strands-labs/ai-functions
Python functions powered by AI agents - with runtime post-conditions for reliable agentic workflows.
解决的问题
Strands AI Functions 提供了一种将 AI 代理视为标准 Python 函数的方法。它通过引入后置条件（post-conditions），解决了"提示即祈祷"（prompt-and-pray）式开发的问题，强制代理在输出满足特定要求前不断自我修正。同时，它还弥合了 LLM 文本输出与现实世界数据之间的鸿沟，允许代理生成并执行 Python 代码，以返回 Pandas DataFrames 等原生对象。
工作原理
该库使用 @ai_function 装饰器将 Python 函数转换为代理任务。文档字符串充当提示模板，返回类型注解定义了预期的输出格式。
关键架构组件包括：
- 后置条件：验证函数，当代理输出未通过检查时，会自动触发重新提示。
- AI 线程：带有状态的句柄，可在多次调用之间保持对话历史。
- 协调器与工作者：一种系统，允许多个线程相互发现并发送消息，实现多代理协作。
- 分布式执行：基于 WebSocket 的协议，允许协调器和工作者在不同进程或机器上运行。
- 内存优化：一种自然语言的"反向传播"系统，利用对结果的反馈来更新存储在内存后端的提示、事实或代码，以提升未来运行效果。
适用人群
需要保证输出结构、支持状态化交互，并具备在分布式系统中编排代理团队能力的 Python 开发者，用于构建复杂的 AI 工作流。
主要亮点
- 自我修正循环：基于自定义 Python 或 AI 驱动的后置条件实现自动重试。
- 原生 Python 集成：通过本地代码执行，支持返回复杂对象（如 DataFrames）。
- 多代理编排：内置
list_threads和send_message工具，支持代理间自主通信。 - 运行时互操作性：提供对 Claude Code、Kiro、Codex 等外部运行时的封装，将其视为标准线程。
- 分布式运行时：提供 CLI 和 WebSocket 服务器，将协调器转变为全系统可用的代理运行时。
- 自然语言优化：基于性能反馈的反馈循环，持续更新提示和逻辑。
相关
- 项目
- 项目
- 项目
- 项目
- 项目