Token导航 LogoToken导航

AI 资讯 · 腾讯科技

AWS推出Strands工具箱约束AI Agent行为

更新 2026-11-19腾讯科技正文 2573字阅读约 9分钟1 张图片

图片AWS首席开发者布道师Darko介绍决策模型

文丨苏扬

编辑丨徐青阳

让Agent往readme.md里加一行 Hello,这条再普通不过的指令却被拒绝了。

11月18日,亚马逊云科技(AWS)在北京举办了一场开发者沟通会,邀请首席开发者布道师Darko详细讲解了AWS为开发者提供的构建Agent的工具箱“Strands”。

写 readme.md的指令被拒绝,来自“Strands”工具箱里的一个关键特性——Darko在自己的Policy文件中明确指定了拒绝写入的规则。按AWS的设计,开发者可以在Policy文件中,对Agent在运行中的一系列权限申请,进行前置规定。

在工具箱中进行这样的设计,核心是Agent的能力越来越强,同时也越来越难保证它只干该干的事。

“我不信任我的Agent,你也不应该这样做。”Darko在交流中说。但同时,开发者只要在Policy中进行微调,比如将策略文件中动作里的read改成write,就可以实现开头提到的往特定文件写入特定内容的能力。

01 一个词改掉,命令就放行了

Strands可以理解为一个工具包,内置运行框架(harness)、沙箱(Box)、决策模型(Decider)等工具。

“我的同事提出过一个说法,它更像一个用来构建和运行智能体的开源家族。”Darko说。

推出Strands这样的产品,本质上是为了便利开发者(easy of use for developer)打造不同的Agent产品。

Darko强调,Agent处理的是无法硬编程的开放式任务,它们的行为不可预测,可能删文件、接触生产系统,传统的解决方案是将Agent断网、断权限,但实际运行的过程中Agent又确实需要权限,所以Strands Box的思路是既要放行,也要可控。

为此,Strands Box设计了两层架构:一层是内核强制的环境隔离,沿用macOS或Linux已有的沙箱能力管住网络和磁盘;另一层是策略层,Agent每跑一次工具、Python、shell脚本,或者要出网,都先过一遍判定,在内核级强制运行。

按Darko的说法,Agent每次调用工具,会被展开成具体的操作,然后与Policy进行比对,不允许的当场拒绝。比如文章开头提到的向readme.md写入信息,因为明确只有“只读”权限而无法写入。必须修改Policy文件的对应权限后,写入命令才会被放行。

AWS强调,Box机制与Harness无关,Strands、Claude Code和OpenAI的Codex等均可以接入。

据Darko介绍,Box的策略语言为dogwood——AWS开源的专门用于给Agent的工具调用做运行时权限管控与行为校验的工具——它架在开源Cedar策略语言上,又为Cedar补齐了“结合历史操作序列做判断”的能力。

据介绍, Box除了决定“能不能做”,还能写调用顺序、查询某个工具跑过几次、过去一小时内有没有执行过另一个工具等等。不过由于策略的复杂性,Darko透露,目前推荐的办法是利用Coding Agent来“编写”,比如测试没跑通不许git push,Slack消息每分钟只许发一次等等。

02 不生成文字的模型

Strands的另一项特性是Decider(决策)模型——砍掉了输出头。

Darko透露,这是一个基于Qwen的2B参数模型,可以部署在16GB内存的Macbook上,核心原理则是将大语言模型的输出头去掉,不需要逐Token写入,按照给定的问题与选项后直接输出决策结果,核心要解决的是快速、省成本。

按照官方提供的数据,决策模型做一次判断可以达到百毫秒的水平。

Darko在现场演示了一个案例“付款失败已经三天了”,然后让模型在账单、技术、销售里选派单对象,很快结果就判给技术,并且还带了置信度百分比数据。

据介绍,AWS的Kiro Crew也用它决定加载哪些技能文件,“没必要为选哪个技能把整段上下文送给大模型”。

Darko强调,大模型一样能做决策,但如果把这样的简单判断交给基础大语言模型,会造成token浪费,而定制的小模型专门用来进行决策可以大幅度缩减token的消耗。

“沙箱部署在本地笔记本上,决策模型同样运行在本地笔记本上。”Darko补充说。

除了token相关的费用成本,本地决策模型的效率也要高于云端模型,尤其是大量决策累加之后,相比云端大模型做决策,本地决策模型可以大幅度缩减任务处理的等待时间。

03 交给bot的是一个目标

除了Strands相关的新特性,作为一款开源的Agent工作区,Kiro Crew也新加入了多bot特性。

相比过去用户安排任务,Agent来执行,执行完即结束的单次会话,bot强调的是端到端的目标执行能力——用户做了一个决策,bot负责调度与汇总,且一直执行到目标达成为止,中间会调度、派生新的子Agent。它支持独立运行,且有自己的状态面板,可以定期“心跳”汇报,可以被授予系统访问权限,自主查看issue、PR等等,无需人工持续提示干预。

“安排任务用单Agent可以做到足够好,但受单线程、上下文的限制,只有按照目标的逻辑,把需求拆给不同Agent,进而更好地去完成任务。”Darko说。

现在模型的上下文窗口可以达到百万token级。Darko表示,Kiro的harness用到约70%会自动压缩,这样的改动是为了避免上下文混乱——把一个目标拆给几个子Agent,各自参照各自的上下文,最终只交付结论。

Darko透露,Kiro Crew还有一套记忆机制,空闲时每隔几小时回扫会话,把该记住的提炼成经验,用嵌入模型做本地索引。每个bot的记忆、工具、权限都分开——“个人智能体和工作智能体的差别,就是你给了它多少上下文”。

根据AWS官方信息,Kiro Crew不绑定单一Harness,这得益于底层的ACP标准化协议,无论是自家的Kiro CLI、开源的Strands,还是第三方的Claude Code和Codex,都能通过对应的适配器灵活接入。

从Strands Box到Decider模型再到bot,实际上落点都是ease of use for developers——把权限、判断和上下文的麻烦收进开发者改得动、查得清的默认规则里,避免每换一个工具就重搭一遍。而这,也是接下来AWS可能想重点讲的故事,给开发者提供一个更易用、便捷的开发环境。

文章标签智能体大模型

资讯来源:由AI资讯编辑整理自互联网公开内容,版权归原作者所有,未经许可,不得转载。