Strands Agents SDK 上手：用 Python 写一个能调 AWS 服务的 AI Agent

Strands Agents SDK 上手：用 Python 写一个能调 AWS 服务的 AI Agent

"我想写一个 Agent，能帮我查 CloudWatch 告警、拉 S3 文件、顺便总结一下。"

这个需求说起来简单，但自己从零撸一个 Agent 框架要处理的事一大堆——工具注册、上下文管理、多轮对话状态、错误重试、token 限制……

亚马逊云科技最近开源了 Strands Agents SDK，我试了一下，核心卖点是：用 Python 写 Agent 像写普通函数一样简单，底层帮你处理了所有编排逻辑。

先看效果

from strands import Agent
from strands.models.bedrock import BedrockModel
from strands_tools import retrieve_from_knowledge_base, current_time

# 一行创建 Agent
agent = Agent(
    model=BedrockModel(model_id="anthropic.claude-sonnet-4-20250514-v1:0"),
    tools=[retrieve_from_knowledge_base, current_time]
)

# 直接对话
response = agent("帮我查一下知识库里关于 S3 生命周期策略的最佳实践")
print(response)

就这么几行。SDK 自动处理了：

  • 模型调用和流式响应
  • 工具发现和参数匹配
  • 多轮对话上下文维护
  • 工具调用结果注入

安装

pip install strands-agents strands-agents-tools

依赖很轻，核心包不到 5MB。strands-agents-tools 是官方工具集，包含文件操作、Shell 执行、知识库检索等常用工具。

核心概念

Strands 的设计哲学是模型驱动的编排——不用你写 if/else 决定"什么时候该调什么工具"，让模型自己决定。

1. Agent = Model + Tools + System Prompt

from strands import Agent
from strands.models.bedrock import BedrockModel

model = BedrockModel(
    model_id="anthropic.claude-sonnet-4-20250514-v1:0",
    region_name="us-east-1"
)

agent = Agent(
    model=model,
    system_prompt="你是一个 AWS 运维助手，帮用户排查云上问题。回答要简洁直接。",
    tools=[...]
)

2. 自定义工具用装饰器

from strands import tool

@tool
def check_ec2_status(instance_id: str) -> dict:
    """检查 EC2 实例的运行状态
    
    Args:
        instance_id: EC2 实例 ID，格式如 i-0123456789abcdef0
    """
    import boto3
    ec2 = boto3.client("ec2")
    response = ec2.describe_instances(InstanceIds=[instance_id])
    state = response["Reservations"][0]["Instances"][0]["State"]["Name"]
    return {"instance_id": instance_id, "state": state}


@tool
def get_cloudwatch_alarms(state: str = "ALARM") -> list:
    """获取当前触发的 CloudWatch 告警列表
    
    Args:
        state: 告警状态过滤，默认只看 ALARM 状态
    """
    import boto3
    cw = boto3.client("cloudwatch")
    response = cw.describe_alarms(StateValue=state)
    return [
        {"name": a["AlarmName"], "reason": a["StateReason"]}
        for a in response["MetricAlarms"]
    ]

关键点：

  • @tool 装饰器自动从 docstring 和类型标注生成工具描述
  • 函数名就是工具名
  • 返回值会被序列化后注入模型上下文

3. 多轮对话

# Agent 默认维护对话历史
agent("我有个 EC2 实例 i-0abc123 好像挂了")
# → Agent 调用 check_ec2_status，返回 stopped

agent("帮我看看有没有相关的告警")
# → Agent 调用 get_cloudwatch_alarms，关联上下文返回结果

agent("重启它")
# → Agent 知道"它"是 i-0abc123，调用对应操作

上下文自动维护，不用手动管 message history。

实战：运维巡检 Agent

把上面的工具组合起来，搭一个能做日常巡检的 Agent：

from strands import Agent, tool
from strands.models.bedrock import BedrockModel
import boto3

@tool
def list_unhealthy_targets(target_group_arn: str) -> list:
    """检查 ALB Target Group 中不健康的目标"""
    elb = boto3.client("elbv2")
    response = elb.describe_target_health(TargetGroupArn=target_group_arn)
    unhealthy = [
        t for t in response["TargetHealthDescriptions"]
        if t["TargetHealth"]["State"] != "healthy"
    ]
    return unhealthy


@tool
def get_recent_errors(log_group: str, minutes: int = 30) -> list:
    """从 CloudWatch Logs 获取最近的 ERROR 级别日志"""
    import time
    logs = boto3.client("logs")
    end_time = int(time.time() * 1000)
    start_time = end_time - (minutes * 60 * 1000)
    
    response = logs.filter_log_events(
        logGroupName=log_group,
        startTime=start_time,
        endTime=end_time,
        filterPattern="ERROR"
    )
    return [{"message": e["message"][:200], "timestamp": e["timestamp"]} 
            for e in response["events"][:10]]


# 组装 Agent
ops_agent = Agent(
    model=BedrockModel(model_id="anthropic.claude-sonnet-4-20250514-v1:0"),
    system_prompt="""你是 AWS 运维巡检助手。职责：
1. 检查服务健康状态
2. 发现异常时主动排查根因
3. 给出修复建议（但不自动执行危险操作）
回答用中文，简洁直接。""",
    tools=[check_ec2_status, get_cloudwatch_alarms, 
           list_unhealthy_targets, get_recent_errors]
)

# 使用
result = ops_agent("帮我做一轮巡检，看看有没有告警和不健康的服务")
print(result)

和 LangChain / CrewAI 的区别

特性 Strands LangChain CrewAI
编排方式 模型驱动 代码驱动（Chain/Graph） 角色驱动
学习曲线 低（装饰器 + 对话） 高（大量抽象层） 中
AWS 集成 原生（Bedrock 直连） 需额外适配 需额外适配
适合场景 工具调用型 Agent 复杂 DAG 工作流 多角色协作

Strands 的定位很明确：不做复杂编排，就把"模型+工具"这件事做好。如果你的 Agent 主要是调工具干活，Strands 够用而且上手快。如果需要复杂的 DAG 流程编排，还是得看 Step Functions 或者 LangGraph。

部署到 AgentCore

写完 Agent 可以直接部署到 Bedrock AgentCore 托管运行：

# 打包
strands deploy \
  --agent-name "ops-patrol" \
  --runtime python3.12 \
  --entry main.py \
  --region us-east-1

部署后通过 AgentCore API 调用，自带负载均衡、版本管理、监控。

参考链接

posted @ 2026-06-10 20:08  亚马逊云开发者  阅读(12)  评论(0)    收藏  举报