Wenn Sie einen KI-Agenten durch die Verdrahtung einer riesigen if/else-Zustandsmaschine erstellt haben, wissen Sie, wie schnell das brüchig wird. Strands Agents setzt auf das Gegenteil: Lassen Sie das Modell die Planung übernehmen, und Sie liefern einen Prompt und eine Liste von Tools. Es ist ein Open-Source-SDK von AWS, das im Mai 2025 unter der Apache-Lizenz 2.0 veröffentlicht wurde und Produktionsagenten innerhalb von Amazon-Teams wie Amazon Q Developer und AWS Glue antreibt.
Was Strands Agents tatsächlich ist
Strands Agents ist ein SDK zum Erstellen und Ausführen von KI-Agenten mit wenigen Codezeilen. Sie geben einem Agenten drei Dinge: ein Modell, einen System-Prompt und eine Reihe von Tools. Das Modell liest den Prompt, entscheidet, welche Tools aufgerufen werden sollen, führt sie aus, überprüft die Ergebnisse und fährt fort, bis die Aufgabe erledigt ist. Dieser Zyklus ist das gesamte Produkt.
Es ist für Python und TypeScript verfügbar. Der Name ist eine Anspielung auf die beiden Stränge, die einen Agenten bilden: das Modell und die Tools. AWS hat es nach internem Betrieb als Open Source veröffentlicht, daher spiegelt das Design die Produktionsanforderungen wider, nicht eine Demo. Seit dem Vorab-Launch hat es über 150.000 PyPI-Downloads überschritten und eine 1.0-Version erreicht, die Multi-Agent-Primitive und Unterstützung für das Agent-to-Agent (A2A)-Protokoll hinzufügte.
Wenn Sie bereits andere Agenten-SDKs kennengelernt haben, wird Ihnen die Struktur vertraut vorkommen. Strands gehört in dieselbe Kategorie wie LangGraph und Google ADK, aber es verlässt sich stärker auf das Modell, um den Kontrollfluss zu steuern, anstatt Sie aufzufordern, den Graphen selbst zu zeichnen.
Die modellgetriebene Philosophie vs. fest codierte Orchestrierung
Die meisten frühen Agenten-Frameworks verlangten, dass Sie den Workflow im Voraus definieren. Sie würden Knoten, Kanten und Bedingungen erstellen und das Modell dann durch diese leiten. Das funktioniert, aber jede neue Fähigkeit bedeutet mehr Graph, den es zu pflegen gilt.
Strands kehrt die Verantwortung um. Moderne Modelle planen bereits, verketten Argumente, rufen Tools auf und reflektieren Ergebnisse. Anstatt diese Logik manuell zu codieren, beschreiben Sie das Ziel und übergeben die Tools. Das Modell ermittelt die Schritte.
Hier ist der Kontrast in einfachen Worten:
| Ansatz | Sie definieren | Der Kontrollfluss ist in | Kosten einer neuen Fähigkeit |
|---|---|---|---|
| Fest codierte Orchestrierung | Knoten, Kanten, Bedingungen, Routing | Ihrem Graphen-Code | Graphen bearbeiten, Pfade erneut testen |
| Modellgetrieben (Strands) | Prompt + Tool-Liste | Der Denkprozess des Modells | Tool hinzufügen, Prompt aktualisieren |
Der Kompromiss ist real. Modellgetriebene Agenten lassen sich schneller erstellen und anpassen, aber Sie geben etwas an Determinismus auf. Für Workflows, die jedes Mal auf die gleiche Weise ausgeführt werden müssen, können Sie immer noch Struktur mit Multi-Agent-Mustern und Hooks hinzufügen. Der Punkt ist nicht, dass Graphen falsch sind; es ist, dass Sie zu ihnen greifen, wenn Sie sie brauchen, anstatt standardmäßig.
Ein minimaler Agent
Das kleinste nützliche Strands-Programm ist kurz. Sie importieren die Klasse Agent, definieren optional ein Tool mit dem @tool-Decorator und rufen den Agenten wie eine Funktion auf.
from strands import Agent, tool
@tool
def word_count(text: str) -> int:
"""Count the words in a block of text."""
return len(text.split())
agent = Agent(
system_prompt="You are a concise writing assistant.",
tools=[word_count],
)
response = agent("How many words are in this sentence?")
print(response)
Der @tool-Decorator verwandelt eine einfache Python-Funktion in etwas, das das Modell aufrufen kann. Ihr Docstring und Ihre Typ-Hints werden zur Beschreibung und zum Eingabeschema des Tools, sodass das Modell weiß, wann und wie es verwendet werden soll. Es gibt kein separates Register, das gepflegt werden muss. Der Aufruf von agent(...) führt die Schleife aus, bis das Modell entscheidet, dass es fertig ist.
Tools und Modell-Anbieter
Tools sind die Art und Weise, wie der Agent mit der Außenwelt interagiert. Ein Tool kann eine von Ihnen geschriebene Python-Funktion, ein verpacktes Tool aus der Community oder ein ganzer Model Context Protocol (MCP)-Server sein, der dem Agenten zur Verfügung gestellt wird.
Auf der Modellseite ist Strands anbieterflexibel. Der Standardanbieter ist Amazon Bedrock, und standardmäßig verwendet ein Agent ein Claude Sonnet-Modell in der Region us-west-2 (die genaue Standardmodell-ID hat sich über SDK-Versionen hinweg geändert, daher überprüfen Sie Ihre installierte Version, anstatt sie fest zu codieren). Sie können es anderswohin richten:
- Jedes Amazon Bedrock-Modell, das Toolnutzung und Streaming unterstützt
- Anthropic's Claude-Familie über die Anthropic API
- Llama-Modelle über die Llama API
- Ollama für die lokale Entwicklung
- Andere Anbieter wie OpenAI über LiteLLM
Das Wechseln von Anbietern ist eine Änderung des Modellobjekts, keine Neuentwicklung. Der Agenten-Loop, Ihre Tools und Ihr Prompt bleiben gleich. Das macht es praktikabel, mit einem lokalen Ollama-Modell zu entwickeln und auf Bedrock zu veröffentlichen.
Multi-Agenten- und MCP-Unterstützung
Ein einzelner Agent erledigt vieles, aber reale Systeme benötigen oft mehrere. Strands 1.0 fügte Primitive für Multi-Agenten-Anwendungen hinzu, darunter ein Agent-als-Tool-Muster, bei dem ein Agent einen anderen Agenten auf die gleiche Weise aufruft, wie er jedes andere Tool aufruft, sowie eine Schwarm-artige Koordination für Gruppen von Agenten, die gemeinsam an einem Problem arbeiten. Es unterstützt auch das A2A-Protokoll, sodass Strands-Agenten mit Agenten kommunizieren können, die auf anderen Frameworks basieren.
MCP ist ein erstklassiger Bürger. Das Model Context Protocol ist ein offener Standard zum Verbinden von Modellen mit Tools und Datenquellen. Mit Strands können Sie sich mit veröffentlichten MCP-Servern verbinden und deren Tools direkt verwenden, was bedeutet, dass Tausende bestehender Integrationen ohne benutzerdefinierten Klebecode verfügbar werden. Sie verwalten die Verbindung über einen MCP-Client und übergeben dessen Tools dem Agenten wie jede andere Tool-Liste.
Wenn Sie bereits MCP-Server betreiben, ist dies der günstigste Weg, einem Agenten neue Fähigkeiten zu verleihen. Der Nachteil ist, dass Sie nun davon abhängen, dass sich diese Server korrekt verhalten, was ein Grund ist, warum das Testen der zugrunde liegenden Endpunkte wichtig ist.
Einen Strands-Agenten bereitstellen
Strands wurde entwickelt, um ohne Framework-Änderung von Ihrem Laptop in die Produktion zu gelangen. Sie testen lokal und stellen dann auf das Ziel bereit, das zu Ihrem Stack passt:
- Amazon Bedrock AgentCore für eine verwaltete Agenten-Laufzeitumgebung
- AWS Lambda für ereignisgesteuerte, kurzlebige Agenten
- AWS Fargate oder Amazon EKS für containerisierte, langlebige Dienste
- Reines Docker überall dort, wo Sie einen Container ausführen können
Da der Agent gewöhnliches Python oder TypeScript ist, folgt das Packaging den gleichen Regeln wie bei jeder anderen App. AWS dokumentiert auch Observability-Hooks, sodass Sie nachvollziehen können, was das Modell entschieden hat und welche Tools es aufgerufen hat, sobald der Agent aktiv ist.
Wo Apidog passt
Strands erstellt den Agenten. Es erstellt nicht die APIs, die Ihr Agent aufruft, und das ist die Lücke, für die man planen sollte. Jeder Strands-Agent stützt sich auf zwei Arten von HTTP-Endpunkten: die LLM-Anbieter-API hinter dem Modell und die REST- oder Tool-APIs hinter Ihren @tool-Funktionen und MCP-Servern. Wenn diese Endpunkte sich falsch verhalten, scheitert der Agent auf Weisen, die wie Modellprobleme aussehen, es aber nicht sind.
Apidog ist der Ort, an dem Sie diese zugrunde liegenden APIs testen und simulieren, bevor der Agent sie überhaupt berührt. Hier sind einige konkrete Anwendungsfälle:
- Simulieren Sie das Modell oder einen Tool-Endpunkt, während Sie am Loop iterieren, damit Sie bei jedem Lauf keine Tokens verbrauchen oder Ratenlimits erreichen. Der Artikel über den Bau eines KI-Agenten-Test-Harness mit Apidog zeigt das Muster.
- Bestätigen Sie die Form der Tool-Antworten, damit ein Tool, das eine fehlerhafte Nutzlast zurückgibt, in einem Test und nicht in der Produktion abgefangen wird. Eine Anleitung zum API-Assertions finden Sie dort, wie Felder, Typen und Statuscodes validiert werden.
- Stellen Sie eine simulierte API bereit, die die Antworten eines echten Dienstes nachahmt, einschließlich Fehlerszenarien, die Ihr Agent elegant behandeln muss.
- Verwalten Sie API-Schlüssel pro Umgebung, damit Ihre Entwicklungs-, Staging- und Produktions-Agenten sich gegen die richtigen Backends authentifizieren, ohne Anmeldeinformationen in den Code durchsickern zu lassen.
Um es klarzustellen: Apidog ist kein Agenten-Framework und orchestriert nichts. Strands bleibt das Gehirn. Apidog ist die Werkbank für die darunterliegende Infrastruktur. Sie können Apidog herunterladen und in wenigen Minuten Mocks für Ihre Tool-Endpunkte einrichten.
Wann Strands Agents verwenden?
Greifen Sie zu Strands, wenn Sie schnell vorankommen und dem Modell die Planung überlassen möchten. Es passt gut, wenn Sie auf AWS sind und bereits Bedrock nutzen, wenn Sie mit einem Agenten beginnen und später zu Multi-Agenten erweiterten möchten, oder wenn Sie MCP-Tools ohne das Schreiben von Integrationscode verwenden möchten.
Es ist weniger geeignet, wenn Sie strikte, überprüfbare, deterministische Abläufe benötigen, bei denen jeder Zweig vordefiniert sein muss. Sie können dies immer noch mit Hooks und einer Multi-Agent-Struktur erreichen, aber ein Graph-First-Framework könnte eine direktere Übereinstimmung sein. Die ehrliche Darstellung ist, dass modellgetriebene und graphgetriebene Ansätze unterschiedliche Probleme lösen, und Strands ist der modellgetriebene Ansatz.
Häufig gestellte Fragen
Ist Strands Agents kostenlos und Open Source?
Ja. Strands Agents ist Open Source unter der Apache-Lizenz 2.0, der Quellcode ist auf GitHub verfügbar. Es gibt keine Lizenzgebühren für das SDK. Sie zahlen für das Modell und alle Cloud-Ressourcen, die Sie bereitstellen, wie Bedrock-Inferenz oder Lambda-Ausführung, aber das Framework selbst kostet nichts.
Muss ich Amazon Bedrock mit Strands verwenden?
Nein. Bedrock ist der Standardanbieter, aber Strands unterstützt die Anthropic API, die Llama API, Ollama für lokale Ausführungen und andere Anbieter über LiteLLM. Sie ändern das Modellobjekt und behalten den Rest Ihres Codes bei. Das macht es einfach, lokal zu prototypen und für die Produktion zu einem verwalteten Anbieter zu wechseln.
Was ist der Unterschied zwischen Strands und einem graphenbasierten Framework?
Strands ist modellgetrieben: Sie liefern einen Prompt und Tools, und das Modell entscheidet die Schritte. Graphenbasierte Frameworks verlangen, dass Sie den Kontrollfluss als Knoten und Kanten definieren. Strands lässt sich schneller erstellen und anpassen; Graphen-Frameworks bieten eine straffere, vorhersehbarere Ausführung. Viele Teams verwenden beide für unterschiedliche Dienste.
Wie teste ich die APIs, von denen mein Strands-Agent abhängt?
Testen Sie sie unabhängig vom Agenten, vor und während der Entwicklung. Simulieren Sie die LLM- und Tool-Endpunkte, bestätigen Sie ihre Antwortformen und führen Sie diese Prüfungen in CI aus. Ein Tool wie Apidog übernimmt das Mocking und die Assertions, und die Anleitung zum Testen der ChatGPT API mit Apidog behandelt Authentifizierung, Streaming und Tool-Call-Tests, die direkt auf Agenten-Backends abgebildet werden können.
Fazit
Strands Agents bietet einen klaren Ansatz zum Erstellen von Agenten: Definieren Sie ein Modell, einen Prompt und Tools, und lassen Sie das Modell dann den Loop ausführen. Es skaliert von einem Agenten auf viele, spricht MCP und A2A und lässt sich ohne Neuschreiben über den gesamten AWS-Stack bereitstellen. Das Framework übernimmt die Argumentation. Ihre Aufgabe ist es, sicherzustellen, dass die darunterliegenden APIs solide sind, und genau hier verdient Apidog seinen Platz, indem es die Endpunkte, die Ihr Agent aufruft, simuliert und testet, sodass Fehler in Ihren Tests und nicht in der Produktion ans Licht kommen.