許多開發者在建立 AI Agent（AI 代理）時，習慣將其視為傳統軟體開發，試圖透過定義複雜的 Workflow（工作流）、撰寫大量的 if-else 邏輯來確保行為可預測。然而，但 AWS 的 Strands Agents SDK 團隊發現，這種「過度設計」反而會限制 LLM（大型語言模型）的推理能力，導致系統變得脆弱且難以維護。
本文將探討 Strands Agents 如何透過「模型驅動（Model-Driven）」的設計理念，將開發重點從定義流程轉移到管理能力與驗證上，讓 Agent 能更快速且可靠地進入生產環境。
模型驅動 vs. 工作流驅動
在早期的 Agent 框架中，開發者傾向於定義嚴格的步驟（Scaffolding），例如：步驟 A 完成後執行步驟 B。但實務上，使用者的輸入極其不可預測，單一的流程無法處理複合式問題或非線性的需求，導致工作流變得極其脆弱。
Strands Agents 採取的是模型驅動方法。這種方法認為，現代的前端模型（如 Claude 3.7 或 GPT-4 系列）在 Tool Calling（工具呼叫）與 Reasoning（推理）能力上已有顯著提升，能夠自行規劃解決問題的軌跡。因此，開發者只需要提供三樣東西： System Prompt（系統提示詞）：定義 Agent 的角色與行為準則。 Tools（工具集）：定義 Agent 可以呼叫的 API 或函式。 Model（模型）：選擇適合的底層 LLM。
這種簡化降低了開發者的認知負荷，更重要的是，它避免了因過度限制而削弱模型的推理潛能。
解決不可預測性的兩大機制：Evals 與 Hooks
將決定權交給模型並不意味著讓它「隨意亂跑」。為了在生產環境中確保安全性與正確性，Strands 引入了兩套機制。
首先是 Evals（評估體系）。傳統軟體的單元測試是決定性的（Deterministic），但 Agent 的輸出具有隨機性。因此，開發者需要像科學家一樣思考，建立一個包含多樣化案例的數據集，並使用 LLM-as-a-Judge（以模型作為裁判）來根據評分量表（Rubric）判斷輸出是否達標。
其次是 Hooks（鉤子機制）。Hooks 允許開發者在 Agent 執行過程中的特定時間點介入。例如，在 Agent 回覆使用者之前，可以觸發一個輕量級的小模型（如 20B 參數等級的模型）來檢查內容是否違反安全準則。使用小模型作為裁判不僅成本低，還能避免「模型自我認同」的問題（即同一模型傾向於認同自己的錯誤）。
從 Hooks 進階到 Steering Hooks
為了追求 100% 的準確率，單純的指令或簡單的 Hooks 往往不足夠。Strands 提出了一種 Steering Hooks（導向鉤子）概念，其核心在於引入了 Ledger（帳本）。
一般的 Hook 只能看到當前的輸入與輸出，而 Steering Hooks 可以訪問該次對話中所有工具呼叫的完整歷史紀錄（Ledger）。這讓開發者能實現狀態化的決策。
舉例來說，在處理房貸申請 Agent 時，如果僅靠 Prompt 要求「必須先驗證收入才能核准貸款」，模型仍可能出錯。但透過 Steering Hooks，系統可以在核准工具被呼叫的瞬間，檢查 Ledger 中是否已存在成功的「收入驗證」紀錄。若無，則直接攔截該次呼叫。這種方式在保留模型靈活性的同時，注入了必要的決定性邏輯。
生產環境的工程思維轉向
將 Agent 部署到生產環境時，工程師需要調整三個核心心態：
第一，接受非決定性。不要試圖用無限的 if-else 來消除隨機性，而應專注於建立強大的評估集，並透過監控生產環境的 Traces（追蹤紀錄）來持續優化。
第二，模組化測試。雖然整體 Agent 的測試很困難，但提供的 Tools（工具）應該像傳統程式碼一樣進行嚴格的單元測試，確保工具本身是穩健的。
第三，隨時準備捨棄代碼。隨著模型版本的迭代，原本為了補足模型缺陷而寫的複雜 Scaffolding（支架代碼）可能會變成累贅，甚至降低新模型的效能。模型驅動的架構讓更換模型變得像修改一行字一樣簡單。
從 Framework 演進為 Harness
隨著 Agent 處理的任務從簡單的聊天轉向長時間運行的複雜任務（Long-running tasks），Strands 正在從 Agent Framework（框架）演進為 Agent Harness（承載系統）。
框架通常只是一個大的 While 迴圈，處理一次模型轉向與工具執行。而 Harness 則提供更深層的基礎設施支持，包括： 1 Context Management（上下文管理）：透過主動摘要（Proactive Summarization）防止 Token 溢出並維持焦點。 2 State Persistence（狀態持久化）：允許 Agent 在計算節點失效後能恢復狀態並繼續執行數小時的任務。 3 結構化記憶工具：提供內建的 Task List 或 To-do List，讓模型能記錄自己的規劃進度。
來源：infoq.com (Podcast: Strands Agents with Clare Liguori)
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。