Strands Agents SDK とは
Strands Agents SDK は、AWS が公開しているオープンソースのAIエージェント構築用SDKです (GitHub: strands-agents/sdk-python)。外部のツールやAPIを呼び出しながら自律的に振る舞うエージェントを、数行のコードで定義できます。「モデル駆動 (model-driven)」と呼ばれるアプローチを採っているのが最大の特徴で、「どのツールをいつ呼ぶか」「いつ処理を終えるか」といった判断をモデル自身に委ね、SDK側はそのループ (エージェントループ) を回す役割に徹します。
AWS発のSDKではありますが、実体はオープンソースのPythonライブラリであり、特定のクラウドに縛られません。モデルプロバイダーは差し替え可能で、Amazon Bedrock だけでなく OpenAI 互換エンドポイントなどにも接続できます。本記事ではこの性質を利用して、AWS製SDKでありながら、モデルもトレースもすべて Databricks 上で完結させる構成を組みます。
主な特徴
Strands Agents の設計上のポイントは次のとおりです。
モデル駆動設計を中核に置いています。制御フローを開発者がグラフやステートマシンとして描くのではなく、システムプロンプトと利用可能なツール群をモデルに渡し、推論と行動の繰り返しをモデルに任せます。これにより、シンプルな対話エージェントから複雑な自律タスクまで、同じ書き方でスケールします。
ツール連携が容易です。Python関数に @tool デコレーターを付けるだけで、その docstring と型ヒントがそのままツールの仕様としてモデルに渡されます。計算や時刻取得などの組み込みツールも提供されています。
マルチエージェントのパターンを組み込みで持っています。Swarm・Graph・Workflow といった協調パターンが用意されており、複数エージェントの連携や役割分担を標準機能として表現できます。
MCP (Model Context Protocol) にネイティブ対応しています。標準化されたかたちでツールやコンテキストをモデルに供給できます。
モデルプロバイダーが柔軟です。Bedrock、OpenAI、その他のOpenAI互換エンドポイントを切り替えられます。本記事ではこの柔軟性を使って Databricks の基盤モデルエンドポイントに向けます。
関連製品との共通点と位置付け
エージェント開発のフレームワークは数が多く、「どれも同じに見える」状態になりがちです。レイヤー (抽象度) で整理すると見通しがよくなります。
Strands Agents と最も近いのは OpenAI Agents SDK です。どちらもモデル駆動のエージェントループSDKであり、抽象度がほぼ同じ直接の競合関係にあります。Strands のマルチエージェントパターン (Swarm / Graph / Workflow) は、OpenAI Agents SDK の handoffs に相当します。Google ADK や PydanticAI も同じレイヤーに位置します。
LangGraph はこれより一段下の、グラフ・オーケステーション層に属します。ノード・エッジ・条件分岐・状態・チェックポイント (永続化) を開発者が明示的に定義するスタイルで、制御フローの主導権がモデルではなく開発者側にあるのが本質的な違いです。ただし LangGraph も create_react_agent のようなプリビルトのエージェント抽象を持っており、それを使う場合は Strands や OpenAI Agents SDK と同じレイヤーまで上がってきます。「完全に別物」ではなく、ネイティブの粒度が低い、という理解が正確です。
選び分けの目安としては、モデルに自律的にループさせたい場合は Strands / OpenAI Agents SDK、ワークフローを自分で握って決定論的に制御したい場合や、状態の永続化・複雑な分岐が必要な場合は LangGraphとなります。
Databricks での位置付け
3つのフレームワークはいずれもモデルを差し替えられるため、Databricks のサービングエンドポイントに向けることができ、MLflow Tracing による自動計装も用意されています (Strands は mlflow.strands、LangGraph は LangChain系のautolog経由)。
本記事で組む構成は次のとおりです。エージェントのコードは Databricks ノートブック上で動かし、推論は Databricks の基盤モデルAPI、トレースは同じ Databricks の MLflow に集約します。Bedrock を含む外部サービスを一切経由しない点がポイントです。
なお Databricks の公式ドキュメントが扱っているのは、あくまで「Strandsエージェントのトレースを Databricks の MLflow に記録する」部分だけです。公式例ではモデルの向き先が本物の OpenAI API (gpt-4o) になっており、推論自体は Databricks の外で走ります。本記事のように「モデルも Databricks のエンドポイントに寄せる」構成はドキュメントの範囲外で、後述する stream_options の対応はそこで初めて必要になります。
ノートブックのウォークスルー
ここからは実際に動かすノートブックを順に見ていきます。Databricks Free Edition でも動作します。利用するサービングエンドポイントがツール呼び出し (function calling) に対応している必要がある点にだけ注意してください。
前提とインストール
OpenAI互換プロバイダーを使うため strands-agents[openai]、組み込みツール用に strands-agents-tools、トレース用に mlflow を入れます。
%pip install -U -q mlflow "strands-agents[openai]" strands-agents-tools
dbutils.library.restartPython()
認証情報の取得
ノートブック内では、ワークスペースのホストとトークンをコンテキストから取得できます。ハードコードは不要です。ノートブック外 (ローカルやジョブ) で動かす場合は、環境変数 DATABRICKS_HOST / DATABRICKS_TOKEN を設定してください。
ctx = dbutils.notebook.entry_point.getDbutils().notebook().getContext()
DATABRICKS_HOST = ctx.apiUrl().get()
DATABRICKS_TOKEN = ctx.apiToken().get()
# Databricks基盤モデルAPIのOpenAI互換エンドポイント
DATABRICKS_BASE_URL = f"{DATABRICKS_HOST}/serving-endpoints"
MLflow Tracing の有効化
mlflow.strands.autolog() を呼ぶと、以降のエージェント実行が自動でトレースされます。サーバーレスコンピュートでは自動ログが既定で有効にならないため、この明示的な呼び出しが必要です。
import mlflow
mlflow.strands.autolog()
mlflow.set_tracking_uri("databricks")
username = spark.sql("SELECT current_user()").collect()[0][0]
mlflow.set_experiment(f"/Users/{username}/strands-on-databricks")
モデルの構成と stream_options への対応
model_id には利用するサービングエンドポイント名を指定します。databricks-meta-llama-3-3-70b-instruct や databricks-claude-3-7-sonnet など、ツール呼び出しに対応したエンドポイントを選びます。利用可能な名前は AI Gateway 画面で確認できます。
ここで1点、Databricks 固有の対応が必要になります。OpenAIModel はストリーミング時に必ず stream_options: {"include_usage": True} をリクエストに含めますが、Databricks の基盤モデルAPIはこのフィールドを受け付けず、次のエラーで失敗します。
BadRequestError: Error code: 400 - {'error_code': 'BAD_REQUEST',
'message': 'Bad request: json: unknown field "stream_options"'}
回避策を選ぶ際の注意点が2つあります。params に "stream_options": None を渡しても、OpenAIクライアントは値 null としてフィールド自体を送ってしまうため解消しません。また stream を False にするのも、Strands側が非ストリーミング応答を扱えず別のエラーになるため使えません。
確実なのは、format_request をオーバーライドして stream_options キーごと削除する方法です。stream: True は維持されるため、Databricks側でも問題なく動作します。
from strands.models.openai import OpenAIModel
class DatabricksFMModel(OpenAIModel):
"""Databricks基盤モデルAPI向けの OpenAIModel。
Databricksが受け付けない stream_options フィールドをリクエストから除去する。
"""
def format_request(self, *args, **kwargs):
request = super().format_request(*args, **kwargs)
request.pop("stream_options", None)
return request
MODEL_ENDPOINT = "databricks-meta-llama-3-3-70b-instruct"
model = DatabricksFMModel(
client_args={
"api_key": DATABRICKS_TOKEN,
"base_url": DATABRICKS_BASE_URL,
},
model_id=MODEL_ENDPOINT,
params={
"max_tokens": 2000,
"temperature": 0.7,
},
)
stream_options を落とすとトークン使用量がストリームから取得できなくなりますが、トレース自体は通常どおり記録されます。
組み込みツールで疎通確認
まずは strands_tools の calculator と current_time を渡したシンプルなエージェントで動作を確認します。
from strands import Agent
from strands_tools import calculator, current_time
agent = Agent(
model=model,
system_prompt="あなたは親切なアシスタントです。計算や時刻の取得が必要なときはツールを使ってください。",
tools=[calculator, current_time],
)
response = agent("123 と 456 を掛けるといくつ? あわせて現在の時刻も教えてください。")
print(response)
カスタムツールを持つエージェント
@tool デコレーターで独自のツールを定義できます。docstring と型ヒントがそのままツール仕様になるため、説明は丁寧に書きます。
from strands import tool
@tool
def fahrenheit_to_celsius(fahrenheit: float) -> float:
"""華氏温度を摂氏温度に変換する。
Args:
fahrenheit: 華氏温度の値
Returns:
摂氏温度の値
"""
return (fahrenheit - 32) * 5.0 / 9.0
agent_with_custom_tool = Agent(
model=model,
system_prompt="あなたは単位変換アシスタントです。変換が必要なときはツールを使ってください。",
tools=[fahrenheit_to_celsius],
)
response = agent_with_custom_tool("華氏100度は摂氏何度ですか?")
print(response)
トレースの確認
左サイドバーの Experiments から、設定したExperiment (/Users/<あなた>/strands-on-databricks) を開き、Traces タブを確認します。エージェントのループ、各ツール呼び出しの入出力、モデルへのリクエストとレスポンスが階層的に記録されています。
まとめ
Strands Agents SDK は、OpenAI Agents SDK と同じ「モデル駆動エージェントSDK」レイヤーに位置するAWS製のオープンソースSDKです。モデルプロバイダーが差し替え可能なため、AWS製でありながらモデルもトレースも Databricks 上で完結させられます。
実装上の唯一の勘所は、OpenAIクライアントが送る stream_options を Databricks のエンドポイントが受け付けない点で、これは format_request を1メソッドだけオーバーライドして吸収できます。公式ドキュメントが想定していない「モデルも Databricks に寄せる」組み合わせを成立させる部分が、この構成の実用的な価値になります。
参考: Strands Agents SDK のトレース (Databricks 日本語ドキュメント)