Kurz gesagt: AWS stellt mit Strands harness eine quelloffene Laufzeitumgebung für KI-Agenten vor. Sie soll Kontext, Sitzungen und Werkzeuge verwalten und durch eine automatische Kontextpflege Token sparen. In sechs Hersteller-Benchmarks benötigte Strands harness im Durchschnitt 28 Prozent weniger Token als die verglichenen Agent-Harnesses, ohne merkliche Einbußen bei der Genauigkeit.
KI-Agenten benötigen mehr als nur ein Sprachmodell. Sie müssen Werkzeuge aufrufen, Sitzungen verwalten, Kontext über mehrere Arbeitsschritte hinweg behalten und mit Fehlern umgehen. Genau diese wiederkehrenden Aufgaben soll Strands harness übernehmen. AWS entwickelt damit sein bestehendes Open-Source-Angebot rund um Strands Agents zu einer direkt nutzbaren Standardlaufzeit weiter.
Das unter der Apache-2.0-Lizenz veröffentlichte Projekt basiert auf dem Strands Harness SDK und kann laut AWS lokal sowie in Container-Umgebungen betrieben werden. Es richtet sich vor allem an Entwickler, die KI-Agenten mit Zugriff auf Shells, Dateien oder Webdienste erstellen und betreiben.
Weniger Token durch automatische Kontextverwaltung
Ein Schwerpunkt liegt auf der Verwaltung des Kontextfensters. Werkzeugausgaben werden ab rund 1.500 Token gekürzt. Sobald mehr als 85 Prozent des verfügbaren Kontextfensters belegt sind, fasst Strands harness den bisherigen Verlauf zusammen. Kommt es dennoch zu einem Überlauf, versucht die Laufzeit, benötigten Kontext wiederherzustellen.
Damit sollen insbesondere lange Logdateien oder Terminal-Ausgaben den verfügbaren Kontext nicht unnötig belegen und weitere Modellaufrufe verteuern.
AWS gibt an, Strands harness in sechs Benchmarks unter anderem mit Claude Code, Codex und weiteren Agent-Harnesses verglichen zu haben. Die Tests wurden auf EC2-Instanzen mit dem Benchmark-Framework Harbor ausgeführt. Im Durchschnitt soll Strands harness mit denselben Claude- oder GPT-Modellen 28 Prozent weniger Token benötigt haben und dabei annähernd gleiche Ergebnisse erzielt haben.
DeepSeek Harness verbrauchte in den AWS-Tests zwar noch weniger Token, erreichte laut Hersteller jedoch meist niedrigere Genauigkeitswerte. Die Ergebnisse sind entsprechend als Herstellerangaben einzuordnen: Vollständige Einzelergebnisse der sechs Benchmarks hat AWS bislang nicht veröffentlicht. Ein weiterer Beitrag beteiligter Forscher mit Details zu Methodik und Messwerten soll folgen.
Werkzeuge, Speicher und CLI bereits integriert
Strands harness unterstützt laut AWS aktuelle Modelle über Amazon Bedrock, Anthropic, OpenAI, Google, Ollama und LiteLLM. Die Bibliothek steht für Python und TypeScript bereit.
Zur Standardausstattung gehören Werkzeuge für Shell-Befehle sowie für das Lesen, Schreiben und Bearbeiten von Dateien. Auch ein Webwerkzeug ist enthalten. Ergänzt wird die Laufzeit durch Sitzungen und Langzeitspeicher, eine Aufgabenliste für mehrstufige Abläufe und einen Hilfsagenten für offene Teilaufgaben. Vorhandene Skills können ebenfalls geladen werden.
Entwickler können die vorgegebenen Komponenten anpassen oder bei Bedarf bis hinunter zum zugrunde liegenden SDK ersetzen. Für Prototypen stellt AWS außerdem eine Kommandozeilenoberfläche bereit. Darüber lassen sich Agenten mit natürlichsprachlichen Anweisungen zusammenstellen und anschließend als Python- oder TypeScript-Code exportieren.
Die Laufzeit soll grundsätzlich bei Anbietern funktionieren, die Linux-Container unterstützen. Genannt werden unter anderem Amazon ECS, Google Cloud Run, Azure Container Apps, Cloudflare Containers und Modal.
Für Entwickler von KI-Agenten liegt der praktische Nutzen vor allem darin, wiederkehrende Infrastrukturaufgaben rund um Kontext, Sitzungen und Werkzeuge nicht jedes Mal selbst implementieren zu müssen. Gleichzeitig zeigt der noch unvollständig dokumentierte Benchmark, dass Aussagen zur tatsächlichen Effizienz derzeit vor allem auf den Angaben von AWS beruhen.
Weitere Entwicklungen rund um KI-Agenten, Modelle und Werkzeuge ordnen wir regelmäßig im Newsletter „Beratung-KI“ ein.
Effizienz durch Innovation: Teile der textlichen und visuellen Ausgestaltung dieser Seite wurden durch generative KI-Systeme unterstützt.