Strands Agents 1.0上线，多Agents协作落地生产更简单

近期，亚马逊云科技宣布推出Strands Agents SDK 1.0版本。这标志着亚马逊云科技，在推动AI Agents构建流程更简单、成果更可靠且可落地生产应用的道路上，向前迈出了重要一步。

Strands Agents是一款开源的SDK，采用模型驱动的方法，仅需几行代码即可构建并运行AI Agents。无论是简单还是复杂的Agent应用场景，Strands Agents都具备适用性，且支持从本地开发到生产环境部署的全流程。

自2025年5月发布Strands Agents SDK预览版以来，其在GitHub上已收获超过2000点赞，在PyPI上的下载量也突破了15万次。Strands Agents 1.0为多Agents应用提供了与单Agent应用同等的简便性，同时新增四种基础组件，并支持Agent to Agent（A2A）协议。

为了将多Agents架构投入生产应用，Strands Agents SDK 1.0版本还引入了全新的会话管理器，可从远程数据存储中检索Agen状态，并在整个SDK中改进了异步支持。

同时，为方便用户灵活使用任意模型构建Agent，亚马逊云科技联合Anthropic、Meta等合作伙伴，新增了对五个主流模型提供商API的兼容支持。

本文将详细介绍这些更新内容，完整的代码示例可在strandsagents.com上获取。

简化多Agents协作模式

多Agents协作模式能让各具专长的AI Agents协同工作，即通过任务分配、知识共享和行动协调，共同解决单一Agent无法独立应对的复杂问题。

Strands Agents 1.0版本推出了四种直观易用的基础组件，使多Agents协作编排变得如同创建单Agents时组合模型、工具与提示词一样简单自然。

1

Agents-as-Tools：

让分层委托变得简单

Agents-as-Tools模式将具备专业能力的Agent，转化为可供其他Agent调用的智能工具，支持分层委托机制：作为协调者的Agent可在动态咨询领域专家Agent的同时，始终掌控请求处理的主导权。

这种设计模拟了人类团队的协作方式：项目经理无需掌握所有领域知识，只需知道针对不同任务应向哪位专家请教即可。

from strands import Agent, tool 
from strands_tools import calculator, file_write, python_repl, journal @tool def web_search(query: str) -> str:     return "Dummy web search results here!" # Create specialized agents research_analyst_agent = Agent(     system_prompt="You are a research specialist who gathers and analyzes information about local startup markets",     tools=[web_search, calculator, file_write, python_repl] ) travel_advisor_agent = Agent(     system_prompt="You are a travel expert who helps with trip planning and destination advice",     tools=[web_search, journal] ) # Convert the agents into tools @tool def research_analyst(query: str) -> str:     response = research_analyst_agent(query)     return str(response)         # Orchestrator naturally delegates to specialists executive_assistant = Agent(      tools=[research_analyst, travel_advisor]  ) 
result = executive_assistant("I have a business meeting in Portland next week. Suggest a nice place to stay near the local startup scene, and suggest a few startups to visit")

左右滑动查看完整示意

本简化示例定义了旅行Agent和研究Agent，它们拥有针对各自专业领域的定制化提示词和工具。行政助理Agent可调用这些专业Agent，以获取对用户请求的参考意见，并负责将其他Agent提供的信息整合后，生成响应用户的最终回复。

有关Agents-as-Tools模式的详细信息，请参阅Strands Agents文档。

Strands Agents文档——Agents-as-Tools：

https://strandsagents.com/latest/user-guide/concepts/multi-agent/agents-as-tools/

2

任务移交：

明确转移控制权

遇到超出自身专业范围的任务时，任务移交机制允许Agent将处理责任明确移交给人类，同时在移交过程中完整保留对话上下文。

Strands Agents提供了内置的handoff_to_user工具，任务可借此工具无缝转移控制权，并保持对话历史与上下文信息的连贯性，如同客服代表向客户询问更多信息细节时的场景。

from strands import Agentfrom strands_tools import handoff_to_user
SYSTEM_PROMPT="""Answer the user's support query. Ask them questions with the handoff_to_user tool when you need more information"""# Include the handoff_to_user tool in our agent's tool listagent = Agent(    system_prompt=SYSTEM_PROMPT,    tools=[handoff_to_user])# The agent calls the handoff_to_user tool which includes the question for the customeragent("I have a question about my order.")

左右滑动查看完整示意

Agent在接收提示词时，也可直接向用户提问。

from strands import Agent
SYSTEM_PROMPT="""Answer the user's support query. Ask them questions when you need more information"""
agent = Agent(    system_prompt=SYSTEM_PROMPT,)# The agent asks questions by streaming them back as textagent("I have a question about my order.")

左右滑动查看完整示意

3

群体协作：

自组织协作团队

群体协作模式可创建自主Agent团队，这些团队通过共享内存动态协调行动，使多个专业Agent能够协同完成复杂任务。

您可将这种模式想象成一场头脑风暴会议：专家们相互借鉴彼此的创意，团队内部自行组织讨论，最终产出最佳集体成果。

import logging  
from strands import Agent from strands.multiagent import Swarm from strands_tools import memory, calculator, file_write # Enables Strands debug logs level, and prints to stderrlogging.getLogger("strands.multiagent").setLevel(logging.DEBUG) logging.basicConfig(     format="%(levelname)s | %(name)s | %(message)s",     handlers=[logging.StreamHandler()] ) researcher = Agent(     name="researcher",     system_prompt="You research topics thoroughly using your memory and built-in knowledge",     tools=[memory] ) analyst = Agent(     name="analyst",     system_prompt="You analyze data and create insights",     tools=[calculator, memory] ) writer = Agent(     name="writer",     system_prompt="You write comprehensive reports based on research and analysis",     tools=[file_write, memory] ) # Swarm automatically coordinates agents market_research_team = Swarm([researcher, analyst, writer]) result = market_research_team(     "What is the history of AI since 1950? Create a comprehensive report"
)

左右滑动查看完整示意

有关群体协作模式的详细信息，请参阅Strands Agents文档。

Strands Agents文档——群体协作模式：

https://strandsagents.com/latest/user-guide/concepts/multi-agent/swarm/

4

图式流程：

确定性工作流控制

图式流程功能支持用户定义具有条件路由和决策节点的显式Agent工作流，尤其适用于需要严格遵循特定步骤、审批环节或质量关卡的过程。

如同精心设计的流水线或审批链，图式流程可确保Agent每次都能按照预设的业务规则，以正确顺序完成各项任务。

from strands import Agent  
from strands.multiagent import GraphBuilder  analyzer_agent = Agent(      name="analyzer",      system_prompt="Analyze customer requests and categorize them",      tools=[text_classifier, sentiment_analyzer]  ) normal_processor = Agent(      name="normal_processor",      system_prompt="Handle routine requests automatically",      tools=[knowledge_base, auto_responder]  )   critical_processor = Agent(      name="critical_processor",      system_prompt="Handle critical requests quickly",      tools=[knowledge_base, escalate_to_support_agent]  )  # Build deterministic workflow  builder = GraphBuilder()  builder.add_node(analyzer_agent, "analyze")  builder.add_node(normal_processor, "normal_processor")  builder.add_node(critical_processor, "critical_processor") # Define conditional routing def is_approved(state):     return True def is_critical(state):     return False builder.add_edge("analyze", "normal_processor", condition=is_approved)  builder.add_edge("analyze", "critical_processor", condition=is_critical)  builder.set_entry_point("analyze")  customer_support_graph = builder.build() # Execute the graph with user input 
results = customer_support_graph("I need help with my order!")

左右滑动查看完整示意

有关图式流程的详细信息，请参阅Strands Agents文档。

Strands Agents文档——图式流程：

https://strandsagents.com/latest/user-guide/concepts/multi-agent/graph/

这些多Agents模式均经过精心设计，支持逐步采用与自由组合。您可从单一Agent起步，将专业Agent作为工具加以集成，逐步升级为群体协作模式，再随着需求增长通过图式流程实现整体编排。

通过灵活混搭不同模式，您可构建出高度复杂的系统：群体协作中可嵌入图式流程，图式流程也能对群体协作进行统筹调度，且任何模式均可调用配备有其他Agent作为工具的Agent。

from strands import Agent, tool 
from strands.multiagent import GraphBuilder, Swarm from strands_tools import memory, calculator, python_repl, file_write  # Start simple with a single agent agent = Agent(tools=[memory]) # Create specialist agents that a lead orchestrator agent can consult data_analyst = Agent(name="analyst", tools=[calculator, python_repl]) @tool def data_analyst_tool(query: str) -> str:     return str(data_analyst(query)) analyst_orchestrator = Agent(tools=[memory, data_analyst_tool]) # Agents-as-tools # Compose patterns together - a graph that uses a swarm researcher = Agent(name="researcher", tools=[memory]) writer = Agent(name="writer", tools=[file_write]) research_swarm = Swarm([researcher, analyst_orchestrator, writer]) review_agent = Agent(system_prompt="Review the research quality and suggest improvements") builder = GraphBuilder() builder.add_node(research_swarm, "research") # Swarm as graph node builder.add_node(review_agent, "review") builder.add_edge("research", "review") graph = builder.build() # The patterns nest naturally - swarms in graphs, agents as tools everywhere  
result = graph("How has green energy evolved over the last few years?")

左右滑动查看完整示意

基于A2A协议的多Agents系统

Strands Agents 1.0支持A2A协议，该协议是一项开放标准，能让不同来源的Agent实现无缝通信。任何Strands Agents均可通过封装具备A2A能力，从而接入网络并遵循A2A协议。此外，来自外部机构的A2A Agents也可直接应用于所有Strands多Agents协作模式中。

from strands import Agent 
from strands.multiagent.a2a import A2AServer 
from strands_tools.a2a_client import A2AClientToolProvider 
# Serve your agent via A2A protocol 
local_agent = Agent(name="analyzer", tools=[web_search, data_analysis]) 
a2a_agent = A2AServer(agent=local_agent, port=9000) 
a2a_agent.serve() # AgentCard available at http://localhost:9000/.well-known/agent.json # Use remote A2A agents 
partner_agent_url = "https://partner.com"
cloud_agent_url = "https://cloud.ai"
# Connect to remote A2A enabled agents 
a2a_tool_provider = A2AClientToolProvider(known_agent_urls=[partner_agent_url, cloud_agent_url]) 
# Orchestrate remote agents 
orchestrator = Agent(tools=[a2a_tool_provider.tools])

左右滑动查看完整示意

由于A2A协议提供了Agent card等功能（Agent card功能可对Agent能力进行标准化描述），因此支持A2A协议的多Agents系统能够轻松发现并连接到由其他团队或组织创建的Agent。Strands Agents会根据您为Agent配置的工具，自动生成Agent card。

有关完整的工作运行示例以及如何开始进行A2A集成，请查看示例代码库以及Strands A2A协议文档。

示例代码库：

https://github.com/strands-agents/samples/tree/main/03-integrations/Native-A2A-Support

Strands A2A协议文档：

https://strandsagents.com/latest/user-guide/concepts/multi-agent/agent-to-agent/

可投入生产使用

在Strands Agents正式公开发布之前，Amazon Q Developer团队和Amazon Glue团队等亚马逊云科技内部团队，就已在生产环境中应用该服务。

与此同时，亚马逊云科技与全球数百家客户紧密协作，不断扩展Strands Agents功能以满足生产需求，包括以下功能：

• 引入会话管理抽象层，以支持数据持久化存储至外部数据存储库，以及从其中恢复数据。

• 优化结构化输出。

• 增强异步支持能力。

1

持久化会话管理

新增SessionManager会话管理抽象层，能够实现Agent对话内容及状态的自动持久化存储与恢复。借助这一功能，Agent可将完整的对话历史记录保存至诸如Amazon S3等存储后端，即便计算资源重启，也能无缝恢复对话。

以下是一项基于基础文件实现持久化存储的示例。

from strands import Agent 
from strands.session.file_session_manager import FileSessionManager # Create a session manager with file-based storage Session_manager = FileSessionManager(session_id=”customer_support”, base_dir="./agent_sessions") # Agent automatically persists all conversations agent = Agent(     id="support_bot_1",     session_manager=session_manager,     tools=[knowledge_base, ticket_system] ) # Messages are automatically saved as the conversation progresses agent("Help me reset my password") agent("I can't access my email") # Later, even after a restart, restore the full conversation restored_session_manager = FileSessionManager(session_id=”customer_support”, base_dir="./agent_sessions") restored_agent = Agent(     id="support_bot_1",      session_manager=restored_session_manager,     tools=[knowledge_base, ticket_system] ) 
# Agent remembers entire conversation history and can continue seamlessly

左右滑动查看完整示意

您可通过数据访问对象（Data Access Object，DAO）模式，利用存储后端实现方案来扩展这一抽象层，同时Strands Agents默认包含本地文件系统和Amazon S3两种存储后端。系统会为每个Agent分配一个用于追踪的唯一标识符，并能在同一会话中处理多个并发运行的Agent，以应对多Agents场景，确保Agent在部署、扩容事件以及系统重启等情况下，能够始终保持上下文连贯性。

有关会话管理的更多信息，请参阅Strands Agents文档。

Strands Agents文档——会话管理：

https://strandsagents.com/latest/user-guide/concepts/agents/session-management/

2

原生异步支持与性能优化

生产环境中的工作负载对可靠性和响应性能有着极高要求。Strands Agents 1.0版本对Strands的事件循环架构进行了优化，使其在整个技术栈中支持异步操作。现在，工具和模型提供方均可异步运行且不会造成阻塞，从而实现了真正意义上的并发执行。

全新的stream_async方法能够实时传输所有Agent事件，包括文本、工具使用情况、推理步骤等，并且内置取消支持功能，可在用户离开时停止传输。

import asyncio 
from fastapi import FastAPI from fastapi.responses import StreamingResponse from strands import Agent from strands_tools import calculator app = FastAPI() @app.post("/chat") async def chat_endpoint(message: str):     async def stream_response():         agent = Agent(tools=[web_search, calculator])         # Stream agent responses in real-time async for event in agent.stream_async(message):             if"data" in event:                 yield f"data: {event['data']}\n\n"            elif "current_tool_use" in event:                 yield f"event: tool\ndata: Using {event['current_tool_use']['name']}\n\n"    return StreamingResponse(stream_response(), media_type="text/event-stream") # Concurrent agent evaluation async def evaluate_models_concurrently(prompt: str):     async def stream(agent: Agent):         print(f"STARTING: {agent.name}")         async for event in agent.stream_async(prompt):             # handle events print(f"ENDING: {agent.name}")         return event[“result”]  # last event is the agent result     agents = [         Agent(name="claude", model="us.anthropic.claude-3-7-sonnet-20250219-v1:0”),         Agent(name="deepseek”, model="us.deepseek.r1-v1:0”),         Agent(name="nova", model="us.amazon.nova-pro-v1:0")     ]     # Execute all agents concurrently     responses = await asyncio.gather(*[stream(agent) for agent in agents]) 
    return responses

左右滑动查看完整示意

有关原生异步支持的详细信息，请参阅Strands Agents文档。

Strands Agents文档——原生异步支持：

https://strandsagents.com/latest/user-guide/concepts/streaming/async-iterators/

3

扩展的模型提供方支持

客户反馈称，他们希望针对不同任务能灵活选用不同模型。为此，Strands Agents获得了模型提供方社区的大力支持。Anthropic、Meta等模型提供方积极贡献，使Strands Agents能够直接通过代码调用其模型API。通过模型提供方的API基础设施访问Strands Agents，开发者可专注于构建AI解决方案，无需管理基础设施。

这些新增功能与预览版发布时对Amazon Bedrock、OpenAI以及通过LiteLLM接入的、任何与OpenAI兼容的端点的支持形成互补。借助Strands Agents，您可为每个Agent选用不同模型，或者无需修改工具和逻辑代码，即可灵活切换模型及模型提供方。

from strands import Agentfrom strands.models import BedrockModelfrom strands.models.openai import OpenAIModelfrom strands.models.anthropic import AnthropicModel
# Configure different model providersbedrock_model = BedrockModel(    model_id="us.amazon.nova-pro-v1:0",    temperature=0.3,    top_p=0.8,    region_name="us-west-2")
openai_model = OpenAIModel(    client_args={"api_key": "your-api-key",},    model_id="gpt-4o",    params={"max_tokens": 1000,"temperature": 0.7,})
anthropic_model = AnthropicModel(    client_args={"api_key": "your-api-key",},    max_tokens=1028,    model_id="claude-3-7-sonnet-20250219",    params={"temperature": 0.5,})# Swap models or use different models for different agents in the same systemresearcher = Agent(    name="researcher",    model=anthropic_model,    tools=[web_search])
writer = Agent(    name="writer",     model=openai_model,    tools=[document_formatter])
analyzer = Agent(    name="analyzer",    model=bedrock_model,    tools=[data_processor])

左右滑动查看完整示意

Strands社区在推动Strands Agents的更新发展中发挥了至关重要的作用。社区成员们不仅亲自使用Strands Agents，还积极反馈意见、直接贡献代码等，为项目发展建言献策。

从0.1.0版本发展到1.0版本，共有150多个拉取请求（Pull Request，PR）被合并到Strands Agents，其中22%是由社区成员贡献的。社区成员还帮助修复漏洞、添加模型提供方、编写文档、新增功能，以及对类进行重构以提升性能。

在此，亚马逊云科技衷心向每一位为Strands Agents发展贡献力量的成员致以最诚挚的感谢，正是您的努力，让Strands Agents成为将Agent从原型设计快速推进到生产应用的极便捷途径。

人工智能的发展趋势是多Agents协作，Strands Agents 1.0的发布，正标志着这一未来愿景已具备投入实际生产应用的条件。

即刻访问strandsagents.com，开启您的构建之旅吧！

本篇作者

Ryan Coleman

亚马逊云科技产品经理，专注于AI开发者工具和Agent框架领域。他拥有丰富的DevOps与开源技术经验，致力于帮助开发者借助大语言模型的强大能力，构建智能、可扩展的软件系统。

Belle Guttman

亚马逊云科技Agentic AI工程团队的负责人，主要负责Strands SDK以及Amazon Q Developer产品中的Agent对话功能。她拥有软件工程背景，致力于用简洁的解决方案帮助客户攻克复杂的技术难题。

星标不迷路，开发更极速！

关注后记得星标「亚马逊云开发者」

听说，点完下面4个按钮

就不会碰到bug了！

点击阅读原文查看博客！获得更详细内容！