strands-labs/ai-functions
Python functions powered by AI agents - with runtime post-conditions for reliable agentic workflows.
解決的問題
Strands AI Functions 提供了一種將 AI 代理視為標準 Python 函數的方法。它透過引入後置條件（post-conditions），解決了「提示即祈禱」（prompt-and-pray）式開發的問題，強制代理在輸出符合特定要求前不斷自我修正。同時，它也彌合了 LLM 文本輸出與現實世界資料之間的鴻溝，允許代理生成並執行 Python 程式碼，以回傳 Pandas DataFrames 等原生物件。
工作原理
該庫使用 @ai_function 裝飾器將 Python 函數轉換為代理任務。文件字串擔任提示範本，回傳類型註解定義了預期的輸出格式。
關鍵架構元件包括：
- 後置條件：驗證函數，當代理輸出未通過檢查時，會自動觸發重新提示。
- AI 線程：具備狀態的句柄，可在多次呼叫之間保持對話歷史。
- 協調器與工作者：一種系統，允許多個線程相互發現並傳送訊息，實現多代理協作。
- 分散式執行：基於 WebSocket 的協定，允許協調器與工作者在不同流程或機器上執行。
- 記憶體優化：一種自然語言的「反向傳播」系統，利用對結果的反饋來更新儲存在記憶體後端的提示、事實或程式碼，以提升未來執行效果。
適用對象
需要保證輸出結構、支援狀態化互動，並具備在分散式系統中編排代理團隊能力的 Python 開發者，用於建構複雜的 AI 工作流程。
主要亮點
- 自我修正迴圈：基於自訂 Python 或 AI 驅動的後置條件實現自動重試。
- 原生 Python 集成：透過本地程式碼執行，支援回傳複雜物件（如 DataFrames）。
- 多代理編排：內建
list_threads和send_message工具，支援代理間自主通訊。 - 執行時互操作性：提供對 Claude Code、Kiro、Codex 等外部執行時的封裝，將其視為標準線程。
- 分散式執行時：提供 CLI 和 WebSocket 伺服器，將協調器轉變為全系統可用的代理執行時。
- 自然語言優化：基於效能反饋的反饋迴圈，持續更新提示和邏輯。
相關
- 專案
- 專案
- 專案
- 專案
- 專案