agents and delegates tasks."""# Model selection strategy
model_configs = {
    "fast": "us.amazon.nova-pro-v1:0",
    "balanced": "us.anthropic.claude-sonnet-4-20250514-v1:0",
    "smart": "us.anthropic.claude-opus-4-20250514-v1:0"
}

# Specialization-based configurations
specialist_configs = {
    "security": {
        "prompt": "You are a cybersecurity expert. Focus on vulnerabilities and compliance.",
        "tools": "security_scanner,vulnerability_checker,audit_tool"
    },
    "devops": {
        "prompt": "You are a DevOps engineer. Focus on infrastructure and automation.",
        "tools": "shell,kubernetes_api,monitoring_api"
    },
    "analysis": {
        "prompt": "You are a data analyst. Focus on insights and visualization.",
        "tools": "python_repl,calculator,visualization_tool"
    }
}

config = specialist_configs.get(specialization, specialist_configs["analysis"])
selected_model = model_configs.get(model_type, model_configs["balanced"])

# Create sub-agent via workflow dispatch (GitHub Actions pattern)
result = create_subagent(
    repository="your-org/agent-workflows",
    workflow_id="specialist-agent.yml",
    task=task,
    model=selected_model,
    tools=config["tools"],
    system_prompt=config["prompt"]
)

return f"{specialization} specialist created: {result}"

# Master orchestrator

orchestrator = Agent(

    tools=[spawn_specialist_agent, adaptive_prompt_manager],

    system_prompt="You coordinate complex tasks by creating specialized sub-agents."

)


在上述代码中，spawn_specialist_agent 工具允许 Agent 根据任务类型创建不同的子 Agent。例如，当需要进行安全审计时，Agent 可以创建一个具有安全专家角色的子 Agent，并赋予其安全扫描器、漏洞检查器等专业工具。

知识积累与应用 (Knowledge That Grows)：智能 Agent 应该能够积累和应用知识，形成机构记忆。Strands 允许 Agent 将知识存储到企业知识库中，并在需要时检索和应用这些知识。

from strands import Agent, tool
import os
from datetime import datetime

@tool
def enterprise_knowledge_system(action: str, content: str = "", query: str = "", importance: int = 5) -> str:
    """Production-ready knowledge management."""knowledge_base_id = os.getenv("STRANDS_KNOWLEDGE_BASE_ID")
timestamp = datetime.now().isoformat()

if action == "store":
    # Structured knowledge entry
    formatted_content = f"""
    [TIMESTAMP] {timestamp}
    [IMPORTANCE] {importance}/10
    [CONTENT] {content}
    [CONTEXT] {os.getenv("CURRENT_CONTEXT", "general")}
    """

    # Store in Bedrock Knowledge Base
    result = agent.tool.store_in_kb(
        content=formatted_content,
        title=f"Knowledge-{timestamp}",
        knowledge_base_id=knowledge_base_id
    )
    return f"Knowledge stored (importance: {importance})"

elif action == "retrieve":
    # Intelligent knowledge retrieval
    memories = agent.tool.retrieve(
        text=query,
        knowledgeBaseId=knowledge_base_id,
        numberOfResults=5
    )
    return f"Retrieved knowledge: {memories}"

elif action == "learn_pattern":
    # Pattern recognition and storage
    pattern_content = f"SUCCESS PATTERN: {content}"
    return enterprise_knowledge_system("store", pattern_content, importance=9)

# Knowledge-enabled autonomous agent

autonomous_agent = Agent(

    tools=[

        enterprise_knowledge_system,

        adaptive_prompt_manager,

        spawn_specialist_agent

    ],

    system_prompt="""You are an autonomous agent with:

    - Adaptive learning (update your own behavior)

    - Task delegation (create specialists when needed)

    - Institutional memory (store and retrieve knowledge)

    Always learn from experience and improve your capabilities."""

)


在上述代码中，enterprise_knowledge_system 工具允许 Agent 存储、检索和学习知识。Agent 可以将成功的解决方案、重要的经验教训等存储到知识库中，并在需要时检索这些知识，从而避免重复劳动，提高效率。这不仅仅是简单的 RAG (Retrieval-Augmented Generation) 或者向量存储，而是真正实现了知识的合成和应用。

Strands 的优势：速度、工具、观测性、灵活性

Strands Agents SDK 具有以下显著优势：

开发速度 (Development Speed)：团队可以在几天内完成以前需要数月才能完成的项目。Q CLI 的案例并非个例，很多团队都报告了使用 Strands 后开发效率的大幅提升。
工具生态 (Tool Ecosystem)：Strands 支持 MCP 协议，这意味着它可以利用数千个预构建的工具。此外，Strands 还内置了 20 多个常用的工具，例如文件操作、Shell 命令、HTTP 请求等，避免了重复造轮子。
内置观测性 (Built-in Observability)：Strands 提供了开箱即用的 OpenTelemetry 支持。只需要设置几个环境变量，就可以获得完整的分布式追踪、指标和日志。开发者可以清晰地了解 Agent 的思考过程、使用的工具、每个步骤花费的时间。无需额外的库和复杂的设置。
模型灵活性 (Model Flexibility)：可以轻松地在 Bedrock、OpenAI、Anthropic 等不同的大模型之间切换，而无需修改架构。
真正的开源 (True Open Source)：Strands 采用 Apache 2.0 协议，完全开源。
经过实战检验 (Battle-Tested)：Strands 已经被用于 Amazon Q Developer、AWS Glue 等关键服务，证明了其可靠性和稳定性。

特别值得一提的是，Strands 内置了观测性功能。对于大多数框架来说，观测性是需要后期添加的，例如 LangChain 需要安装单独的包，而 AutoGen 的多 Agent 对话追踪则非常困难。Strands 从一开始就考虑到了生产环境的需求，提供了开箱即用的观测性功能，让开发者可以更好地理解和调试 Agent。

Agent 的进化：你站在哪一边？

我们并不是建议你立即放弃当前使用的框架。但是，如果你仍然像 2022 年那样手动编写 Workflow，那么你构建的只是昨天的 Agent。真正的问题不是你的 Agent 能否执行任务，而是它们在执行任务的过程中是否变得更智能。如果你的 Agent 无法进化，那么它们只是披着智能外衣的 API 包装器。

Strands Agents SDK 提供了一种全新的、 模型驱动 (Model-Driven) 的方法，让 Agent 真正变得智能。通过自学习指令、动态子 Agent 创建和知识积累与应用，Strands 帮助开发者构建能够不断进化、适应变化的智能 Agent。

从理论到实践：构建真正智能的系统

在接下来的文章中，我们将使用 Strands 构建一个真正的、可以用于生产环境的系统，并展示如何实际应用自学习指令、动态子 Agent 创建和知识积累与应用这三个核心原则。我们将向你展示这种不断进化的智能在实践中如何工作，你可以亲自测试它。

参考资料：

PS： 如果你的 Agent 框架的配置比代码还多，我们需要好好聊聊。欢迎私信交流。

PPS： 感谢 Strands 团队让 Agent 开发变得简单而有趣。我从未对一个框架感到如此兴奋。

总而言之，AWS Strands 通过其简洁的设计理念和强大的功能特性，为AI Agent 开发带来了新的思路。它强调信任大模型的推理能力，并提供了一套完整的工具和机制，帮助开发者构建真正智能、能够不断进化的 Agent。如果你正在寻找一种更高效、更灵活的 Agent 开发方案，那么 Strands Agents SDK 值得你深入研究。

从任务执行者到真正智能：AWS Strands 彻底变革 AI Agent 开发