🔥 20 行代码搞定 AI Agent！查天气、算数学、读文档全包了

亚马逊云开发者2026-03-23 14:48

别再扉写 if-else 判断该调哪个 API 了。让模型自己选。

故事的开始

"老板让我两天做个能调 API 的 AI Agent。"

周一早上开完会，我整个人是懵的。Agent 这东西我知道，但从零搭一个？两天？

然后同事甩给我一个链接------Strands Agents SDK。

我花了 20 分钟跑通了第一个 demo。花了半天写完了天气查询 + 数学计算 + 文档检索。还剩一天多的时间我用来摸鱼......哦不，用来写这篇教程。

先看效果

Agent 跑起来后，你可以这样问：

"北京今天天气怎么样？帮我算 2 的 10 次方。再查一下 Amazon S3 是什么。"

它会自己拆任务、调工具、汇总结果。你不用写一行调度逻辑。

代码？一共就这些：

python 复制代码 
from strands import Agent, tool
from strands_tools import calculator
import urllib.request, json

@tool
def get_weather(city: str) -> str:
    """查询指定城市的当前天气信息。

    Args:
        city: 城市名称，如 Beijing、Shanghai
    """
    url = f"https://wttr.in/{city}?format=j1"
    req = urllib.request.Request(url, headers={"User-Agent": "Mozilla/5.0"})
    with urllib.request.urlopen(req, timeout=10) as resp:
        data = json.loads(resp.read().decode())
    current = data["current_condition"][0]
    return f"{city}: {current['temp_C']}°C, {current['weatherDesc'][0]['value']}"

@tool
def search_docs(keyword: str) -> str:
    """在技术文档中搜索关键词。

    Args:
        keyword: 要搜索的关键词
    """
    docs = {
        "bedrock": "Amazon Bedrock 是亚马逊云科技的全托管生成式 AI 服务。",
        "lambda": "AWS Lambda 是事件驱动的无服务器计算服务。",
        "s3": "Amazon S3 是对象存储服务，支持无限存储。"
    }
    for key, value in docs.items():
        if keyword.lower() in key:
            return value
    return f"未找到关于 '{keyword}' 的文档。"

agent = Agent(tools=[calculator, get_weather, search_docs])
agent("北京天气如何？2 的 10 次方等于多少？什么是 S3？")

没有路由逻辑。没有意图识别。模型自己决定调哪个工具。

这到底是怎么回事

Strands Agents 是亚马逊云科技开源的 AI Agent SDK。

核心理念叫 model-driven orchestration，翻译过来就是：模型驱动编排。

说白了：

  1. 你注册一堆工具（Python 函数）
  2. 用户提问
  3. 模型自己看问题，决定调哪个工具
  4. 调完拿结果，继续推理
  5. 重复 3-4 直到任务完成

你要做的就是：写工具函数 + 把它们注册到 Agent。其他的，模型搞定。

环境搭建（5 分钟）

装包

bash 复制代码 
python -m venv .venv
source .venv/bin/activate
pip install strands-agents strands-agents-tools

配凭证

默认用 Amazon Bedrock，所以需要亮马逊云科技凭证：

bash 复制代码 
aws configure
# 或者
export AWS_ACCESS_KEY_ID=你的AK
export AWS_SECRET_ACCESS_KEY=你的SK
export AWS_DEFAULT_REGION=us-west-2

然后去 Amazon Bedrock 控制台开通 Claude 4 Sonnet 模型权限（us-west-2 区域）。

⚠️ 坑：我第一次用了 ap-northeast-1，结果报 AccessDeniedException。Claude 4 Sonnet 不是所有区域都能用，us-west-2 准没错。

@tool 装饰器详解

这是 Strands Agents 的杀手级特性。一个装饰器把普通函数变成 Agent 可调用的工具。

python 复制代码 
from strands import tool

@tool
def get_weather(city: str) -> str:
    """查询指定城市的当前天气信息。

    Args:
        city: 城市名称，如 Beijing、Shanghai、Tokyo
    """
    import urllib.request, json
    url = f"https://wttr.in/{city}?format=j1"
    req = urllib.request.Request(url, headers={"User-Agent": "Mozilla/5.0"})
    with urllib.request.urlopen(req, timeout=10) as resp:
        data = json.loads(resp.read().decode())
    current = data["current_condition"][0]
    temp = current["temp_C"]
    desc = current["weatherDesc"][0]["value"]
    humidity = current["humidity"]
    return f"{city}: {temp}°C, {desc}, 湿度 {humidity}%"

三个要点：

  1. docstring 是灵魂。模型靠它理解这个工具干嘛。写得越清楚，调用越准
  2. 类型注解必须有。SDK 用它生成 JSON Schema，模型根据 Schema 填参数
  3. 返回字符串。模型好理解

踩坑：一开始我 docstring 只写了一句"查天气"。结果模型经常不调这个工具。改成详细描述 + 参数说明后，命中率飙升。

接 MCP Server：读 AWS 官方文档

MCP（Model Context Protocol）是一个开放协议。可以让 Agent 连接外部工具服务器。

Strands Agents 内置支持。用 aws-documentation-mcp-server 能让 Agent 实时检索 AWS 文档。

python 复制代码 
from strands import Agent
from strands.tools.mcp import MCPClient
from mcp import stdio_client, StdioServerParameters

aws_docs_client = MCPClient(
    lambda: stdio_client(
        StdioServerParameters(
            command="uvx",
            args=["awslabs.aws-documentation-mcp-server@latest"]
        )
    )
)

with aws_docs_client:
    agent = Agent(tools=aws_docs_client.list_tools_sync())
    response = agent("Amazon Bedrock 用 Python 怎么调用？")
    print(response)

坑：uvx: command not found。需要先装 uv：

bash 复制代码 
pip install uv

自定义工具 + MCP 混合用

python 复制代码 
from strands import Agent, tool
from strands.tools.mcp import MCPClient
from mcp import stdio_client, StdioServerParameters
from strands_tools import calculator

@tool
def get_weather(city: str) -> str:
    """查询指定城市的当前天气信息。

    Args:
        city: 城市名称
    """
    import urllib.request, json
    url = f"https://wttr.in/{city}?format=j1"
    req = urllib.request.Request(url, headers={"User-Agent": "Mozilla/5.0"})
    with urllib.request.urlopen(req, timeout=10) as resp:
        data = json.loads(resp.read().decode())
    current = data["current_condition"][0]
    return f"{city}: {current['temp_C']}°C, {current['weatherDesc'][0]['value']}"

aws_docs_client = MCPClient(
    lambda: stdio_client(
        StdioServerParameters(
            command="uvx",
            args=["awslabs.aws-documentation-mcp-server@latest"]
        )
    )
)

with aws_docs_client:
    all_tools = [calculator, get_weather] + aws_docs_client.list_tools_sync()
    agent = Agent(tools=all_tools)
    agent("上海天气怎么样？帮我查查 S3 的 Python 用法。再算 99 * 99。")

Agent 自己分辨哪些问题用哪个工具。混着来也不慌。

多 Agent 协作

一个 Agent 能力有限？搞多个，让它们分工。

思路：把子 Agent 包装成 tool，注册给主 Agent。

python 复制代码 
from strands import Agent, tool
from strands_tools import calculator

@tool
def get_weather(city: str) -> str:
    """查询城市天气。"""
    import urllib.request, json
    url = f"https://wttr.in/{city}?format=j1"
    req = urllib.request.Request(url, headers={"User-Agent": "Mozilla/5.0"})
    with urllib.request.urlopen(req, timeout=10) as resp:
        data = json.loads(resp.read().decode())
    current = data["current_condition"][0]
    return f"{city}: {current['temp_C']}°C, {current['weatherDesc'][0]['value']}"

# 子 Agent：天气专家
weather_agent = Agent(
    system_prompt="你是天气查询助手，用 get_weather 工具回答天气问题。",
    tools=[get_weather]
)

# 子 Agent：数学专家
math_agent = Agent(
    system_prompt="你是数学计算助手，用 calculator 工具解决数学问题。",
    tools=[calculator]
)

@tool
def ask_weather_expert(question: str) -> str:
    """向天气专家提问，查询天气信息时使用。

    Args:
        question: 关于天气的问题
    """
    return str(weather_agent(question))

@tool
def ask_math_expert(question: str) -> str:
    """向数学专家提问，需要数学计算时使用。

    Args:
        question: 数学问题
    """
    return str(math_agent(question))

# 主 Agent：协调者
coordinator = Agent(
    system_prompt="你是智能助手。天气问题交给天气专家，数学问题交给数学专家。",
    tools=[ask_weather_expert, ask_math_expert]
)

coordinator("北京今天多少度？123 × 456 等于多少？")

每个 Agent 专注自己的事，主 Agent 只管分活。

换模型

默认 Claude 4 Sonnet。想用别的：

python 复制代码 
from strands import Agent
from strands.models import BedrockModel

model = BedrockModel(
    model_id="us.amazon.nova-pro-v1:0",
    temperature=0.3,
    streaming=True
)

agent = Agent(model=model, tools=[...])

Amazon Bedrock 上有多种模型可选，Claude 系列和 Amazon Nova 系列都支持。

踩坑合集

问题 原因 解法
ImportError: cannot import name 'tool' SDK 版本太老 pip install --upgrade strands-agents
工具不被调用 docstring 太简略 写详细的功能描述和参数说明
MCP 服务器超时 首次下载依赖慢 等一会，第二次就快了
AccessDeniedException 区域不对或没开通 去 Bedrock 控制台开通模型权限
uvx: command not found 没装 uv pip install uv

写在后面

从零到一个能查天气、算数学、读文档的 AI Agent，我花了不到一个小时。

这个 SDK 的哲学很简单：你写函数，模型做决策。

代码已经全放上面了。试试呗。

链接：

相关推荐
亚马逊云开发者2 小时前
被线上故障电话叫醒后，我花一下午搭了套零人工告警系统
aws
李白你好7 小时前
云安全渗透测试框架 - 支持 AWS、Azure、GCP、阿里云、腾讯云、华为云的综合渗透测试工具和指南
阿里云·azure·aws
亚林瓜子1 天前
linux账号强制密码过期导致私钥文件登录异常问题——(current) UNIX password:
linux·运维·服务器·ssh·aws·ec2·chage
DexterLien1 天前
使用开源 Authentik 实现 AWS 单点登录
aws·sso·saml·authentik
亚马逊云开发者2 天前
OpenClaw 接入 Amazon Bedrock 模型选择完全指南：Nova/Claude/Llama 三大模型家族怎么选不花冤枉钱
aws·亚马逊云科技·amazon bedrock·模型选择·openclaw
亚马逊云开发者3 天前
给 AI 助手装个"记忆芯片"🧠：OpenClaw + S3 Vectors 搞定个人知识库
aws
亚马逊云开发者3 天前
写了个 Skill 让 OpenClaw 自动查 AWS 账单，从此告别手动翻控制台
aws
亚林瓜子3 天前
为AWS ElastiCache添加CPU和内存利用率告警
云计算·aws
热门推荐
01GitHub 镜像站点02Qwen3.5 开源全解析：从 0.8B 到 397B，代际升级 + 全场景选型指南03围棋-html版本04小黑课堂计算机二级WPSoffice题库软件下载安装教程（2026年3月最新版）05班级宠物园部署指南06OpenClaw 使用和管理 MCP 完全指南07AI 编程三剑客：Spec-Kit、OpenSpec、Superpowers 深度对比与实战指南08UV安装并设置国内源09OpenClaw Control UI安全上下文访问配置10“wsl --install -d Ubuntu-22.04”下载慢，中国地区离线安装 Ubuntu 22.04 WSL方法（亲测2025年5月6日）