用 Strands 搭建智能研究助手：从想法到可运行的 AI 应用

# research_assistant.py
from strands import Agent
from strands.tools import http_request, file_read, file_write, editor

# 定义研究助手的系统提示——这决定了它的行为边界
SYSTEM_PROMPT = """你是一个专业研究助手。你的工作流程：

1. 收到研究主题后，先拆解成 2-4 个关键子问题。
2. 对每个子问题，使用 http_request 工具搜索相关信息。
   - 构造精准的搜索 URL，优先使用权威来源。
3. 如果用户提供了本地参考文件，使用 file_read 读取补充。
4. 综合所有来源，生成结构化研究报告，包含：
   - 摘要（200 字以内）
   - 各子问题的分析（附来源标注）
   - 结论与建议
5. 使用 file_write 将报告保存为 Markdown 文件。

规则：
- 不确定的信息标注"待验证"，不编造数据。
- 每个论点至少关联一个来源。
- 如果搜索结果不足，明确告知用户而非强行补全。
"""

# 创建 Agent——声明可用工具，框架负责编排
agent = Agent(
    model="openai:gpt-4o",        # 模型驱动推理，可替换为其他支持的模型
    tools=[http_request, file_read, file_write, editor],
    system_prompt=SYSTEM_PROMPT,
)

# 运行研究任务
topic = "Rust 语言在嵌入式开发中的应用现状与趋势，包括主要框架、社区生态和厂商采纳情况"
result = agent(topic)

# 打印结果
print(result.message)

# 设置模型 API Key（示例使用 OpenAI，按实际提供商调整）
export OPENAI_API_KEY="sk-..."

# 运行助手
python research_assistant.py

# custom_tools.py
from strands.tools import tool

@tool(description="查询公司内部技术wiki。输入：搜索关键词。输出：匹配的文档标题和摘要列表。")
def query_internal_wiki(keyword: str) -> str:
    """模拟内部知识库查询——实际项目中替换为真实 API 调用"""
    # 示例：调用内部搜索服务
    import requests
    resp = requests.get(
        f"https://wiki.internal.example.com/api/search",
        params={"q": keyword, "limit": 5},
        headers={"Authorization": f"Bearer {WIKI_TOKEN}"},
        timeout=10,
    )
    if resp.status_code != 200:
        return f"查询失败，状态码：{resp.status_code}"

    results = resp.json().get("documents", [])
    if not results:
        return "未找到相关内部文档。"

    # 格式化为 Agent 可理解的文本
    formatted = []
    for doc in results:
        formatted.append(f"- **{doc['title']}**：{doc['summary']}")
    return "\n".join(formatted)


# 把自定义工具加入 Agent
agent = Agent(
    model="openai:gpt-4o",
    tools=[http_request, file_read, file_write, query_internal_wiki],
    system_prompt=SYSTEM_PROMPT,
)

# 多轮研究对话示例
from strands import Agent

agent = Agent(
    model="openai:gpt-4o",
    tools=[http_request, file_read, file_write],
    system_prompt=SYSTEM_PROMPT,
)

# 第一轮：初始研究
response1 = agent("调研 WebAssembly 在边缘计算中的使用案例")
print(f"第一轮结果：{response1.message}\n")

# 第二轮：追问——Agent 自动携带上文
response2 = agent("重点分析 WasmEdge 和 Wasmer 在 IoT 场景的性能对比数据")
print(f"第二轮结果：{response2.message}\n")

# 第三轮：要求输出格式调整
response3 = agent("把之前的分析整理成表格形式，保存为 comparison.md")
print(f"第三轮结果：{response3.message}")

agent = Agent(
    model="openai:gpt-4o",
    tools=[...],
    system_prompt=SYSTEM_PROMPT,
    max_iterations=15,  # 防止无限循环
)