Amazon 正式參戰 Agent 框架：Strands 6K⭐ 能否撼動 LangChain 生態？

開場：一個反常識嘅事實

2026年7月嘅AI Agent框架市場有個有趣嘅矛盾：LangChain依然佔據141K stars、每月超過一億次PyPI下載，但同時DevRel圈幾乎每日都有人寫「Why you should not use LangChain」。Amazon嘅Strands Agents喺一年內衝到6K+ stars，背後係AWS嘅全力支援；但OpenAI、Google、Microsoft都推出咗自家第一方框架，市場碎片化程度前所未有。

作為一個成日要喺有限資源下做技術決策嘅香港開發者，我嘅問題唔係「邊個框架最好」，而係「喺我嘅具體處境下，邊個框架嘅取捨最合理」。今日我想用一個比較唔同嘅角度——唔係睇star數或者PR數，而係從架構哲學、生態綁定程度、以及實際落地嘅企業適用性三個維度，去睇三個值得留意嘅新框架：Amazon Strands Agents、Wanxing AI嘅LightAgent、同埋Java生態嘅OxyJen。

Strands Agents：Amazon 嘅「Agent Harness」哲學

Strands Agents（前身叫 Harness SDK）嘅核心命題好清晰：Amazon唔想只做另一個agent框架，而係想做一個完整的agent harness。呢個分別好重要——框架俾你一個orchestration loop，但harness俾你成個系統：compute、sandbox、tools connection、memory、identity、observability，所有生產環境需要嘅野一次過俾你。

Strands嘅設計係model-driven——你定義個agent嘅行為模型，而唔係硬寫每一個step。佢支援Python同TypeScript雙SDK，原生支援MCP、multi-agent patterns、structured output、streaming，而預設嘅model provider係Amazon Bedrock，但可以無痛切換去Anthropic、OpenAI、Gemini、甚至Ollama local model。

從企業適用性角度睇，Strands嘅最大優勢係同Amazon Bedrock AgentCore嘅深度整合。你開發完個agent，可以一條command deploy上AgentCore Runtime，自動取得managed compute、checkpointing、observability、memory persistence。對於已經用緊AWS嘅團隊嚟講，呢個integration係超強嘅value proposition——你唔使另外搞LangSmith或者Langfuse去monitor agent behaviour。

但代價係vendor lock-in。雖然Strands Agents SDK本身係開源同model-agnostic，但佢嘅production deployment path同Bedrock AgentCore綁得好死。如果你係multi-cloud策略或者想完全self-hosted，Strands嘅吸引力會大打折扣。

截至2026年7月，Strands Agents喺GitHub有6,556 stars、240+ contributors、72個releases，社群活躍度相當高。AWS官方blog同workshop嘅support都好足，learning curve比起LangGraph算平緩——你寫agent loop、加tools、set guardrails，基本上係declarative config為主。

LightAgent：極簡主義嘅另類答案

如果Strands係Amazon用大量資源推嘅重型解決方案，LightAgent就係完全相反嘅極端。呢個由上海Wanxing AI同上海財經大學聯合開源嘅框架，core codebase得1,000行Python——冇LangChain、冇LlamaIndex dependency，真正嘅ultra-lightweight。

LightAgent嘅設計哲學係「keep the core small, delegate everything else to composable adapters」。佢包咗memory（mem0）、MCP client（stdio同SSE）、Tree of Thought推理、multi-agent collaboration（LightSwarm）、deterministic DAG workflow（LightFlow），但全部都係pluggable、opt-in嘅。

作為香港開發者，我特別留意到LightAgent對中文LLM嘅支援——DeepSeek、Qwen、ChatGLM、StepFun全部first-class support。對於我哋呢邊用緊國產model嘅團隊嚟講，呢個係好實際嘅advantage。LightSwarm嘅intent recognition同task delegation做得幾好，比OpenAI Swarm更靈活。

LightAgent v0.9.0（2026年6月）加咗checkpointed workflow、approval nodes、resume/rerun support，呢啲對於production deployment嚟講好關鍵。佢嘅guardrails系統（input、tool、output三層guardrails）同runtime hooks middleware都係近排先加嘅feature，顯示個框架正在快速成熟。

不過LightAgent嘅community仲好細（~1K stars），documentation同production battle-testing遠遠不及LangChain或者Strands。如果係做POC或者內部tooling，LightAgent嘅輕量同flexibility係好大優勢；但係要做high-stakes production deployment，我會比較謹慎。

OxyJen：Java 生態嘅缺席者終於出現

講到呢度，你可能會問：Java生態嘅AI agent framework去咗邊？呢個問題困擾咗好多enterprise Java團隊好耐。OxyJen嘅出現就係要填呢個gap。

OxyJen係一個graph-based orchestration framework，將LLM當做native node嚟對待——唔係helper utility，而係同data processor、validator、router一齊放喺同一個graph入面。呢個design令到pipelines可以debug、test、compose，而且對Java developer嚟講感覺natural——因為佢哋本身就好習慣graph-based workflow。

OxyJen嘅killer feature係JSON Schema enforcement。你可以define一個output schema，framework會自動retry直到LLM output符合schema，否則就exhaust retries。呢個對於enterprise compliance場景嚟講好重要——你唔可以接受LLM亂出format。

不過要坦白講，OxyJen仲係好早期——GitBP得34 stars，單人maintain。佢嘅RAG support、vector database integration、cost management、RBAC全部都係planned但未implemented。對於Java團隊嚟講，OxyJen係一個值得留意嘅direction signal，但暫時未係production-ready嘅答案。

比較現實嘅enterprise Java選擇係Microsoft Agent Framework（即係Semantic Kernel + AutoGen嘅unified successor），佢有first-class C# + Python parity同Azure AI Foundry integration。OxyJen更似係一個community-driven嘅alternative，for teams that want to stay away from the Microsoft stack。

點揀？一個香港開發者嘅實戰框架

綜合以上分析，我建議用以下三個問題嚟做decision framework：

第一問：你嘅infrastructure決定咗未？ 如果你已經用緊AWS，Strands Agents + Bedrock AgentCore係最自然嘅選擇，observability同deployment都out of the box。如果你係Azure shop，Microsoft Agent Framework更合理。如果你係GCP-native，Google ADK。Multi-cloud同startup就唔好揀第一方框架——獨立框架嘅flexibility更重要。

第二問：你嘅主力語言係咩？ Python/TypeScript：Strands（如果要AWS integration）或者LightAgent（如果要輕量flexibility）。Java：OxyJen（如果係早期exploration）或者Microsoft Agent Framework（如果係enterprise Java）。TypeScript-only：Mastra或者Vercel AI SDK更成熟。

第三問：你需要幾深嘅production支援？ High-stakes production deployment最好揀有成熟observability solution嘅框架——LangChain + LangSmith、Strands + AgentCore Observability、或者PydanticAI + Logfire。Internal tooling、POC、prototype：LightAgent嘅輕量同快速iteration係最大優勢。

我個人嘅傾向：對於香港嘅startup同中小型團隊，LightAgent係最值得試嘅框架——佢低dependency、支援中文LLM、learning curve平，做到好多野而唔會綁死你。但如果你的team已經喺AWS生態，Strands Agents嘅harness approach同production path係目前最完整嘅選擇。

LangChain唔會因為Strands而倒下——佢嘅ecosystem同community size仲係壓倒性。但2026年嘅agent框架市場，已經唔再係「LangChain or nothing」嘅世界。選擇越多，我哋作為開發者就越需要清楚自己嘅constraints係咩。揀框架，最終係揀trade-off。