Cómo construir un agente IA de producción con AWS Strands Agents y Python

Strands Agents sigue un enfoque orientado al modelo: el agente recibe un prompt y una lista de tools, y el LLM decide por sí mismo qué herramientas invocar y en qué orden. No defines un grafo explícito de pasos; la orquestación la resuelve el modelo en cada llamada. Esto simplifica el código considerablemente: un agente funcional cabe en diez líneas y el comportamiento escala con el modelo que elijas sin cambios en el código del agente.

from strands import Agent, tool
from strands_tools import calculator

@tool
def consultar_precio(producto: str) -> str:
    '''Consulta el precio de un producto en el catalogo de la tienda.'''
    precios = {'laptop': 899990, 'monitor': 249990, 'teclado': 59990}
    precio = precios.get(producto.lower())
    if precio is None:
        return 'Producto no encontrado en catalogo.'
    return 'Precio de ' + producto + ': $' + str(precio)

agent = Agent(tools=[calculator, consultar_precio])
respuesta = agent('Cual es el precio de un laptop y cuanto es 899990 * 0.19 de IVA?')
print(str(respuesta))

El decorador @tool transforma cualquier función Python en una herramienta que el agente puede invocar. La docstring de la función es la descripción que el LLM usa para decidir cuándo llamarla: escríbela con precisión. Los tipos de los parámetros se infieren del type hint y se exponen al modelo como parte del esquema de la tool. Si la función lanza una excepción, el agente la recibe como mensaje de error y puede reintentar con otros argumentos.

# Opcion A: Amazon Bedrock (proveedor por defecto)
from strands import Agent
from strands.models import BedrockModel

model_bedrock = BedrockModel(
    model_id='anthropic.claude-sonnet-5',
    region_name='us-east-1',
    temperature=0.3
)
agent = Agent(model=model_bedrock)

# Opcion B: Anthropic directo
from strands.models import AnthropicModel

model_anthropic = AnthropicModel(
    client_args={'api_key': '<TU_ANTHROPIC_API_KEY>'},
    model_id='claude-sonnet-5'
)
agent = Agent(model=model_anthropic)

El paquete strands-agents-tools incluye más de treinta tools preconstruidas para tareas frecuentes: cálculo, búsqueda en la web, ejecución de código Python, lectura de archivos y consultas HTTP, entre otras. Para las tools específicas de tu dominio —consultar una base de datos, llamar a un endpoint interno, buscar en tu catálogo de productos— usas el decorador @tool sobre cualquier función Python regular. La docstring actúa como la descripción que el LLM lee para decidir cuándo invocar la tool.

from strands import Agent, tool

@tool
def consultar_pedido(numero_pedido: str) -> str:
    '''Consulta el estado actual de un pedido por su numero.
    Retorna el estado y la fecha estimada de entrega.'''
    estados = {
        '4521': 'En camino. Entrega estimada el 5 de julio.',
        '3890': 'Entregado el 1 de julio a las 14:32.',
        '5100': 'En preparacion en bodega. Sale manana.'
    }
    resultado = estados.get(numero_pedido)
    if resultado is None:
        return 'Pedido ' + numero_pedido + ' no encontrado en el sistema.'
    return resultado

agent = Agent(tools=[consultar_pedido])
print(str(agent('Estado del pedido 4521')))

El protocolo MCP (Model Context Protocol) es el estándar abierto que permite a servidores externos exponer herramientas que un agente puede consumir. Strands integra MCP mediante MCPClient, que admite tres transportes: stdio para procesos locales, Streamable HTTP para servicios remotos y SSE para conexiones de larga duración. El MCPClient gestiona el ciclo de vida de la conexión y se pasa directamente en la lista de tools del Agent sin código adicional.

from mcp import stdio_client, StdioServerParameters
from strands import Agent
from strands.tools.mcp import MCPClient

# Conectar al servidor MCP de documentacion de AWS
mcp_docs = MCPClient(lambda: stdio_client(
    StdioServerParameters(
        command='uvx',
        args=['awslabs.aws-documentation-mcp-server@latest']
    )
))

# El MCPClient se pasa directamente como tool del agente
agent = Agent(tools=[mcp_docs])
respuesta = agent('Que servicios de AWS se usan para alojar agentes de IA?')
print(str(respuesta))

El siguiente código integra los cuatro componentes del tutorial en un agente de soporte al cliente ejecutable: proveedor Bedrock, dos tools personalizadas (estado de pedido y precio de producto), memoria de sesión por usuario y un system prompt con instrucciones de comportamiento. Adapta las tools a tus propias fuentes de datos —una base de datos PostgreSQL, un endpoint REST de tu ERP o una hoja de cálculo— con la misma estructura de @tool.

from strands import Agent, tool
from strands.models import BedrockModel
from strands.session.file_session_manager import FileSessionManager

@tool
def consultar_pedido(numero_pedido: str) -> str:
    '''Consulta el estado de un pedido por su numero.'''
    estados = {
        '4521': 'En camino. Entrega estimada el 5 de julio.',
        '3890': 'Entregado el 1 de julio a las 14:32.',
        '5100': 'En preparacion en bodega. Sale manana.'
    }
    return estados.get(numero_pedido, 'Pedido no encontrado.')

@tool
def consultar_precio(producto: str) -> str:
    '''Consulta el precio de un producto en el catalogo.'''
    precios = {'laptop': 899990, 'monitor': 249990, 'teclado': 59990}
    precio = precios.get(producto.lower())
    if precio is None:
        return 'Producto no encontrado en catalogo.'
    return 'Precio de ' + producto + ': $' + str(precio)

model = BedrockModel(
    model_id='anthropic.claude-sonnet-5',
    region_name='us-east-1'
)

PROMPT_SISTEMA = (
    'Eres un agente de soporte al cliente de una tienda de tecnologia. '
    'Responde siempre en espanol con tono amable y profesional. '
    'Usa las herramientas disponibles para consultar pedidos y precios.'
)

if __name__ == '__main__':
    session_id = input('ID de sesion del cliente: ')
    session_manager = FileSessionManager(
        session_id=session_id,
        storage_dir='./sessions'
    )
    agent = Agent(
        model=model,
        tools=[consultar_pedido, consultar_precio],
        session_manager=session_manager,
        system_prompt=PROMPT_SISTEMA
    )
    print('Agente listo. Escribe salir para terminar.')
    while True:
        consulta = input('Cliente: ')
        if consulta.lower() == 'salir':
            break
        respuesta = agent(consulta)
        print('Agente: ' + str(respuesta))

Para ejecutar el agente desde la terminal, guarda el archivo como agente_soporte.py, configura las credenciales AWS y ejecuta python agente_soporte.py. El agente solicita un ID de sesión al inicio —usa el identificador del cliente o de la conversación— y mantiene el historial entre preguntas dentro de la misma sesión.