第 1 章：Agent 到底是怎么工作的
第 1 章：Agent 到底是怎么工作的
关于本课
这门课的视频是某个时间点的快照。Strands 一直在活跃开发，所以本页的代码反映的是最新的写法，但视频里讲的概念依然成立。拿不准的时候，以代码为准。
为什么需要 Agent？
Model 是无状态的。它处理一个请求，给出一次补全，然后就忘了。它没法自己采取行动、拿不到实时数据，也协调不了多步流程。Agent 解决这个问题的办法，是把 Model 包进一个运行时系统里，给它工具、记忆和一个推理循环。
Agent Loop
- Model 收到上下文（system prompt + 用户输入 + 工具列表 + 历史记录）
- Model 进行推理，判断要不要调用工具
- 工具执行，结果回流进上下文
- 循环重复，直到任务完成
Agent = Model + Harness
Harness 是包在 Model 外面、把它变成 Agent 的那套系统。它负责 Agent Loop、工具执行、上下文管理、记忆、生命周期控制、可观测性和验证。
合起来就是：Model + Harness = Agent。
三层工程
Prompt Engineering： 发给 Model 的指令和约束
Context Engineering： 哪些信息进入上下文窗口、什么时候进、怎么进
Harness Engineering： 把这一切编排起来的运行时系统
Strands Harness SDK
Strands Harness SDK 是一个用来构建 Agent Harness 的开源 SDK。它提供了一组可组合的 primitive，比如 Tool、上下文管理、生命周期 Hook、Memory、Session、评测和可观测性，你按自己的场景把它们组装成需要的系统。
设计哲学： 让 Model 来驱动。你定义环境和边界，Model 自己推理着把任务做完。
代码：一个简单的 Agent
这已经是一个能跑的 Agent 了，带循环，只是没有工具。
from strands import Agent
agent = Agent()
response = agent("What are the key differences between REST and GraphQL APIs?")
print(response)代码：带工具的 Agent
web_fetch 这个 vended tool 会引入一个 HTML 解析器，所以要带上对应的 extra 来装 SDK：pip install 'strands-agents[web-fetch]'。
from strands import Agent, tool
from strands.vended_tools import file_editor, web_fetch
@tool
def query_product_database(query: str) -> str:
"""Query the internal product database for inventory and pricing information.
Args:
query: Search query for products (e.g., "wireless headphones", "USB-C hub")
"""
products = {
"wireless headphones": "SKU-WH100: Wireless Headphones Pro - $79.99, 142 in stock, 4.5★ rating, launched 2025-03",
"usb-c hub": "SKU-UC200: USB-C Hub 7-in-1 - $45.00, 89 in stock, 4.2★ rating, launched 2024-11",
"mechanical keyboard": "SKU-MK300: Mechanical Keyboard RGB - $149.99, 23 in stock, 4.8★ rating, launched 2025-01",
"noise cancelling": "SKU-NC400: Noise Cancelling Earbuds - $129.99, 67 in stock, 4.6★ rating, launched 2025-05",
}
key = query.lower()
matches = [info for product_key, info in products.items() if product_key in key]
if matches:
return "\n".join(matches)
return f"No products found matching '{query}'. Available: wireless headphones, usb-c hub, mechanical keyboard, noise cancelling"
SYSTEM_PROMPT = """You are a product research analyst. You help the team understand
market positioning by comparing competitor pricing with our internal catalog.
When given a research task:
1. Use web_fetch to gather public market data from the web
2. Use query_product_database to check our internal pricing and inventory
3. Write a brief competitive analysis and save it to report.md using file_editor"""
agent = Agent(
tools=[web_fetch, file_editor, query_product_database],
system_prompt=SYSTEM_PROMPT,
)
result = agent("Research what wireless headphones are trending on the market and compare it against our offerings. "
"Write a short competitive positioning summary and save it to report.md")几个关键概念：
@tool装饰器把任何 Python 函数变成 Agent 可以调用的 Tool- Docstring 会成为 Model 看到的 Tool 描述
- 类型标注自动生成输入 schema
- System prompt 定义 Agent 的身份和行为
跑完之后，agent.messages 会显示循环走过的每一步：用户回合、assistant 文本、Tool Calling 和工具返回结果。想知道 Agent 为什么这么干，这里是第一个该看的地方。
开箱即用的组件
Strands 还附带了一些预配置组件，让你开箱就有一个能力不错的 Agent：
- Vended tool，覆盖文件操作、shell 访问和网页抓取
- 自动上下文管理，会把大的结果卸出去、压缩旧消息，并在窗口填满前主动触发压缩
- Plugin 系统，用来扩展行为
你可以从这些默认配置起步再往上改，也可以用那些 primitive 从零搭。
from strands import Agent
from strands.models import BedrockModel
from strands.vended_tools import file_editor, shell
from strands.vended_tools.web_fetch import web_fetch
agent = Agent(
model=BedrockModel(
model_id="us.anthropic.claude-sonnet-5",
),
# Vended tools for file ops, shell, and web fetching
tools=[file_editor, shell, web_fetch],
# Auto context management: offloads large tool results, compresses old
# messages into summaries, and fires proactive compression at 85% usage.
context_manager="auto",
)
# Give it a research task
agent("Research the current state of AI agent deployment patterns in production, including common architectures, challenges teams face, and best practices. Write a summary to report.md")