Strands Harness: Agen Open-Source AWS, Kos 28% Lebih Rendah

Strands Harness: Agen Open-Source AWS, Kos 28% Lebih Rendah

Pernah tak korang prototaip agent dalam Claude Code atau Codex, lepas tu cuba bina semula sebagai loop sendiri? Pengalaman biasa: CLI tu terus "berfungsi", tapi harness yang korang tulis dari kosong langsung tak sedap. Pada 21 September 2026, pasukan Strands Agents di AWS mengumumkan Strands harness - agent umum yang lengkap, boleh dimulakan dengan satu baris kod Python atau TypeScript, jalan secara lokal atau deploy ke mana-mana provider linux container, di bawah lesen Apache 2.0.

Angka utama yang mereka tawarkan memang membuatkan orang berhenti membaca: kos token 28% lebih rendah daripada harness pesaing yang guna model Claude atau GPT yang sama, merentas enam benchmark, dengan ketepatan hampir setara. Betul atau tidak angka tu, pengumuman ini patut dibaca sebab ia jatuh betul-betul di tengah perdebatan sebenar: berapa besar kesan harness - loop, tools, pengurusan context dan recovery di sekeliling model - pada bil token agent kita.

Kenapa bina agent sendiri memang susah

Strands sememangnya dah ada Strands Harness SDK yang mendedahkan komponen asas: loop, tool registry, pengurusan context, memory dan recovery. Strands harness ambil primitif tu dan bungkus menjadi default yang terus berfungsi. Pasukan itu nyatakan ia dibina sebagai agent kegunaan umum, bukan coding agent - sesuai untuk tugasan research, kerja pemprosesan data, atau workflow yang bersambung dengan MCP, bukan hanya untuk repo code.

Untuk pasukan yang pernah bersusah payah menulis agent loop sendiri, perbezaan ni penting. Kebanyakan framework "extensible" hanya beri beberapa hook point. Harness yang siap dipasang seperti ini memberi keseluruhan mesin, dan kita boleh potong mana-mana bahagian yang tak perlu. Bagi mereka yang mahu faham hujung ekstrem falsafah ini, DeepSeek Harness - di mana semua benda adalah plugin - ialah hujung spektrum yang satu lagi.

Angka 28% dan kaveat yang jujur

Pasukan itu menjalankan benchmark secara teragih atas EC2 dengan Harbor, framework eval dari pencipta Terminal-Bench, merentas enam benchmark: ALFWorld, ContextBench, GAIA, WebShop, τ²-bench dan Terminal-Bench 2.1. Kos diukur sebagai purata dolar setiap task. Pesaing dalam carta: Claude Code, Codex, oh-my-pi, OpenCode dan DeepSeek Harness.

Angka 28% ada kaveat yang perlu korang tahu sebelum memetiknya: DeepSeek Harness sebenarnya harness paling token-efficient, lebih murah sekitar 14% daripada Strands, tetapi mendapat skor lebih rendah pada setiap benchmark. Memasukkan DeepSeek dalam perbandingan itulah sebab angka utama jadi 28%, bukan lebih tinggi. Ini cara jujur membaca benchmark vendor: tuntutan penjimatan bertahan walaupun pesaing paling murah dimasukkan, tetapi pesaing itu mengorbankan ketepatan untuk sampai ke sana.

Pertarungan yang paling jelas: Claude Fable 5 di Terminal-Bench 2.1

MarkTechPost memaparkan semula carta untuk Claude Fable 5 di Terminal-Bench 2.1, 89 cubaan setiap harness:

Berbanding Claude Code, Strands 77% lebih murah dan skor 7.9 mata lebih tinggi. Oh-my-pi mencapai ketepatan 69.7 yang sama tetapi kos 54% lebih tinggi. DeepSeek kekal lebih murah tetapi ketinggalan 10.2 mata. Baris yang paling menarik sebenarnya Claude Code sendiri: $248.05 untuk model yang sama - 4x ganda lebih mahal daripada Strands, dengan skor yang lebih rendah pula.

Apa sebenarnya yang menurunkan kos

Penjimatan ni bukan sihir. Strands membawa default untuk prompt caching dan pengurusan context, dan pasukan itu kata pengurusan context adalah penyumbang utama kepada token-efficiency dan ketepatan. Tiga peraturan utama yang memainkan peranan:

• Hasil tool yang panjang (lebih 1,500 token) dipotong.
• Summarization (compaction) dicetuskan apabila penggunaan context melepasi 85%.
• Context recovery berjalan dalam loop jika window melimpah.

Selain itu, harness memindahkan hasil tool yang besar ke fail, dan bahagian permintaan yang berulang disimpan dalam cache. Dump terminal yang panjang tak membanjiri panggilan model berikutnya; bahagian yang berulang hanya dibayar sekali.

Harness tax memang wujud, dan ia lebih besar daripada Strands

Ini bukan marketing vendor semata-mata. Pada September 2026, penyelidik dari UC Berkeley's Sky Lab dan Arena menerbitkan HarnessTax, menjalankan tujuh model merentas tiga harness (Claude Code, Codex CLI dan harness Pi yang minimum dan open-source) pada SWE-bench Lite dan Terminal-Bench 2.0. Penemuan mereka: pemilihan harness hampir tidak mengubah kadar kejayaan - dalam ±2% pada SWE-bench Lite, kira-kira ±5% pada Terminal-Bench 2.0 - tetapi model yang sama boleh mencapai kejayaan serupa dengan kos sehingga 5x ganda lebih tinggi.

Ini kerangka yang betul untuk menilai semua tuntutan benchmark. Angka Strands selari dengan kajian itu: model sama, scaffolding berbeza, dolar per task berbeza jauh. Jadi apabila korang membaca "28% lebih murah dengan ketepatan hampir setara", anggap ia boleh diuji - dan uji atas workload korang sendiri. Harness yang menang atas enam benchmark ini belum tentu menang atas tool calls panjang yang korang guna setiap hari.

Cara mula

Strands harness dipasang dengan pip install strands-harness atau npm install @strands-agents/harness. Pilih model mengikut nama, tunjuk ke model Ollama lokal, atau hala melalui LiteLLM:

from strands_harness import create_harness

agent = create_harness(model="anthropic/claude-opus-5")
agent("Research the top three vector databases, compare pricing and limits, and write it up in comparison.md")

Sebaik sahaja create_harness() dipanggil, ia berjalan pada model reasoning terkini merentas Amazon Bedrock, Anthropic, OpenAI, Google, Ollama atau LiteLLM; membawa tools shell, fail (read/write/edit) dan web dan bukannya tool khas untuk setiap task; mengurus context window sendiri; menyimpan long-term memory merentas run dan menyambung semula dari session ID; mewakilkan subtask terbuka kepada helper agent terbina dalam sambil menjejak kerja dengan checklist; dan memuatkan Agent Skills jika ditemui.

Kalau nak prototaip sebelum komited pada code, Strands CLI (npm install -g @strands-agents/cli) membolehkan agen digambarkan dalam bahasa mudah. Apabila tingkah laku dah betul, /export mengeluarkan keseluruhan projek sebagai Python atau TypeScript - demo menunjukkan MCP server Playwright ditambah di tengah-tengah perbualan, kemudian dibakar ke dalam boilerplate yang dieksport. CLI itu sendiri dibina atas Strands harness, jadi agen yang korang prototaip dalam chat ialah code yang sama yang pergi ke production.

Untuk deployment, harness menyasarkan mana-mana provider yang menjalankan linux container: Modal, Cloudflare Containers, Azure Container Apps, Google Cloud Run, Amazon ECS dan Bedrock AgentCore.

Kesimpulan untuk developer

Benchmark harness, bukan hanya model. Strands harness ialah default yang dibungkus dengan baik, dan peraturan pengurusan contextnya memang default yang patut ditiru walaupun korang tak guna Strands langsung. Tetapi pengajaran yang lebih besar - yang ditekankan oleh kajian HarnessTax - ialah kos agent korang ditentukan oleh harness, bukan hanya pada model frontier yang korang pilih. Sama ada 28% Strands itu bertahan apabila bertemu workload sebenar korang, itu ukuran, bukan andaian.

Kalau bidang ni masih baru untuk korang, baca dulu penjelasan kami tentang apa itu agent harness dan luangkan masa dengan seni bina plugin DeepSeek Harness sebelum buat keputusan.

Sumber

• Strands Agents: Introducing Strands harness: frontier performance with 28% lower token cost
• MarkTechPost: AWS Strands Agents Team Releases Strands Harness: An Open-Source Agent Harness With 28% Lower Token Cost at Comparable Accuracy
• Strands Agents: strands-agents/harness-sdk (GitHub)
• Strands Agents: Strands harness docs
• UC Berkeley Sky Lab / Arena: HarnessTax: How Much Does the Harness Matter for Coding Agents?