Strands Agents项目实战：构建多智能体工具化架构

引言：智能体工具化架构概述

在现代AI系统设计中，"智能体即工具"(Agents as Tools)是一种日益流行的架构模式。这种模式通过将专业化的AI智能体封装为可调用函数(工具)，供其他智能体使用，从而构建出层次化的智能系统结构。

Strands Agents项目为我们提供了一个优秀的实现范例，展示了如何构建这种架构。本文将深入解析该项目的核心设计思想，并通过实际代码示例演示如何实现多智能体协作系统。

核心架构设计原理

1. 分层协作机制

智能体工具化架构包含两个关键层级：

1. 协调者智能体(Orchestrator)：作为系统的"大脑"，负责与用户交互并决定调用哪个专业智能体
2. 工具智能体(Tool Agents)：各种专业化的智能体，每个都专注于特定领域的任务

这种设计模拟了人类团队的工作方式，类似于一个经理协调多个专业人才共同解决复杂问题。

2. 架构优势分析

采用这种架构模式具有多重优势：

• 关注点分离：每个智能体职责单一，系统更易理解和维护
• 层次化委托：形成清晰的调用链，协调者决定何时调用哪个专家
• 模块化设计：可以独立添加、移除或修改专业智能体而不影响整体系统
• 性能优化：每个智能体可以针对特定任务优化其系统提示和工具

实战开发：构建多智能体系统

1. 环境准备与基础配置

首先需要安装必要的依赖包：

!pip install -r requirements.txt

然后导入核心模块：

import os
from strands import Agent, tool
from strands_tools import file_write

2. 构建研究助手智能体

我们先创建一个基础的研究助手智能体：

RESEARCH_ASSISTANT_PROMPT = """您是一个专业的研究助手。专注于提供
基于事实、来源可靠的信息回应研究问题。
尽可能引用您的资料来源。"""

research_agent = Agent(
    system_prompt=RESEARCH_ASSISTANT_PROMPT,
    # tools=[http_request]  # 可启用AI搜索工具
)

query = "Amazon Bedrock及其功能概述"
response = research_agent(query)

3. 将智能体封装为工具

遵循最佳实践，我们将研究助手封装为可调用工具：

@tool
def research_assistant(query: str) -> str:
    """
    处理并回应研究相关查询。

    参数:
        query: 需要事实信息的研究问题

    返回:
        带有引用的详细研究回答
    """
    try:
        research_agent = Agent(
            system_prompt=RESEARCH_ASSISTANT_PROMPT,
        )
        response = research_agent(query)
        return str(response)
    except Exception as e:
        return f"研究助手错误: {str(e)}"

4. 构建更多专业智能体

产品推荐助手

@tool
def product_recommendation_assistant(query: str) -> str:
    """
    处理产品推荐查询，根据用户偏好建议合适产品。

    参数:
        query: 包含用户偏好的产品查询

    返回:
        带有推理的个性化产品推荐
    """
    try:
        product_agent = Agent(
            system_prompt="""您是一个专业的产品推荐助手。
            根据用户偏好提供个性化产品建议。始终引用您的来源。""",
        )
        response = product_agent(query)
        return str(response)
    except Exception as e:
        return f"产品推荐错误: {str(e)}"

旅行规划助手

@tool
def trip_planning_assistant(query: str) -> str:
    """
    创建旅行行程并提供旅行建议。

    参数:
        query: 包含目的地和偏好的旅行规划请求

    返回:
        详细的旅行行程或旅行建议
    """
    try:
        travel_agent = Agent(
            system_prompt="""您是一个专业的旅行规划助手。
            根据用户偏好创建详细的旅行行程。""",
        )
        response = travel_agent(query)
        return str(response)
    except Exception as e:
        return f"旅行规划错误: {str(e)}"

5. 构建协调者智能体

协调者智能体是整个系统的核心，负责路由请求：

MAIN_SYSTEM_PROMPT = """
您是一个将查询路由到专业智能体的助手:
- 研究问题和事实信息 → 使用research_assistant工具
- 产品推荐和购物建议 → 使用product_recommendation_assistant工具
- 旅行规划和行程 → 使用trip_planning_assistant工具
- 不需要专业知识的简单问题 → 直接回答

始终根据用户查询选择最合适的工具。
"""

orchestrator = Agent(
    system_prompt=MAIN_SYSTEM_PROMPT,
    tools=[
        research_assistant,
        product_recommendation_assistant,
        trip_planning_assistant,
        file_write,
    ],
)

6. 系统运行示例

处理产品查询

customer_query = "我正在寻找登山靴。将最终响应写入当前目录。"
os.environ["BYPASS_TOOL_CONSENT"] = "true"
response = orchestrator(customer_query)

处理旅行查询

customer_query = "你能帮我规划去巴塔哥尼亚的旅行吗"
response = orchestrator(customer_query)

复杂多任务处理

query = "你能研究一下西班牙吗？同时帮我规划7天的旅行。"
orchestrator(query)

在这个例子中，协调者会：

1. 首先调用research_assistant
2. 然后调用trip_planning_assistant
3. 将两个专业响应组合成连贯的答案

高级技巧：智能体间通信模式

1. 序列化智能体协作

我们可以让多个智能体按顺序协作处理任务：

@tool
def research_assistant_2(topic: str):
    """
    处理并回应研究相关查询。

    参数:
        topic: 需要事实信息的研究主题

    返回:
        带有引用的详细研究回答
    """
    research_agent = Agent(
        system_prompt=RESEARCH_ASSISTANT_PROMPT,
    )

    summary_agent = Agent(
        system_prompt="""
        您是一个专注于将复杂信息提炼为清晰、简洁摘要的专家。
        您的主要目标是提取关键点、主要论点和关键数据。
        您应该保持原始内容的准确性，同时使其更易于消化。
        专注于清晰度、简洁性和突出信息的最重要方面。
        """,
    )

    print("多个智能体创建成功！")
    print(f"\n🔍 研究智能体正在处理: {topic}\n")
    
    try:
        research_response = research_agent(
            f"请收集关于{topic}的全面信息。"
        )
        research_text = research_response.message.content[0]["text"]

        print("\n✂️ 摘要智能体正在提炼研究\n")
        summary_response = summary_agent(
            f"请创建这份研究的简明摘要: {research_text}"
        )
        summary_text = summary_response.message.content[0]["text"]
        return str(summary_text)
    except Exception as e:
        return f"研究助手错误: {str(e)}"

2. 使用use_llm工具

Strands Agents提供了use_llm工具，可以动态创建特定功能的智能体：

from strands import Agent
from strands_tools import stop, use_llm

agent = Agent(
    tools=[use_llm, stop],
    system_prompt="使用use_llm工具创建一个诗歌写作助手，可以写关于给定主题的短诗。",
)

llm_response = agent("主题: 人工智能。")

最佳实践总结

在实现"智能体即工具"模式时，应遵循以下最佳实践：

1. 清晰的工具文档：为每个智能体编写描述性文档字符串，明确其专业领域
2. 专注的系统提示：保持每个专业智能体严格专注于其领域
3. 一致的响应处理：使用统一模式提取和格式化响应
4. 工具选择指导：为协调者提供明确的标准来判断何时使用每个专业智能体

结语

通过Strands Agents项目，我们看到了构建复杂多智能体系统的优雅方式。这种"智能体即工具"的架构模式不仅提高了系统的模块化和可维护性，还通过专业化分工显著提升了整体性能。希望本文能帮助您理解并应用这一强大的设计模式。