Собираем AI-агента с Strands и Amazon Bedrock: полный гайд по развертыванию в облаке

Умные агенты перестали быть игрушкой. За последние полгода я перепробовал штук десять фреймворков — от тяжеловесного LangGraph до переоцененного AutoGPT. Почти везде одно и то же: либо ты утопаешь в бойлерплейте, либо агент тупит на первом же сложном запросе. Strands от AWS в этом плане — глоток воздуха. Открытый исходник, легковесный SDK, и главное — родная интеграция с Amazon Bedrock AgentCore. Сегодня разберемся, как собрать рабочего AI-агента на этих двух китах и задеплоить его в облаке так, чтобы он не развалился под нагрузкой.

Что такое Strands и почему это не очередной велосипед

Strands — это open-source SDK для построения агентных систем, который AWS выкатила в конце 2025 года. К середине 2026 вышла версия 0.9, и она уже стабильна. Суть простая: ты описываешь агента как набор инструментов (tools), системный промпт и правила цикла принятия решений. SDK сам разруливает вызов LLM, парсинг ответов, исполнение действий и передачу контекста между шагами.

Главная фишка — Strands не заставляет тебя тянуть монолитный фреймворк. Это библиотека, а не платформа. Можно встроить в FastAPI, Lambda, ECS — куда угодно. И она сразу умеет работать с Bedrock AgentCore, который даёт доступ к моделям вроде Claude 4 Sonnet или Llama 4 405B без возни с API ключами.

Сравнение с альтернативами: честно без прикрас

Лично я после месяца мучений с LangGraph (там граф — это ад в отладке, если у тебя больше 5 узлов) перешел на Strands. Да, LangGraph мощнее, но для 80% задач эта мощь избыточна. CrewAI слишком завязан на роли, а AutoGPT банально глючит на длинных циклах.

Strands берёт ровно то, что нужно: простой агентный цикл, тулы как функции Python, понятный system prompt. И да, он умеет в мультиагентность — если хочется собрать толпу агентов, как в нашем гайде.

Практический пример: агент для сбора данных из нескольких источников

Допустим, нужно написать агента, который по запросу пользователя собирает последние новости по теме, ищет похожие статьи в корпоративной базе (OpenSearch) и отдаёт краткий дайджест. Типичный use case из гибридного RAG. Начнём с установки Strands.

pip install strands-sdk==0.9.0  # последняя на 1 июля 2026

Следующий шаг — описать тулы. В Strands это обычные функции с декораторами. Пример тула для веб-поиска (используем Exa, как в статье про Exa):

from strands import tool  @tool  def search_web(query: str) -> list[dict]:      """            Ищет новости по запросу через Exa API.          Args:              query: текст запроса          Returns:              список новостей (заголовок, url, сниппет)          """      # тут вызов Exa (опустим реализацию)      return [{"title": "...", "url": "..."}]

Тул для поиска по внутренней базе (OpenSearch) вытащим из статьи про гибридный RAG — там уже готовый код с фильтрацией.

@tool  def search_internal(query: str, top_k: int = 5) -> list[dict]:      """Поиск по корпоративной базе знаний (OpenSearch)."""      # используем OpenSearch клиент      return opensearch_client.search(query, size=top_k)

1 Создаём системный промпт

Без хорошего system prompt агент будет делать глупости. Вот работающий шаблон:

SYSTEM_PROMPT = """  Ты — исследовательский ассистент. Твоя задача:  1. Получить запрос пользователя.  2. Если запрос касается внешних новостей — используй search_web.  3. Параллельно ищи в корпоративной базе через search_internal.  4. Собери результаты и напиши краткий дайджест из 3-5 пунктов.  5. Если по запросу ничего не найдено — честно скажи, что данных нет.  Не выдумывай то, чего нет в источниках.  """

2 Собираем агента и цикл

from strands import Agent, AgentCore, ToolRegistry  from strands.runtime import BedrockRuntime    llm = BedrockRuntime(      model_id="anthropic.claude-4-sonnet-20260601",  # Claude 4 Sonnet на 1 июля      region="us-east-1"  )    registry = ToolRegistry()  registry.register(search_web)  registry.register(search_internal)    agent = Agent(      name="news-digest-agent",      system_prompt=SYSTEM_PROMPT,      tools=registry,      max_iterations=5  # ограничение на число шагов  )

Агентный цикл запускается одной строкой:

result = agent.run("Собери последние новости по Amazon Bedrock и найди похожие статьи в нашей базе")  print(result)

Как развернуть это в облаке на Bedrock

Локально всё работает, но прод требует managed решения. Amazon Bedrock AgentCore — сервис, который берёт на себя запуск агента в безопасном окружении. Strands SDK умеет экспортировать агента в формат, понятный AgentCore.

from strands.deployment import BedrockAgentExporter    exporter = BedrockAgentExporter(      agent=agent,      role_arn="arn:aws:iam::123456789012:role/BedrockAgentRole",      alias_name="production"  )  agent_id = exporter.deploy()  print(f"Агент развёрнут, ID: {agent_id}")

После деплоя ты получаешь endpoint, к которому можно цеплять Slack, веб-форму или Telegram — как в нашем гайде по интеграции со Slack. AgentCore сам масштабирует реплики, управляет шифрованием и логирует все вызовы в CloudWatch.

Что реально бесит в Strands (честный минус)

Первое — документация. Она есть, но написана сухо, примеров катастрофически мало. Приходится лезть в исходники SDK на GitHub. Второе — отладка цикла. Если агент выбрал неверный тул, трейс не всегда понятный. Пришлось прокидывать свой логгер, чтобы понять, почему он вызывает search_web, когда должен search_internal.

Третье — лимит в 20 шагов (hardcoded). Для простых сценариев нормально, но для сложной мультиагентки приходится вручную увеличивать через конфиг. Разработчики обещали убрать это ограничение в 0.10, но пока ждём.

Кому это реально сдалось

• Инженерам ML/AI — чтобы быстро прототипировать агенты и не писать велосипед с циклами. Strands сокращает код в 3-4 раза по сравнению с LangGraph.
• Командам, уже сидящим на AWS — нативная интеграция с Bedrock AgentCore даёт безопасность, мониторинг и отказоустойчивость без шаманства.
• Биоинформатикам — да, мы уже делали агента для белков на Strands. Там как раз нужен был гибкий цикл для смешанного поиска.

Не советую использовать, если у тебя только одна модель и один простой запрос — хватит обычного API вызова. Strands оправдан, когда есть цепочка действий и несколько тулов.

Прогноз: куда качнётся Strands к концу 2026

Судя по роадмапу, в релизе 0.10 появится встроенный agent memory (сейчас его нет, приходится колхозить через внешнюю БД). Ещё обещают graph-based planning — вместо линейного цикла агент сможет строить план из параллельных шагов. Если это сделают удобно, Strands обойдёт LangGraph по популярности в AWS-среде. А пока — берите и пробуйте, код на десять строк не обманет.

Подписаться на канал