Strands Agents proporciona telemetría nativa y seguimiento de costos desde el primer momento. Deja de escribir contadores de tokens personalizados.
Construir agentes de IA es fácil. Desplegarlos a producción es donde la mayoría de los equipos se encuentran con un muro.
Una de las primeras preguntas de finanzas: "¿Cuánto costará esto por solicitud?"
La mayoría de los frameworks de agentes te obligan a construir tu propio contador de tokens. Strands Agents te proporciona uno.
El Problema con el Conteo Personalizado de Tokens
Cada aplicación de IA necesita monitoreo de costos. Pero rastrear tokens a través de:
- Múltiples llamadas al modelo
- Invocaciones de herramientas
- Caché de prompts
- Flujos de trabajo multi-agente
...requiere infraestructura personalizada que la mayoría de los equipos reconstruyen desde cero.
Telemetría Nativa en Strands Agents
Strands Agents incluye telemetría de grado de producción por defecto:
from strands import Agent
from strands_tools import calculator
# Crear un agente con herramientas
agent = Agent(tools=[calculator])
# Invocar el agente con un prompt y obtener un AgentResult
result = agent("¿Cuál es la raíz cuadrada de 144?")
# Acceder a métricas a través del AgentResult
print(f"Tokens totales: {result.metrics.accumulated_usage['totalTokens']}")
print(f"Tiempo de ejecución: {sum(result.metrics.cycle_durations):.2f} segundos")
print(f"Herramientas usadas: {list(result.metrics.tool_metrics.keys())}")
# Métricas de caché (cuando estén disponibles)
if 'cacheReadInputTokens' in result.metrics.accumulated_usage:
print(f"Tokens leídos de caché: {result.metrics.accumulated_usage['cacheReadInputTokens']}")
if 'cacheWriteInputTokens' in result.metrics.accumulated_usage:
print(f"Tokens escritos en caché: {result.metrics.accumulated_usage['cacheWriteInputTokens']}")
Sin configuración. Sin código personalizado. Simplemente funciona.
Lo Que Obtienes
Cada AgentResult incluye:
| Métrica | Descripción |
|---|---|
inputTokens |
Tokens enviados al modelo |
outputTokens |
Tokens generados por el modelo |
totalTokens |
Costo total (entrada + salida) |
cacheReadInputTokens |
Tokens leídos desde caché (caché de prompts de Bedrock) |
cacheWriteInputTokens |
Tokens escritos en caché |
Seguimiento de Tokens Multi-Agente
Para sistemas multi-agente (ejecutor → validador → crítico), agrega métricas a través de todos los agentes:
from strands.multiagent import Swarm
swarm = Swarm([executor, validator, critic])
result = swarm("Consulta")
total_tokens = 0
for node_result in result.results.values():
usage = node_result.result.metrics.accumulated_usage
total_tokens += usage['totalTokens']
print(f"Costo total a través de todos los agentes: {total_tokens} tokens")
Seguimiento por Ciclo
Para agentes que ejecutan múltiples ciclos de razonamiento, rastrea tokens por ciclo:
from strands import Agent
from strands_tools import calculator
agent = Agent(tools=[calculator])
# Primera invocación
result1 = agent("¿Cuánto es 5 + 3?")
# Segunda invocación
result2 = agent("¿Cuál es la raíz cuadrada de 144?")
# Acceder a métricas de la última invocación
latest_invocation = result2.metrics.latest_agent_invocation
cycles = latest_invocation.cycles
usage = latest_invocation.usage
# O acceder a todas las invocaciones
for invocation in response.metrics.agent_invocations:
print(f"Uso de invocación: {invocation.usage}")
for cycle in invocation.cycles:
print(f" Ciclo {cycle.event_loop_cycle_id}: {cycle.usage}")
# O imprimir el resumen (incluye todas las invocaciones)
print(result2.metrics.get_summary())
Para una lista completa de atributos y sus tipos, consulta la referencia de API de EventLoopMetrics.
Por Qué Esto Importa
La visibilidad de costos es la diferencia entre un prototipo y una IA en producción.
Con la telemetría de Strands:
- ✅ Presupuesta cargas de trabajo de IA antes del despliegue
- ✅ Identifica consultas costosas en producción
- ✅ Optimiza prompts con datos reales de tokens
- ✅ Rastrea ahorros del caché de prompts
Todo sin escribir una sola línea de código de telemetría.
Funciona con Todos los Proveedores de Modelos
El seguimiento de tokens funciona independientemente de tu proveedor de modelo:
- Amazon Bedrock (Claude, Llama, Mistral)
- OpenAI (GPT-4, GPT-3.5)
- Anthropic API
- Ollama (modelos locales)
Misma API, mismas métricas, cero cambios de configuración.
Pruébalo
pip install strands-agents
Documentación completa: strandsagents.com/docs/user-guide/concepts/agents/
Gracias!
🇻🇪🇨🇱 Dev.to Linkedin GitHub Twitter Instagram Youtube
