AWS снова отличились.

Недавно они представили новый подход, который по-настоящему меняет то, как разработчики строят агентные пайплайны.

Проблема в том, что большинство агентных фреймворков до сих пор заставляют захардкоживать workflow, деревья решений и сценарии отказов.

Это работает ровно до тех пор, пока агент не сталкивается с ситуацией, которую ты не предусмотрел.

Strands Agents от AWS идут другим путём.

Вместо переусложнённой оркестрации они опираются на способности современных моделей к рассуждению и позволяют модели самой вести workflow.

Ты:

- задаёшь цель,
- предоставляешь инструменты,
- и позволяешь агенту самому понять, как к этой цели прийти.

С точки зрения реализации всё максимально просто » нужно определить всего три вещи:

1. LLM,
2. инструменты,
3. задачу.

И всё. Дальше агентный цикл берёт управление на себя.

При запуске модель сама решает:

- нужен ли инструмент,
- какой именно,
- как сформировать входные данные,
- и когда остановиться.

Вся логика » model-driven.

То есть вместо правил вида «если математика — зови калькулятор» или «если API упал — делай retry», модель динамически планирует шаги и выполняет их сама.

Workflow формируется во время выполнения, исходя из цели и доступных инструментов.

Выше в видео показано конкретный, прикладной пример.

Это агент на базе MCP, который умеет создавать видео в стиле 3Blue1Brown по одному простому промпту.

Сетап был минимальный:

- MCP-сервер с инструментом для запуска Manim-скриптов,
- затем описал агента с этими инструментами. Без системных промптов и без правил workflow.

Дальше модель сама:

- спланировала шаги,
- сгенерировала сцену Manim,
- и автономно вызвала нужный инструмент.

Даже минимальная конфигурация уже даёт удивительно высокий уровень возможностей. А по мере добавления лучших инструментов или моделей агент становится сильнее сам по себе - без переписывания workflow.

Фреймворк полностью open source и работает с любым локальным сетапом. 📖

👉 @PythonPortal

Python-совет:

Shallow copy (copy.copy()) копирует сам объект, но не его вложенные элементы.

Deep copy (copy.deepcopy()) копирует и объект, и все вложенные структуры.

Поэтому при shallow copy изменения во вложенных элементах отражаются на оригинале, а при deep copy — нет.

👉 @PythonPortal

Copilot в Excel — это глобальный финансовый кризис, который просто ждёт своего часа.

👉 @PythonPortal

Превратите любой авторегресcивный LLM в диффузионную языковую модель.

dLLM — это Python-библиотека, которая объединяет обучение и оценку diffusion-LM.
С её помощью можно превратить любой авторегресcивный LLM в diffusion-LM с минимальными вычислительными затратами.

Проект полностью open source. 👌

Почему это важно:

Классические авторегресcивные модели генерируют текст слева направо, по одному токену за раз.

Диффузионные модели работают иначе » они итеративно уточняют всю последовательность целиком.

В итоге:

- больше контроля над качеством генерации
- гибкое редактирование текста
- меньше ограничений, связанных с порядком генерации

👉 @PythonPortal