企业官网建设流程全解析

• 人工智能
• 大模型
• AI Agent
• Agent 框架
• 多智能体
• 工具调用
• MCP 服务

Strands 是一个开源的生产级 AI Agent SDK（Python 与 TypeScript 双语言实现），本次发布聚焦 Python 侧的strands-py：把 TypeScript 版已成熟的内存管理器（Memory Manager）、Agentic 上下文管理与若干 vended 插件整体移植到 Python，同时为 Agent 新增memory_manager参数、为InMemoryStorage引入基于轮次的驱逐机制，并补齐多智能体边缘条件与模型调用中间件等底层能力。读完本文，你将掌握 v1.44.0 中记忆提取/注入的配置方式、auto/agentic上下文管理预设与策略管线的工作原理，以及本次发布在源码层面新增的关键实现细节。

发布概览：本次变更的三大主线

v1.44.0（2026-06-16，版本标签python/v1.44.0）共包含 20 余项变更，全部为breaking: false的兼容性更新，按领域可以归纳为三条主线：

1. 上下文（Context）：新增上下文管理预设设计文档、InMemoryStorage支持按轮次驱逐（turn-based eviction）、消息固定（pinning）文档与相关修复、Agentic 上下文管理移植到 Python。
2. 记忆（Memory）：把 TypeScript 的内存管理器与提取子系统整体移植到strands-py，Agent 新增memory_manager参数（支持同步自动冲刷），引入记忆注入（memory injection）并给出默认提取触发器。
3. 多智能体与人机协作（Multiagent / HIL）：边缘条件调用开始传递invocation_state；移植GoalLoopvended 插件与HumanInTheLoopvended intervention；Python 侧新增 Cedar 授权处理器、Sandbox 与 Agent 的集成，以及针对InvokeModelStage的内部中间件系统。

此外还包括大量社区与工程治理变更：合并 PR 指南、统一开发者文档、为strands-py应用 ruff format 消除格式漂移、升级 esbuild / hono 修复审计问题等。

记忆管理全量移植：MemoryManager 与提取子系统

本次发布最核心的功能交付是 PR #2740「port memory manager and extraction to Python」——把记忆管理器和提取逻辑从 TypeScript 移植到 Python，落地于 memory_manager.py 与 extraction/ 目录。

Agent 新参数：memory_manager

PR #2795 为Agent增加了memory_manager参数，接受MemoryManager实例或MemoryManagerConfig字典（自动包装），并支持可配置的同步自动冲刷（sync auto-flush）。从 agent.py 的解析逻辑看：

• 传入None时不启用记忆；
• 传入MemoryManager实例时直接使用；
• 传入字典时按MemoryManager(**memory_manager)包装。

在Agent(...)同步入口的每次调用结束后会等待memory_manager.flush()（见 agent.py），确保后台提取在会话边界前落盘；而自行驱动事件循环的调用方应在关闭边界手动await flush()。

MemoryManager 的三块核心能力

MemoryManager本身是一个Plugin（名称strands:memory-manager），构造函数接受四个参数（见 memory_manager.py）：

初始化时会做一系列校验（见 memory_manager.py）：空 stores、重复 store 名、可写但缺少写入方法的 store、提取配置指向不可写 store、有提取器却缺少add方法等都会抛出ValueError。

（1）检索工具search_memory：默认描述为 "Search long-term memory for facts, preferences, or context from previous conversations..."，支持query、max_search_results、stores三个参数；省略stores时检索全部可用存储，结果按存储归属（store_name）返回。每个存储的默认最大结果数依次取调用方传入值、store 自身的max_search_results、全局默认DEFAULT_MAX_SEARCH_RESULTS = 3。

（2）写入工具add_memory：接受entries列表与可选的stores参数。MemoryAddToolConfig.wait_for_writes控制两种行为模式（见 memory_manager.py）：

• True（默认）：等待写入完成，成功返回{"stored": n}，失败抛出聚合错误AggregateMemoryError；
• False：fire-and-forget 后台派发，立即返回{"accepted": n}，单存储失败仅记录日志。

（3）记忆注入injection：启用后注册一个InvokeModelStage.Input阶段的中间件，把检索到的记忆折叠进每次模型调用的输入，而不触碰持久化历史（见 memory_manager.py）。默认每次调用注入最多DEFAULT_MAX_ENTRIES = 5条，渲染为带source属性的<memory><entry source="store">...</entry></memory>XML 块；查询默认是自适应策略——用户轮取最新用户消息文本，否则取最近一条助手消息文本。自定义query/format回调抛异常时会 fail-open（跳过注入，不中断模型调用）。

提取子系统：触发器、提取器与协调器

提取（extraction）把对话消息自动转化为可检索的记忆条目，由四个模块协作：

• 触发器（triggers）：决定"何时提取"。内置两种（见 triggers.py）：InvocationTrigger（每次 Agent 调用后触发，保真度最高但最贵——每次轮次都可能产生一次模型调用）与IntervalTrigger(turns=n)（每 n 次调用触发一次，被跳过的轮次由水位线补上）。PR #2811 为提取触发器补上了默认值：当ExtractionConfig省略trigger时，默认使用每 5 轮一次的IntervalTrigger(turns=5)（见 resolve_extraction_config.py）。
• 提取器（extractor）：决定"如何提取"。ModelExtractor用语言模型把消息蒸馏成离散事实，返回 JSON 数组{"content": string}（见 model_extractor.py）；默认使用 Agent 自身的模型，可传入更便宜的模型以降低成本。
• 过滤器（filter）：默认MemoryMessageFilter(exclude=["toolUse", "toolResult"])，提取前剔除工具调用流量（见 types.py）。
• 协调器（coordinator）：后台保存消息到各存储，维护每个 store 的高水位线（high-water mark）保证每条消息至多投递一次；连续失败 10 次后进入退避（backoff），退避期间每 3 次保存请求放行一次探测（见 coordinator.py）。flush()绕过退避，清空所有剩余缓冲并等待完成。

默认提取器的选择与 store 的写入方法相关（见 resolve_extraction_config.py）：只实现add的 store 默认配ModelExtractor做客户端侧提取；实现add_messages的 store 默认不配提取器，把原始消息直接交给后端做服务端侧提取，省掉模型调用。

MemoryStore 协议

记忆存储后端遵循MemoryStore协议（见 types.py）：必实现search(query, options)；可选实现add（单条写入）、add_messages（批量写入，带序列号上下文便于幂等去重）、initialize（异步初始化）与get_tools（注册存储专属工具）。可写 store 至少需要add或add_messages之一作为写入水槽。本次同时移植了BedrockKnowledgeBaseStore（PR #2834），并把传入的配置类型重构为 TypedDict（PR #2824、#2827、#2832），去掉了冗余的| None。

上下文管理：预设、Agentic 模式与内存驱逐

auto/agentic双预设

PR #2756 新增上下文管理预设设计文档，PR #2808 把 Agentic 上下文管理移植到 Python。Agent的context_manager参数支持两种预设字符串、配置字典、ContextManager实例或False（见 context_manager.py）：

• "auto"：在上下文利用率达 85%（_AUTO_SUMMARIZE_UTILIZATION = 0.85）时做汇总；工具结果超过阈值（1500 token）时截断为 750 token 预览。这是默认策略管线：Offload.truncate("tool_results", ...).when(threshold=1500)+Offload.summarize("*").when(utilization=0.85, preserve_recent=4)。
• "agentic"：由模型驱动的上下文管理——通过注入工具让模型自主决定压缩，截断阈值提高到 8000 token，汇总仅在溢出（utilization=1）时发生。

两种模式都会在策略管线末尾追加EmergencyTruncateStrategy作为最终保险：先跑用户策略，若窗口仍然溢出则紧急截断（见 context_manager.py）。

从 agent.py 可见，agentic模式还会额外注入 token 用量中间件，用于向模型反馈调用预算。需要提醒的是：当context_manager被设置（非False）时，任何同时传入的conversation_manager会被忽略（context_manager.py）；context_manager与conversation_manager均不能与有状态模型（stateful model）共用（agent.py）。

策略预设：可组合的命名积木

除了两大整体预设，策略数组还支持四个命名积木（见 presets.py），可混入自定义策略管线：

文档明确指出：预设名是稳定契约，其展开阈值可能在版本间调整；需要钉死具体配置时应使用原始Offload.*策略。相关测试覆盖见 test_presets.py（含未知预设抛ValueError的断言）。

InMemoryStorage 按轮次驱逐

PR #2648 为上下文卸载器（context-offloader）的InMemoryStorage增加了基于轮次的驱逐（turn-based eviction）：当会话轮次超过配置上限时自动驱逐最旧条目，避免 L1 stash 无界增长。这与策略管线中的stash机制配套——ContextManager默认用InMemoryStorage作为 L1 stash（可传stash=False禁用、传字典自定义存储或检索工具开关，见 context_manager.py），并提供一个retrieval_tool让模型从 stash 中找回被压缩的内容。

消息固定（Pinning）

PR #2749 在会话管理文档中新增了消息固定（message pinning）章节，PR #2767 移除了 pin messaging 的 barrel 导出（修复导出面）。固定消息在策略执行时受到保护：从 base.py 可见，逐块截断的 eager hook 与消息级清除都会用is_pinned(...)跳过被固定消息，保证用户"钉住"的关键内容不会被压缩策略移除。

模型调用中间件与多智能体边缘条件

InvokeModelStage 内部中间件系统

PR #2760 为InvokeModelStage新增了内部中间件系统，这也正是记忆注入得以实现的底层机制：记忆管理器通过_middleware_registry.add_middleware(InvokeModelStage.Input, ...)在模型输入阶段挂钩（见 memory_manager.py）。中间件在每次模型调用前拿到当前消息上下文，可以追加文本（如记忆条目）、修改输入，而不改动持久化会话历史。这一设计与 TypeScript 版对齐，为后续更多输入/输出阶段的钩子扩展预留了统一入口。

边缘条件传递invocation_state

PR #2642 让多智能体（multiagent）的**边缘条件（edge condition）**调用开始接收invocation_state：在图（graph）/群（swarm）执行中，决定是否沿某条边继续执行的条件回调此前只能读取静态上下文，现在可以拿到当前调用状态（轮次、消息等），据此做出动态路由决策——例如"仅在上一跳产生工具调用时继续"这类依赖执行状态的判断。

vended 插件与集成：GoalLoop、HumanInTheLoop、Sandbox 与 Cedar

本次发布将多个 vended 组件移植/新增到 Python：

• GoalLoop 插件（PR #2738）：面向"目标循环"式执行的 vended 插件，配套文档一同落地，覆盖 [hooks, structured-output] 领域。
• HumanInTheLoop intervention（PR #2750）：把 TypeScript 的人机协作干预移植到 Python，支持在工具执行前请求人工审批/修改（HIL 场景）。
• Cedar 授权处理器（PR #2802）：Python 侧新增基于 Cedar 策略语言的工具授权处理器，与团队设计文档 0006-cedar-authorization.md 相呼应，可在工具执行前按策略决定放行或拒绝。
• Sandbox 与 Agent 集成（PR #2762、#2835）：Sandbox 沙箱能力集成进Agent，并提供配套的 vended 工具/插件。
• InterventionHandler 生命周期（PR #2800）：允许干预处理器（InterventionHandler）的生命周期覆写（lifecycle overrides）为同步或异步两种形态，兼容两种风格的事件循环。

社区与工程治理

工程侧本次也做了大量清理：合并 PR 指南并更新 pr-writer skill（#2772）、统一开发者文档目录（#2791）、为仓库各模块补CLAUDE.md（#2809）、对strands-py应用 ruff format 修复既有漂移（#2799）、抑制大文本载荷测试的冗长日志（#2773）、移除 lockfile 漂移检查以放行 Dependabot 与审计修复（#2841）、升级 hono 至 4.12.25 修复高危审计失败（#2843），并新增Syntax组件用于文档中内联语言相关标识符（#2751）。

升级与使用指引

安装/升级到最新版本后即可获得上述能力（本次为strands-agents1.44.0）：

pip install --upgrade strands-agents

最简记忆接入示例（与 memory_manager.py 文档字符串一致）：

from strands import Agent from strands.memory import MemoryManager memory_manager = MemoryManager(stores=[my_store]) agent = Agent(model=model, memory_manager=memory_manager) agent("Remember I prefer dark mode") results = await memory_manager.search("user preferences")

启用上下文管理预设：

agent = Agent(model=model, context_manager="auto") # 85% 利用率时主动汇总 + 截断 agent = Agent(model=model, context_manager="agentic") # 模型驱动压缩 + 溢出兜底

由于全部变更均为非破坏性（breaking: false），存量代码无需改动即可升级；但请注意：记忆提取的默认触发器、策略预设的阈值属于"内部默认值"，可能在后续版本调整，依赖精确行为时应显式配置ExtractionConfig或原始Offload.*策略。

小结

v1.44.0 是strands-py在上下文与记忆两条主线上向 TypeScript 版看齐的重要里程碑：memory_manager参数与提取/注入子系统的落地让 Python Agent 首次具备开箱即用的跨会话记忆；auto/agentic预设与策略管线让上下文压缩可声明式配置；而中间件、边缘条件与 vended 插件的补齐则夯实了多智能体与人机协作的生产可用性。若需深入源码，建议从 memory_manager.py、_context_manager/context_manager.py 及其配套测试目录strands-py/tests/strands/入手。

• 人工智能
• 大模型
• AI Agent
• Agent 框架
• 多智能体
• 工具调用
• MCP 服务