Agentic AI with Strands Agents SDK English

本方案对应blog:亚马逊云科技中国区构建 Agentic AI 应用实践指南

1.概述

这是基于Strands Agents SDK开发的通用型Agentic AI应用，通过MCP的集成，实现了大语言模型与外部工具系统的无缝连接。Strands SDK作为核心引擎，提供了强大的代理能力和工具集成机制，使得整个系统具备了高度的可扩展性和实用性。

1.1 功能特点

• 前后端分离 - MCP Client和MCP Server均可以部署到服务器端，用户可以直接使用web浏览器通过后端web服务交互，从而访问LLM和MCP Sever能力和资源
• React UI - 基于React的用户界面，允许用户与模型交互并管理MCP服务器，显示工具调用结果和思考过程
• MCP 工具集成 - 提供STDIO, StreamableHTTP, SSE模式的MCP集成
• 多模型提供商 - 支持 Bedrock、OpenAI及兼容模型
• 多用户会话管理 - 维护多用户session

1.2 技术特色与优势

架构优势

• 模块化设计 : 清晰的分层架构，各组件职责明确
• 可扩展性 : 支持多种模型提供商和MCP协议
• 高并发 : 异步处理和流式响应支持
• 资源管理 : 完善的会话和连接生命周期管理

MCP集成优势

• 标准兼容 : 完全兼容Anthropic MCP标准
• 多协议支持 : 支持Stdio、SSE、StreamableHTTP等多种传输协议
• 动态管理 : 支持运行时动态添加和移除MCP服务器
• 工具缓存 : 智能的工具获取和缓存机制

Strands SDK优势

• 统一接口 : 为不同模型提供商提供统一的代理接口
• 智能对话管理 : 内置滑动窗口对话管理器
• 工具集成 : 原生支持MCP工具集成
• 可观测性 : 集成Langfuse等可观测性工具

应用场景

1. 企业知识助手 : 集成企业内部系统和知识库
2. DeepResearch : 连接搜索，知识库等工具
3. 数据分析助手 : 连接数据库、BI工具进行智能数据分析
4. 办公自动化 : 集成日历、邮件、文档系统等办公工具
5. 客户服务 : 连接CRM、工单系统提供智能客服

1.3 系统架构图

1.4 系统流程图

2.安装方法（开发模式）

2.1. 依赖安装

目前主流 MCP Server 基于 NodeJS 或者 Python 开发实现并运行于用户 PC 上，因此用户 PC 需要安装这些依赖。

2.1 NodeJS

NodeJS 下载安装，本项目已对 v22.12.0 版本充分测试。

2.2 Python

有些 MCP Server 基于 Python 开发，因此用户必须安装 Python。此外本项目代码也基于 Python 开发，需要安装环境和依赖。

首先，安装 Python 包管理工具 uv，具体可参考 uv 官方指南

2.3 环境配置

下载克隆该项目后，进入项目目录创建 Python 虚拟环境并安装依赖：

uv sync

2.4 环境变量设置

把env.example 改成.env,根据情况取消注释，修改以下变量： 进入项目目录

cd ./sample_agentic_ai_strands
cp env.example .env

使用vim 打开.env文件编辑： ⚠️如果在x86服务器做编译，可以设置PLATFORM=linux/amd64，否则跨平台编译速度慢好几倍

# for Development mode - ddb for user config
ddb_table=mcp_user_config_table
# for Development mode - API Key for server authentication, if you deploy with CDK, it will create a Api key automatically
API_KEY=123456
# =============================================================================
# AWS Infra CONFIGURATION
# The default ECS platform is arm64, you can choose linux/amd64 
# =============================================================================
PLATFORM=linux/amd64
AWS_REGION=your_region_to_deploy(必须填，方案部署区，例如如果是北京区用cn-north-1)
AWS_ACCESS_KEY_ID=
AWS_SECRET_ACCESS_KEY=

# =============================================================================
# 如果在全球区，使用bedrock模型，需要如下Strands 配置
# AWS BEDROCK CONFIGURATION (for Bedrock provider, if not set, it will use same credential as AWS Infra)
# =============================================================================
STRANDS_MODEL_PROVIDER=bedrock
BEDROCK_AWS_ACCESS_KEY_ID=your_aws_access_key_id
BEDROCK_AWS_SECRET_ACCESS_KEY=your_aws_secret_access_key
BEDROCK_AWS_REGION=us-east-1

# ============================
# 如果在中国区，使用openai兼容接口的模型，需要如下Strands 配置
# ============================
STRANDS_MODEL_PROVIDER=openai
OPENAI_API_KEY=your-model-provider-key
OPENAI_BASE_URL=your-model-provider-base-url(例如https://api.siliconflow.cn/v1)

# ============================
# Langfuse 配置 (可选) 
# ============================
#LANGFUSE_PUBLIC_KEY=your-public-key
#LANGFUSE_SECRET_KEY=your-secret-key
#LANGFUSE_HOST=https://your-langfuse-host

# =============================================================================
# mem0 CONFIGURATION
# Only used if ENABLE_MEM0=true
# If STRANDS_MODEL_PROVIDER=bedrock, it will use models in Bedrock
# =============================================================================
# 使用mem0将额外增加8-10分钟的部署时间
# 如果需要启用mem0，可以更改`ENABLE_MEM0=true`
ENABLE_MEM0=false

# 如果使用海外区
LLM_MODEL=us.amazon.nova-pro-v1:0
EMBEDDING_MODEL=amazon.titan-embed-text-v2:0

# 如果使用国内硅基流动https://api.siliconflow.cn/v1
LLM_MODEL=Qwen/Qwen3-14B
EMBEDDING_MODEL=Pro/BAAI/bge-m3

如果需要可观测性，可以去https://us.cloud.langfuse.com/ 注册一个免费账号，然后把key和host信息填入上面的.env中，也可以参考私有化部署

• 默认配置支持DeepSeek-R1,Qwen3等模型, 如果需要支持其他模型（必须是支持tool use的模型），请自行修改conf/config.json配置加入模型，例如：

  {
    "model_id": "Qwen/Qwen3-235B-A22B",
    "model_name": "Qwen3-235B-A22B"
  },
  {
    "model_id": "Qwen/Qwen3-30B-A3B",
    "model_name": "Qwen3-30B-A3B"
  },
  {
    "model_id": "Pro/deepseek-ai/DeepSeek-R1",
    "model_name": "DeepSeek-R1-Pro"
  },
  {
    "model_id": "deepseek-ai/DeepSeek-V3",
    "model_name": "DeepSeek-V3-free"
  }

2.4 创建一个dynamodb table, 名称为mcp_user_config_table

aws dynamodb create-table \
    --table-name mcp_user_config_table \
    --attribute-definitions AttributeName=userId,AttributeType=S \
    --key-schema AttributeName=userId,KeyType=HASH \
    --billing-mode PAY_PER_REQUEST 

2.5 启动后端服务

• 启动后端服务：

bash start_all.sh

2.6 前端

前提条件

• 安装Docker和Docker Compose：https://docs.docker.com/get-docker/
• Linux下安装Docker命令：

# 安装Docker
curl -fsSL https://get.docker.com -o get-docker.sh
sudo sh get-docker.sh

# 安装Docker Compose
sudo curl -L "https://github.com/docker/compose/releases/download/v2.24.6/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose
sudo chmod +x /usr/local/bin/docker-compose
ln -s /usr/bin/docker-compose  /usr/local/bin/docker-compose

1. 克隆仓库之后

cd demo_mcp_on_amazon_bedrock/react_ui

2. 创建环境变量文件

cp .env.example .env.local

3. 使用Docker Compose构建并启动服务

docker-compose up -d --build

其他Docker常用命令

# 查看容器日志
docker logs -f mcp-bedrock-ui

# 重启容器
docker-compose restart

# 停止容器
docker-compose down

# 重新构建并启动（代码更新后）
docker-compose up -d --build

3.安装方法（生产模式，AWS ECS部署）

请参考 CDK部署说明 这个Demo的部署架构遵循AWS最佳实践，将应用程序部署在私有子网中，通过负载均衡器提供公共访问，并使用Fargate实现无服务器容器管理。 这个部署架构包含以下主要亚马逊云组件：

1. ECS Cluster： • 运行在Fargate上的无服务器容器环境, 使用ARM架构 • 前端服务：最小2个任务，根据CPU使用率自动扩展 • 后端服务：最小2个任务，根据CPU使用率自动扩展

2. VPC ： • 包含公有子网和私有子网，跨越2个可用区 • 公有子网中有Internet Gateway和NAT Gateway • 私有子网用于运行ECS任务

3. 应用负载均衡： • 应用负载均衡器(ALB)分发流量 • 将/v1/*和/api/*路径的请求路由到后端服务 • 将其他请求路由到前端服务

4. 数据存储： • DynamoDB表用于存储用户配置

5. 安全组件： • IAM角色和策略控制访问权限 • Secrets Manager生成并存储后端服务API KEY配置信息 • 安全组控制网络流量

6. 容器镜像： • 前端和后端容器镜像存储在ECR中

4.更多示例

• case