Strands Agents

一句话定位

AWS 出品的 model-driven（模型驱动） Python Agent SDK：几行代码就能起一个 agent，把”规划/工具选择/反思/何时停”全部交给底层模型在一个极简的 event loop 里自驱，框架本身只做模型抽象、工具调度、上下文管理与多智能体编排这些”脚手架”，刻意不写硬编码的编排逻辑。

设计理念 / 顶层架构

Strands 的核心信条是 model-driven approach（README 第 13、35 行）：与 plan-execute、状态机、显式 graph 那类”框架替你决定下一步做什么”的范式相反，Strands 认为现代大模型已经足够强，能自己完成”思考→选工具→看结果→继续推理→给答案”的循环（agent.py:114-122 的 6 步 workflow 注释即此理念的直接表达）。因此框架的工作不是”编排智能”，而是给模型提供一个干净、可观测、可扩展的运行时，让模型在循环里自主决策。具体取舍：

• 极简自驱 event loop：整个推理内核就是 event_loop_cycle()（event_loop/event_loop.py:179）一个递归协程——调模型→若 stop_reason=="tool_use" 则执行工具→把结果回灌→recurse_event_loop() 再来一轮（event_loop.py:400,790），直到模型自己 end_turn。没有 planner、没有状态机，“下一步做什么”完全由模型 token 决定。这就是 model-driven 落在代码上的样子。
• 模型可插拔是第一公民：Model 抽象基类（models/model.py:158）只要求实现 stream() / structured_output() / get_config()，自带 13+ provider（Bedrock 默认、Anthropic、OpenAI、Gemini、Ollama、LiteLLM、Mistral、Writer、SageMaker…）。换模型 = 换一行构造参数，agent 逻辑零改动——“model-driven”的前提是”model-agnostic”。
• 函数即工具：@tool 装饰器（tools/decorator.py:731）用 inspect + type hints + docstring_parser + Pydantic 自动把普通 Python 函数转成带 JSON schema 的工具，docstring 即给模型的说明书。
• 薄内核 + hooks/plugins 扩展：不靠继承扩展，靠 typed hook 事件系统（hooks/registry.py）与 Plugin（plugins/）；retry、session、conversation_manager、model 生命周期本身都注册为 hook。
• 包结构：agent/（Agent 入口 + conversation_manager 上下文管理）、event_loop/（推理内核 + 流式 + 重试）、models/（13+ provider）、tools/（装饰器/注册表/执行器/MCP/结构化输出）、multiagent/（graph/swarm/a2a）、session/（file/s3 持久化）、telemetry/（OTEL tracer + metrics）、hooks/ + plugins/ + vended_plugins/（skills/steering/context_offloader）、experimental/（bidi 语音双向流、checkpoint、steering）。
• 入口 API：from strands import Agent；agent("prompt") 同步返回 AgentResult（内部 run_async 跑 invoke_async → stream_async，见 agent.py:528,539,810）。

最小示例（取自 README）：

from strands import Agent, tool

@tool
def word_count(text: str) -> int:
    """Count words in text.

    This docstring is used by the LLM to understand the tool's purpose.
    """
    return len(text.split())

# 不传 model 时默认 BedrockModel（Claude Sonnet @ us-west-2），几行即成 agent
agent = Agent(tools=[word_count])
response = agent("How many words are in this sentence?")  # 模型自行决定是否调用工具

组件实现（横向逐项，无则标 N/A）

设计权衡与特性

• “框架只做脚手架，智能归模型”：与 CrewAI 的角色/任务编排、MetaGPT 的 SOP 流水线、LangChain 的 chain 显式拼装相比，Strands 把”下一步做什么”彻底下放给模型，框架内核小到只有一个递归 event loop。优点是代码极简、随模型能力升级自动变强；代价是行为可预测性低、强依赖底层模型的工具调用与反思能力（弱模型上效果会明显打折）。
• AWS 血统但 model-agnostic：默认 BedrockModel(Claude Sonnet @ us-west-2，需配 AWS 凭证)、内置 S3SessionManager/SageMaker provider，AWS 生态集成深；但 Model 抽象让它同时支持 OpenAI/Gemini/Ollama/本地 llama.cpp，并非锁死 AWS。
• 可观测性是一等公民：原生 OpenTelemetry（agent/cycle/model/tool 四级 span + token/cost metrics），在”模型自驱、行为不可预测”的范式下，这种深度 tracing 是必要的可解释性补偿——这是 model-driven 框架的合理工程取舍。
• 企业级特性齐全：session 持久化(file/s3/repo)、checkpoint、interrupt 人在环、guardrail 脱敏、并发锁、优雅取消、A2A 协议、MCP 原生支持、结构化输出(Pydantic)、prompt caching——production-ready 而非玩具。
• 多智能体三选一：确定性 Graph（要可控流程时用）vs 自治 Swarm（要涌现协作时用）vs A2A（跨服务），且三者可嵌套、agent 还能 as_tool() 互嵌——编排层灵活度高。
• monorepo 现状：仓库是 monorepo（Python SDK 在 strands-py/，另有 TS SDK strands-ts/、WASM、文档站）；本笔记基于 Python SDK。experimental/ 下的 bidi 语音双向流、steering、checkpoint 标注为实验特性，API 可能变动。

关联

• component-taxonomy · single-vs-multi-agent · model-abstraction · reasoning-loop
• 同范式(single + model-driven/电池齐全)：connectonion · smolagents · crewai · 源码：agents-example/strands/