Strands Agents把流程交還模型
Strands Agents 是 AWS 團隊發展出的開源 AI Agent SDK，核心做法很乾脆：選一個模型、準備 system prompt，再交給它一組 tools，由模型自行規劃與串接呼叫，不必先畫死整套 workflow。它目前已從 Python SDK 擴展成包含 TypeScript、多 Agent、MCP、OpenTelemetry、hooks、Steering 與 evals 的完整 harness，可做客服助理、雲端維運、資料查詢及需要多步驟操作的自動化任務。
現實應用
最適合的是輸入難以預測、但工具邊界清楚的場景，例如 AWS 維運助手、企業知識查詢、事件調查、開發工具與內部作業代理。AWS 已把它用在 Amazon Q Developer、AWS Glue 與 VPC Reachability Analyzer。對已有 API、MCP server 或明確內部工具的團隊來說，Strands 能省掉不少流程編排；高度法遵、每一步都必須固定的系統，仍不能只靠模型自由判斷。
期望評估
我認為低標期望，是用幾行程式先做出可呼叫工具的 Agent，並透過 hooks 攔截 tool call、檢查輸出，再用 evals 量化偏離規則的頻率。這已足以快速驗證需求。
高標方面，我猜成熟團隊可以把 Steering、LLM-as-a-Judge、權限檢查與觀測資料組合起來，在不犧牲彈性的情況下支撐生產服務。上限仍取決於底層模型、工具設計與測試資料，不是換框架就會自動可靠。
商業策略分析
受影響最大的是傳統 agent workflow framework、RPA 平台與企業 AI 整合商。Strands 把競爭焦點從「誰的流程圖最多」拉回模型能力、工具品質、evals 與治理。對 AWS 而言，開源且支援多家模型有助降低採用門檻，實際上也自然帶動 Bedrock 與雲端觀測服務。我認為值得跟進，但應先挑低風險流程試做；真正形成護城河的會是企業自己的 tools、權限規則與評估資料。
實作細節
Python 需 3.10 以上，可安裝：
pip install strands-agents strands-agents-tools
建立 Agent 後傳入 tools，再直接以文字呼叫即可；評估套件另裝 strands-agents-evals。預設使用 Amazon Bedrock 時，還要設定 AWS credentials 及模型存取權。已知取捨是模型驅動架構較難做整體 deterministic test，因此官方建議把工具拆小、分別測試，再用 hooks、Steering 與 trajectory evals 補強。