strands-agents/tools 完整教學

1strands-agents 生態系（12 個 repo）
2├── sdk-python        ← Agent 核心 SDK（Agent class、tool protocol、model provider）
3├── tools             ← ★ 本 repo：50+ 種即用型工具
4├── agent-builder     ← 視覺化 Agent 建構器
5├── mcp-server        ← 靜態 MCP 伺服器整合
6├── samples           ← 範例程式碼
7├── docs              ← 官方文件站
8├── ...（其餘 6 個基礎設施 repo）

 1# 基本安裝（含所有核心工具）
 2pip install strands-agents-tools
 3
 4# 安裝選用工具的額外依賴
 5pip install "strands-agents-tools[mem0_memory]"       # Mem0 記憶系統
 6pip install "strands-agents-tools[use_browser]"        # 瀏覽器自動化
 7pip install "strands-agents-tools[rss]"                # RSS Feed 管理
 8pip install "strands-agents-tools[use_computer]"       # 桌面自動化
 9
10# 一次裝全部選用依賴
11pip install "strands-agents-tools[mem0_memory,use_browser,rss,use_computer]"

 1# 1. Clone repo
 2git clone https://github.com/strands-agents/tools.git
 3cd tools
 4
 5# 2. 建立虛擬環境（建議用 uv）
 6python3 -m venv .venv
 7source .venv/bin/activate
 8
 9# 3. 安裝開發模式 + 開發依賴
10pip install -e ".[dev]"
11
12# 4. 安裝 pre-commit hooks
13pre-commit install

 1# AWS Bedrock（use_aws / retrieve / memory / nova_reels / generate_image）
 2export AWS_REGION=us-west-2
 3export AWS_ACCESS_KEY_ID=your_key
 4export AWS_SECRET_ACCESS_KEY=your_secret
 5
 6# Tavily 搜尋
 7export TAVILY_API_KEY=tvly-xxxxxxxxxxxxx
 8
 9# Exa 搜尋
10export EXA_API_KEY=your_exa_key
11
12# Anthropic（use_agent 的 model_provider="anthropic"）
13export ANTHROPIC_API_KEY=sk-ant-xxxxx
14
15# OpenAI
16export OPENAI_API_KEY=sk-xxxxx
17
18# 動態 model provider（use_agent 的 model_provider="env"）
19export STRANDS_PROVIDER=bedrock
20export STRANDS_MODEL_ID=us.anthropic.claude-sonnet-4-20250514-v1:0
21export STRANDS_MAX_TOKENS=4096
22export STRANDS_TEMPERATURE=0.7

1# 最小驗證：載入工具並建立 Agent
2from strands import Agent
3from strands_tools import file_read, current_time, calculator
4
5agent = Agent(tools=[file_read, current_time, calculator])
6result = agent("現在幾點？")
7print(result)

 1from strands import Agent
 2from strands_tools import file_read, file_write, editor
 3
 4# 建立 Agent，載入三個檔案操作工具
 5agent = Agent(
 6    tools=[file_read, file_write, editor],
 7    system_prompt="你是一個檔案管理助手，能讀取、寫入、編輯檔案。"
 8)
 9
10# --- 範例 1：讀取檔案（view 模式）---
11# file_read 支援多種模式：view / find / lines / search / stats / diff / time_machine
12agent.tool.file_read(
13    path="config.json",     # 要讀取的檔案路徑
14    mode="view"             # 模式：完整顯示 + 語法高亮
15)
16
17# --- 範例 2：搜尋檔案中的特定 pattern ---
18agent.tool.file_read(
19    path="src/app.py",
20    mode="search",              # 搜尋模式
21    search_pattern="def main",  # 搜尋 pattern（支援正規表達式）
22    context_lines=3             # 搜尋結果前後各顯示 3 行上下文
23)
24
25# --- 範例 3：寫入新檔案 ---
26agent.tool.file_write(
27    path="output/report.md",
28    content="# 分析報告\n\n## 摘要\n今天的分析結果如下..."
29)
30
31# --- 範例 4：使用 editor 進行精準文字取代 ---
32# editor 比 file_write 更適合修改現有檔案的特定段落
33agent.tool.editor(
34    command="str_replace",      # 指令：字串取代
35    path="config.json",
36    old_str='"debug": false',   # 要取代的舊字串
37    new_str='"debug": true'     # 取代後的新字串
38)

 1from strands import Agent
 2from strands_tools import use_agent, calculator, file_write
 3
 4# 主 Agent 使用 Bedrock Claude Sonnet（負責協調）
 5agent = Agent(
 6    tools=[use_agent, calculator, file_write],
 7    system_prompt="你是工作流協調者，可將不同任務分派給專門的子 Agent。"
 8)
 9
10# --- 用法 1：繼承父 Agent 的模型 ---
11# 最簡單的用法：子 Agent 繼承父 Agent 的 model provider
12result = agent.tool.use_agent(
13    prompt="分析 Python 3.12 的新語法特性",
14    system_prompt="你是 Python 語言專家。"
15    # model_provider=None → 自動繼承父 Agent 的模型
16)
17
18# --- 用法 2：指定不同的模型 Provider ---
19# 子 Agent 使用 Anthropic 直連（而非透過 Bedrock）
20result = agent.tool.use_agent(
21    prompt="計算 2024 年 Q4 的營收成長率，假設 Q3 為 1200 萬、Q4 為 1500 萬",
22    system_prompt="你是財務分析師，計算時請使用 calculator 工具。",
23    model_provider="anthropic",                         # 切換到 Anthropic 直連
24    model_settings={
25        "model_id": "claude-sonnet-4-20250514",         # 指定模型
26        "params": {"temperature": 0.3}                  # 低溫度 → 更精確
27    },
28    tools=["calculator"]                                # 只給子 Agent calculator 工具
29)
30
31# --- 用法 3：透過環境變數決定模型 ---
32import os
33os.environ["STRANDS_PROVIDER"] = "ollama"
34os.environ["STRANDS_MODEL_ID"] = "qwen3:4b"
35
36result = agent.tool.use_agent(
37    prompt="Review this code for security issues",
38    system_prompt="You are a security auditor.",
39    model_provider="env"    # 從環境變數讀取 provider 設定
40)

 1from strands import Agent
 2from strands_tools import swarm, file_write, calculator
 3
 4agent = Agent(tools=[swarm, file_write, calculator])
 5
 6# 定義一個 3 人專家團隊
 7result = agent.tool.swarm(
 8    task="為一家 AI 新創公司設計完整的產品上市策略",
 9    agents=[
10        {
11            "name": "market_researcher",                # Agent 名稱（也是 handoff 的識別符）
12            "system_prompt": (
13                "你是市場研究專家。負責分析目標市場、競爭對手、"
14                "客戶需求與市場規模。完成後交接給 product_strategist。"
15            ),
16            "tools": ["calculator"],                    # 此 Agent 可用的工具
17            "model_provider": "bedrock",
18            "model_settings": {
19                "model_id": "us.anthropic.claude-sonnet-4-20250514-v1:0"
20            }
21        },
22        {
23            "name": "product_strategist",
24            "system_prompt": (
25                "你是產品策略師。根據市場研究結果，制定產品定位、"
26                "價值主張與 go-to-market 計劃。完成後交接給 writer。"
27            ),
28            "tools": ["file_write"],
29            "model_provider": "anthropic",
30            "model_settings": {"model_id": "claude-sonnet-4-20250514"}
31        },
32        {
33            "name": "writer",
34            "system_prompt": (
35                "你是商業文案專家。將策略轉化為投資人提案、"
36                "行銷文案與簡報大綱。將最終成果寫入檔案。"
37            ),
38            "tools": ["file_write"],
39            "model_provider": "openai",
40            "model_settings": {"model_id": "o4-mini"}
41        }
42    ]
43)

 1from strands import Agent
 2from strands_tools import graph, file_write, editor
 3
 4agent = Agent(tools=[graph, file_write, editor])
 5
 6# 1. 建立 DAG 拓撲結構
 7result = agent.tool.graph(
 8    action="create",                            # 動作：建立圖
 9    graph_id="research_pipeline",               # 圖的唯一 ID
10    topology={
11        "nodes": [
12            {
13                "id": "researcher",
14                "role": "researcher",
15                "system_prompt": "你負責深入研究指定主題，產出研究摘要。",
16                "model_provider": "bedrock",
17                "model_settings": {
18                    "model_id": "us.anthropic.claude-sonnet-4-20250514-v1:0"
19                }
20            },
21            {
22                "id": "analyst",
23                "role": "analyst",
24                "system_prompt": "你根據研究摘要，進行資料分析與洞察萃取。",
25                "model_provider": "bedrock",
26                "model_settings": {
27                    "model_id": "us.anthropic.claude-3-5-haiku-20241022-v1:0"
28                }
29            },
30            {
31                "id": "reporter",
32                "role": "reporter",
33                "system_prompt": "你將分析結果整理成完整報告並寫入檔案。",
34                "tools": ["file_write", "editor"]       # 此節點專屬的工具
35            }
36        ],
37        "edges": [
38            {"from": "researcher", "to": "analyst"},    # researcher → analyst
39            {"from": "analyst", "to": "reporter"}       # analyst → reporter
40        ],
41        "entry_points": ["researcher"]                  # DAG 的起始節點
42    }
43)
44
45# 2. 在圖上執行任務
46result = agent.tool.graph(
47    action="execute",
48    graph_id="research_pipeline",
49    task="研究 CRISPR 基因編輯在罕見疾病治療中的最新進展"
50)
51
52# 3. 查看圖的狀態
53status = agent.tool.graph(
54    action="status",
55    graph_id="research_pipeline"
56)

 1from strands import Agent
 2from strands_tools import mcp_client
 3
 4agent = Agent(tools=[mcp_client])
 5
 6# 連接 stdio 傳輸的 MCP Server
 7agent.tool.mcp_client(
 8    action="connect",
 9    connection_id="my_tools",           # 連線識別符
10    transport="stdio",                  # 傳輸協定：stdio / sse / streamable_http
11    command="python",
12    args=["my_mcp_server.py"]
13)
14
15# 列出伺服器上的可用工具
16tools = agent.tool.mcp_client(
17    action="list_tools",
18    connection_id="my_tools"
19)
20
21# 呼叫遠端工具
22result = agent.tool.mcp_client(
23    action="call_tool",
24    connection_id="my_tools",
25    tool_name="calculate",
26    tool_args={"x": 10, "y": 20}
27)
28
29# 將遠端工具直接載入 Agent 的工具登錄表
30agent.tool.mcp_client(
31    action="load_tools",
32    connection_id="my_tools"
33)
34# 載入後可以直接呼叫：agent.tool.calculate(x=10, y=20)

 1from strands import Agent
 2from strands_tools import batch, http_request, current_time, use_aws
 3
 4agent = Agent(tools=[batch, http_request, current_time, use_aws])
 5
 6# 一次同時執行三個獨立操作
 7result = agent.tool.batch(
 8    invocations=[
 9        {
10            "name": "current_time",
11            "arguments": {"timezone": "Asia/Taipei"}
12        },
13        {
14            "name": "http_request",
15            "arguments": {
16                "method": "GET",
17                "url": "https://api.ipify.org?format=json"
18            }
19        },
20        {
21            "name": "use_aws",
22            "arguments": {
23                "service_name": "s3",
24                "operation_name": "list_buckets",
25                "parameters": {},
26                "region": "us-east-1"
27            }
28        }
29    ]
30)

 1from strands import Agent
 2from strands_tools import think
 3
 4agent = Agent(tools=[think])
 5
 6result = agent.tool.think(
 7    thought="評估 mRNA 療法在實體腫瘤中的可行性，考慮遞送系統、免疫原性與成本",
 8    cycle_count=3,                          # 進行 3 輪遞迴思考
 9    thinking_system_prompt=(                # 自訂思考指引
10        "每一輪思考請從不同角度切入：\n"
11        "第 1 輪：技術可行性\n"
12        "第 2 輪：臨床證據\n"
13        "第 3 輪：商業可行性"
14    ),
15    model_provider="anthropic",             # 思考用的模型
16    model_settings={"model_id": "claude-sonnet-4-20250514"}
17)

 1from strands import Agent
 2from strands_tools import mem0_memory
 3
 4agent = Agent(tools=[mem0_memory])
 5
 6# 儲存記憶
 7agent.tool.mem0_memory(
 8    action="store",
 9    content="使用者偏好用繁體中文回覆，且是生物資訊分析師",
10    user_id="user_001"
11)
12
13# 檢索相關記憶
14memories = agent.tool.mem0_memory(
15    action="retrieve",
16    query="使用者的專業背景",
17    user_id="user_001"
18)

1from strands import Agent
2from strands_tools.browser import LocalChromiumBrowser
3
4# 建立本地瀏覽器實例
5browser = LocalChromiumBrowser()
6agent = Agent(tools=[browser.browser])
7
8# Agent 可以瀏覽網頁、填寫表單、擷取內容
9agent("前往 https://example.com 並擷取頁面標題")

 1from strands import Agent
 2from strands_tools.a2a_client import A2AClientToolProvider
 3
 4# 建立 A2A client，指定已知的遠端 Agent 位址
 5provider = A2AClientToolProvider(
 6    known_agent_urls=["http://localhost:9000"]
 7)
 8
 9agent = Agent(tools=provider.tools)
10agent("請透過 A2A 與遠端 Agent 溝通，詢問今天的天氣")

 1# 方式 1：靜態載入（建立 Agent 時）
 2from strands_tools import file_read, shell, calculator
 3agent = Agent(tools=[file_read, shell, calculator])
 4
 5# 方式 2：動態載入（runtime 時）
 6from strands_tools import load_tool
 7agent = Agent(tools=[load_tool])
 8agent.tool.load_tool(path="custom_tool.py", name="my_custom_tool")
 9
10# 方式 3：動態 MCP 載入（runtime 連接遠端工具）
11from strands_tools import mcp_client
12agent = Agent(tools=[mcp_client])
13agent.tool.mcp_client(action="connect", connection_id="remote", ...)
14agent.tool.mcp_client(action="load_tools", connection_id="remote")

 1strands-agents-tools
 2├── strands-agents >= 1.0.0    ← 核心 SDK（必須）
 3├── rich >= 14.0.0             ← 終端格式化輸出
 4├── sympy >= 1.12.0            ← 符號數學（calculator 用）
 5├── pillow >= 12.1.1           ← 影像處理
 6├── slack_bolt >= 1.23.0       ← Slack 整合
 7├── markdownify >= 1.0.0       ← HTML → Markdown 轉換
 8├── requests >= 2.28.0         ← HTTP 請求
 9├── aiohttp >= 3.8.0           ← 非同步 HTTP
10├── botocore >= 1.39.7         ← AWS SDK 基礎
11└── [optional]
12    ├── mem0ai                 ← Mem0 記憶
13    ├── playwright             ← 瀏覽器自動化
14    └── twelvelabs             ← 影片搜尋/分析

 1from strands import Agent
 2from strands_tools import (
 3    tavily_search, http_request, file_write,
 4    calculator, think, use_agent
 5)
 6
 7# 主 Agent：研究協調者
 8research_agent = Agent(
 9    tools=[tavily_search, http_request, file_write, calculator, think, use_agent],
10    system_prompt=(
11        "你是 AI 研究助手。工作流程：\n"
12        "1. 用 tavily_search 搜尋最新 AI 論文與新聞\n"
13        "2. 用 http_request 取得詳細內容\n"
14        "3. 用 think 進行深度分析\n"
15        "4. 用 file_write 產出結構化報告"
16    )
17)
18
19# 啟動研究流程
20research_agent(
21    "搜尋過去一週關於 protein language model 的最新論文和突破性進展，"
22    "分析技術趨勢，並產出一份 Markdown 研究報告存為 weekly_report.md"
23)

 1from strands import Agent
 2from strands_tools import graph, file_read, file_write, shell
 3
 4agent = Agent(tools=[graph, file_read, file_write, shell])
 5
 6# 建立 3 階段程式碼審查管線
 7agent.tool.graph(
 8    action="create",
 9    graph_id="code_review",
10    topology={
11        "nodes": [
12            {
13                "id": "security_reviewer",
14                "role": "security",
15                "system_prompt": (
16                    "你是安全審查專家。檢查程式碼中的 SQL injection、"
17                    "XSS、hardcoded secrets、不安全的 deserialization 等漏洞。"
18                ),
19                "tools": ["file_read", "shell"]
20            },
21            {
22                "id": "performance_reviewer",
23                "role": "performance",
24                "system_prompt": (
25                    "你是效能優化專家。檢查 N+1 query、記憶體洩漏、"
26                    "不必要的迴圈、可並行化的操作。"
27                ),
28                "tools": ["file_read"]
29            },
30            {
31                "id": "report_writer",
32                "role": "reporter",
33                "system_prompt": (
34                    "你是技術文件撰寫專家。根據安全與效能審查結果，"
35                    "整理成分級（Critical / High / Medium / Low）的審查報告。"
36                ),
37                "tools": ["file_write"]
38            }
39        ],
40        "edges": [
41            {"from": "security_reviewer", "to": "report_writer"},
42            {"from": "performance_reviewer", "to": "report_writer"}
43        ],
44        "entry_points": ["security_reviewer", "performance_reviewer"]
45    }
46)
47
48# 執行審查（security 與 performance 並行 → reporter 彙整）
49agent.tool.graph(
50    action="execute",
51    graph_id="code_review",
52    task="審查 src/ 目錄下所有 Python 檔案"
53)

 1from strands import Agent
 2from strands_tools import swarm, tavily_search, file_write
 3
 4agent = Agent(tools=[swarm, tavily_search, file_write])
 5
 6result = agent.tool.swarm(
 7    task=(
 8        "分析以下三家公司的 AI Agent 產品策略：\n"
 9        "1. LangChain\n"
10        "2. CrewAI\n"
11        "3. AutoGen\n"
12        "每家公司需分析：產品定位、技術架構、社群規模、商業模式。"
13        "最後產出對比表格。"
14    ),
15    agents=[
16        {
17            "name": "langchain_analyst",
18            "system_prompt": "你專門分析 LangChain 的產品策略與技術架構。",
19            "tools": ["tavily_search"]
20        },
21        {
22            "name": "crewai_analyst",
23            "system_prompt": "你專門分析 CrewAI 的產品策略與技術架構。",
24            "tools": ["tavily_search"]
25        },
26        {
27            "name": "autogen_analyst",
28            "system_prompt": "你專門分析 AutoGen 的產品策略與技術架構。",
29            "tools": ["tavily_search"]
30        },
31        {
32            "name": "synthesizer",
33            "system_prompt": (
34                "你是策略分析師。收集所有分析師的研究結果，"
35                "整理成對比表格並提出策略建議。將報告寫入檔案。"
36            ),
37            "tools": ["file_write"]
38        }
39    ]
40)