JawabanDipublikasikan19 sumber
AWS Strands Harness: dari Prototipe Agen AI Lokal ke Aplikasi Siap Deploy
Strands Harness adalah harness agen AI open source dari AWS yang dapat dijalankan secara lokal atau dideploy ke penyedia pilihan, dengan fondasi alat, konteks, memori, dan delegasi yang sama. AWS mengklaim biaya 28% lebih rendah pada enam benchmark dengan model Claude atau GPT yang sama, tetapi hasil tersebut merupa...
Diterbitkan olehDiedit dengan GPT-5.6 TerraGambar dibuat dengan GPT Image 2
Jawaban penelitian
Poin-poin penting
- Strands Harness adalah harness agen AI open source dari AWS yang dapat dijalankan secara lokal atau dideploy ke penyedia pilihan, dengan fondasi alat, konteks, memori, dan delegasi yang sama.
- AWS mengklaim biaya 28% lebih rendah pada enam benchmark dengan model Claude atau GPT yang sama, tetapi hasil tersebut merupakan evaluasi yang dilaporkan AWS sendiri dan perlu diuji pada beban kerja nyata.
- CLI Strands mendukung pembuatan proyek Python atau TypeScript; sebelum produksi, pengembang tetap harus menyiapkan izin minimum, pengelolaan rahasia, sandboxing, observabilitas, dan pengujian.
AI Perintah
openai.comCreate a landscape editorial hero image for this Studio Global article: How does AWS’s open-source Strands Harness—built on the Strands Agents SDK and supporting frontier and local models across local environment. Article summary: Strands Harness is AWS’s ready-made, open-source agent runtime: rather than assembling an agent loop, tools, state, and deployment path yourself, developers begin with a general-purpose agent locally and adapt or export . Topic tags: general, documentation, general web, user generated, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, w
Strands Harness adalah upaya open-source AWS untuk menutup jarak antara demo agen AI yang menjanjikan di komputer lokal dan aplikasi yang benar-benar dapat dideploy. Di atas ekosistem Strands, ia menyediakan fondasi agen serbaguna: pengembang dapat memulai dari model dan tugas, lalu menambahkan alat, state, serta konfigurasi deployment tanpa membangun ulang agent loop untuk setiap lingkungan. AWS menyatakan harness ini dapat dijalankan secara lokal atau dideploy ke penyedia pilihan, bukan runtime yang hanya terkunci di AWS. 7
Lapisan yang ditambahkan Strands Harness di sekitar model
Model AI saja belum cukup untuk menjadi agen yang andal. Yang menentukan adalah harness di sekelilingnya: bagaimana agen menerima konteks, memanggil alat, menyimpan state, mendelegasikan pekerjaan, dan beroperasi dalam batas eksekusi.
Strands Harness menyediakan titik awal yang telah dikonfigurasi, termasuk operasi file, eksekusi shell, alat web, pengelolaan konteks, sesi dan memori persisten, prompt caching, serta delegasi multiagen. 5
Komponen-komponen tersebut biasanya perlu dirakit sendiri ketika sebuah prototipe interaktif diubah menjadi layanan aplikasi. Dengan harness yang sama, model alat dan state agen dapat tetap konsisten meski penyedia model atau lingkungan hosting berubah.
Strands juga mendukung Model Context Protocol (MCP), standar terbuka untuk menghubungkan agen dengan alat yang di-host secara eksternal. MCP dapat memungkinkan agen memakai sistem internal yang telah disetujui atau layanan pihak ketiga tanpa setiap integrasi harus ditulis langsung ke inti agen. SDK Strands mendukung pendekatan penyedia model yang dapat dipasang-ganti, termasuk Amazon Bedrock, API Anthropic, OpenAI, serta opsi model lokal atau open-source seperti Ollama. 
Dari prototipe di laptop ke deployment
Gagasan portabilitasnya sederhana: buat prototipe agen secara lokal, susun atau hasilkan proyek Python maupun TypeScript, uji sebagai perangkat lunak, lalu deploy dengan konfigurasi yang sesuai untuk lingkungan tujuan. Pelaporan terkait rilis ini menyebut panduan deployment untuk AWS, Google Cloud, Azure, Cloudflare, Modal, dan lingkungan lokal. 6
Namun, agen yang bisa dideploy bukan berarti otomatis siap produksi. Lapisan keamanan dan operasional tetap harus dirancang secara sengaja:
- Berikan izin file, shell, jaringan, dan data hanya sebatas yang dibutuhkan tugas agen.
- Simpan rahasia serta kredensial penyedia model di luar prompt dan repositori kode.
- Perlakukan server MCP dan alat eksternal sebagai bagian dari batas kepercayaan sistem.
- Wajibkan persetujuan manusia atau sandboxing untuk tindakan berdampak, misalnya mengubah infrastruktur, mengirim pesan, atau memodifikasi data produksi.
- Tambahkan logging, pemantauan, pengujian, dan evaluasi yang relevan dengan beban kerja sebelum agen dipakai di produksi.
Harness dapat memangkas pekerjaan integrasi, tetapi tidak dapat menentukan kebijakan akses, toleransi risiko, atau standar keandalan organisasi.
Memulai dengan Strands CLI
Panduan resmi menyebut CLI memerlukan Node.js 20 atau lebih baru. CLI ini memandu pengembang memilih Python atau TypeScript serta penyedia model. Untuk proyek Python, diperlukan Python 3.10 atau lebih baru. 2
# Instal CLI interaktif
npm install -g @strands-agents/cli
# Jalankan asisten penyiapan
strands
Untuk proyek Python, jalur instalasi yang didokumentasikan adalah:
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install strands-harness
Untuk TypeScript, inisialisasi proyek Node.js lalu instal @strands-agents/harness sesuai panduan cepat terbaru. 2
Alur kerja yang praktis adalah memakai penyiapan interaktif untuk menentukan peran agen, alat yang diizinkan, penyedia model, dan kebutuhan memori; menjalankannya secara lokal; lalu melakukan commit serta pengujian terhadap proyek yang dihasilkan atau dikonfigurasi sebagai artefak untuk deployment. Alur CLI dapat berubah antar-rilis, jadi periksa strands --help dan panduan cepat terbaru sebelum mengandalkan perintah pembuatan atau ekspor tertentu. 2
Fleksibilitas model tetap membutuhkan konfigurasi penyedia
Strands dirancang untuk bekerja lintas penyedia, tetapi portabilitas tidak menghapus kebutuhan akses yang spesifik bagi masing-masing penyedia. SDK harness secara bawaan menggunakan Amazon Bedrock; pengguna harus menyiapkan kredensial AWS dan mengaktifkan akses ke model yang dipilih. 12 Penyedia lain juga membutuhkan kredensial, endpoint, pengaturan harga, serta kontrol kebijakan masing-masing.
Bagi tim yang memakai model lokal atau open-weight, materi Strands menjelaskan dukungan melalui antarmuka penyedia dan runtime seperti LiteLLM serta vLLM dalam pekerjaan benchmark terkait. 18 Secara praktis, pengembang dapat memisahkan desain operasional agen dari satu vendor model. Namun, kualitas, latensi, dan keandalan pemanggilan alat harus diuji kembali setiap kali model atau runtime diganti.
Klaim efisiensi AWS: menarik, tetapi bukan jaminan biaya
AWS menyatakan Strands Harness berbiaya 28% lebih rendah dibanding harness lain ketika menggunakan model Claude atau GPT yang sama pada enam benchmark, sambil mempertahankan akurasi yang hampir setara. 7 Liputan lain atas perbandingan AWS menyebut hasil sekitar 45% lebih murah dibanding Claude Code dan Codex, serta angka 28% yang lebih sempit ketika DeepSeek Harness ikut dimasukkan. Kelompok pembandingnya berbeda, sehingga angka-angka ini tidak boleh diperlakukan sebagai satu angka penghematan universal.
5
Klaim tersebut layak diperiksa karena konstruksi konteks, penanganan keluaran alat, orkestrasi, dan verifikasi dapat memengaruhi penggunaan token maupun hasil tugas secara material. Sebuah makalah posisi juga berargumen bahwa pada tugas berjangka panjang dengan model yang kemampuannya sebanding, harness eksekusi dapat lebih menentukan variasi performa daripada model itu sendiri. 17
Tetapi benchmark itu tetap dilaporkan AWS. The Register mencatat bahwa rilis ini membandingkan harness serbaguna dengan agen coding dan menggambarkan evaluasinya sebagai AWS yang “menilai pekerjaan rumahnya sendiri”. 3 Hal itu tidak membuktikan hasilnya keliru, tetapi berarti hasil tersebut bukan bukti independen bahwa Strands akan selalu lebih murah atau lebih baik untuk setiap jenis beban kerja agen.
Perbandingan internal yang adil sebaiknya menahan tetap model, prompt, kumpulan tugas, alat, izin, kebijakan pengulangan, target latensi, dan metode penghitungan biaya. Biaya yang relevan bukan hanya token input dan output: ada pula panggilan alat, penyimpanan, infrastruktur, peninjauan manusia, kegagalan, hingga biaya akibat tindakan yang salah.
Kapan Strands Harness cocok digunakan?
Strands Harness paling menarik bagi pengembang yang menginginkan fondasi agen serbaguna dengan akses alat nyata dan perilaku berbasis state, sambil tetap bebas memilih model serta target deployment. Ini terutama relevan ketika proof of concept lokal berpotensi membutuhkan penulisan ulang besar untuk memperoleh memori, integrasi alat, kontrol konteks, atau jalur deployment cloud. 5
7
Klaim benchmarknya paling tepat diperlakukan sebagai hipotesis yang bisa diuji, bukan proyeksi penghematan. Mulailah dengan agen yang sempit cakupannya dan berada dalam sandbox; beri hanya alat yang benar-benar diperlukan; ukur keberhasilan tugas, latensi, serta biaya total pada pekerjaan representatif; lalu promosikan ke produksi setelah kontrol keamanan dan operasional tersedia.
Studio Global AI
Lanjutkan penelitian Anda
Halaman ini berisi jawaban yang didukung sumber yang dapat Anda lanjutkan di dalam Studio Global.
Orang-orang juga bertanya
Apa jawaban singkat untuk "AWS Strands Harness: dari Prototipe Agen AI Lokal ke Aplikasi Siap Deploy"?
Strands Harness adalah harness agen AI open source dari AWS yang dapat dijalankan secara lokal atau dideploy ke penyedia pilihan, dengan fondasi alat, konteks, memori, dan delegasi yang sama.
Apa poin penting yang harus divalidasi terlebih dahulu?
Strands Harness adalah harness agen AI open source dari AWS yang dapat dijalankan secara lokal atau dideploy ke penyedia pilihan, dengan fondasi alat, konteks, memori, dan delegasi yang sama. AWS mengklaim biaya 28% lebih rendah pada enam benchmark dengan model Claude atau GPT yang sama, tetapi hasil tersebut merupakan evaluasi yang dilaporkan AWS sendiri dan perlu diuji pada beban kerja nyata.
Apa yang harus saya lakukan selanjutnya dalam latihan?
CLI Strands mendukung pembuatan proyek Python atau TypeScript; sebelum produksi, pengembang tetap harus menyiapkan izin minimum, pengelolaan rahasia, sandboxing, observabilitas, dan pengujian.
Sumber
strandsagents.comIntroducing Strands harness: frontier performance with 28% lower ...
daily.devAWS open-sources an AI agent it says is 45% cheaper than...
marktechpost.comAWS Strands Agents Team Releases Strands Harness: An Open-Source Agent Harness With 28% Lower Token Cost at Comparable Accuracy
