로컬에서 잘 작동하던 AI 에이전트가 곧바로 운영 서비스가 되는 것은 아니다. 모델 호출 외에도 도구 실행, 대화·작업 상태, 메모리, 컨텍스트 정리, 권한, 배포 설정이 필요하다. AWS의 오픈소스 Strands Harness는 이 주변 실행 계층을 미리 묶어, 개발자가 로컬 프로토타입에서 시작해 배포 가능한 애플리케이션으로 옮기도록 돕는 도구다.

AWS는 이를 AWS 전용 런타임이 아니라 로컬에서 실행하거나 원하는 공급자 환경에 배포할 수 있는 범용 에이전트 하니스로 소개한다. 7

모델 주변의 ‘운영 뼈대’를 제공한다

LLM 자체만으로는 신뢰할 만한 에이전트가 되기 어렵다. 에이전트가 어떤 정보를 문맥으로 유지할지, 어떤 도구를 호출할지, 상태를 얼마나 오래 보존할지, 다른 에이전트에 일을 넘길지, 실행을 어디까지 허용할지 결정하는 계층이 필요하다.

Strands Harness에는 다음과 같은 기능이 기본 구성으로 포함된다.

• 파일 읽기·쓰기·편집 등 파일 작업
• 셸 명령 실행
• 웹 도구
• 컨텍스트 관리
• 영속 세션과 메모리
• 프롬프트 캐싱
• 멀티 에이전트 위임

5

이 기능들은 대화형 데모를 실제 앱으로 발전시키는 과정에서 개발팀이 각각 따로 조립하곤 하는 요소다. 공통 하니스를 쓰면 모델 공급자나 호스팅 환경을 바꾸더라도, 도구와 상태를 다루는 기본 구조를 일관되게 유지할 수 있다.

Strands는 외부 도구 연결을 위한 개방형 표준인 **MCP(Model Context Protocol)**도 지원한다. MCP를 이용하면 에이전트 코드에 통합을 하나씩 직접 구현하지 않고도, 승인된 사내 시스템이나 서드파티 서비스를 도구로 연결할 수 있다. 기반이 되는 Strands SDK는 플러그형·모델 비종속 방식을 지원하며, Amazon Bedrock, Anthropic API, OpenAI, Ollama 같은 로컬·오픈소스 모델 선택지와 함께 사용할 수 있다. 15

로컬 프로토타입에서 배포로: 핵심은 ‘재작성 감소’

Strands Harness의 이식성 메시지는 비교적 단순하다. 개발자 워크스테이션에서 에이전트를 만들고, 이를 Python 또는 TypeScript 프로젝트로 구성해 소프트웨어처럼 테스트한 뒤, 대상 환경에 맞는 설정을 더해 배포하는 방식이다.

출시 관련 보도에 따르면 AWS, Google Cloud, Microsoft Azure, Cloudflare, Modal, 로컬 환경을 위한 배포 안내가 제공된다. 6

다만 이것이 한 번의 명령으로 운영 준비가 끝난다는 뜻은 아니다. 배포 가능한 에이전트에는 별도의 보안·운영 설계가 필수다.

• 에이전트에는 업무에 꼭 필요한 범위의 파일, 셸, 네트워크, 데이터 권한만 부여한다.
• 비밀정보와 공급자 인증정보를 프롬프트나 소스 저장소에 넣지 않는다.
• MCP 서버와 외부 도구도 신뢰 경계의 일부로 보고 검토한다.
• 인프라 변경, 메시지 전송, 운영 데이터 수정처럼 결과가 큰 작업에는 승인 절차 또는 샌드박스를 둔다.
• 운영 투입 전 로깅, 모니터링, 테스트, 업무별 평가 체계를 마련한다.

하니스는 통합 작업을 줄일 수 있지만, 조직의 접근통제 수준이나 위험 허용 범위, 신뢰성 기준까지 대신 결정해 주지는 않는다.

Strands CLI로 빠르게 시작하기

공식 퀵스타트 기준으로 CLI에는 Node.js 20 이상이 필요하다. 설정 도우미는 Python과 TypeScript 중 하나를 선택하게 하며, Python 프로젝트에는 Python 3.10 이상이 필요하다. 2

# 대화형 CLI 설치
npm install -g @strands-agents/cli

# 설정 도우미 시작
strands

Python 프로젝트의 문서화된 설치 경로는 다음과 같다.

python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install strands-harness

TypeScript는 새 Node.js 프로젝트를 초기화한 뒤, 현재 퀵스타트 안내에 따라 @strands-agents/harness를 설치하면 된다. 2

실무적으로는 대화형 설정 과정에서 에이전트 역할, 허용 도구, 모델 공급자, 메모리 필요 여부를 정하고 로컬에서 실행해 보는 흐름이 적절하다. 이후 생성되거나 구성된 Python·TypeScript 프로젝트를 커밋하고 테스트해 배포 산출물로 관리할 수 있다.

CLI의 세부 워크플로와 생성·내보내기 명령은 버전별로 달라질 수 있다. 특정 명령에 의존하기 전 strands --help와 최신 퀵스타트를 확인하는 편이 안전하다. 2

모델 선택권이 있어도 공급자 설정은 남는다

Strands는 여러 모델 공급자를 겨냥하지만, 이식성이 공급자별 설정을 없애 주는 것은 아니다. Harness SDK는 기본적으로 Amazon Bedrock 모델 공급자를 사용하므로, 선택한 모델에 대한 AWS 자격 증명과 모델 접근 권한이 필요하다. 12

다른 공급자도 각자의 API 키, 엔드포인트, 과금 체계, 정책 통제를 요구한다. 로컬 또는 오픈웨이트 모델을 쓰려는 팀이라면, Strands 관련 벤치마크 하니스 자료에서 LiteLLM과 vLLM 같은 런타임을 통한 지원 사례를 확인할 수 있다. 18

실질적인 장점은 에이전트의 운영 설계를 특정 모델 벤더 하나에 고정하지 않을 수 있다는 점이다. 반대로 모델이나 런타임을 바꿀 때마다 품질, 지연시간, 도구 호출 신뢰성을 다시 측정해야 한다는 뜻이기도 하다.

‘28% 저렴’ 주장, 어떻게 읽어야 하나

AWS는 동일한 Claude 또는 GPT 모델을 사용해 6개 벤치마크를 실행했을 때, Strands Harness가 정확도는 거의 동등하게 유지하면서 다른 하니스보다 28% 낮은 비용이 들었다고 주장한다. 7

별도 보도에서는 Claude Code와 Codex 대비 약 45% 저렴했다는 비교도 소개됐다. DeepSeek Harness를 포함하면 차이가 28% 수준으로 좁아졌다는 설명도 있다. 이 수치들은 비교 대상 집단이 다르므로, 하나의 보편적인 절감률처럼 받아들여서는 안 된다. 5

이 주목할 만한 이유는 컨텍스트 구성, 도구 출력 처리, 오케스트레이션, 검증 방식이 토큰 사용량과 작업 결과를 크게 바꿀 수 있기 때문이다. 장기 작업에서는 비슷한 성능의 모델끼리 비교할 경우, 모델보다 실행 하니스가 성능 편차를 더 크게 좌우할 수 있다는 연구 관점도 제시됐다. 17

그러나 벤치마크 결과는 AWS가 보고한 수치다. 기술 매체 더 레지스터는 범용 하니스를 코딩 에이전트와 비교한 점과 함께, AWS가 스스로 평가를 채점한 셈이라고 지적했다. 3 이는 결과가 틀렸다는 증거는 아니지만, 모든 에이전트 업무에서 Strands가 더 저렴하거나 우수하다는 독립적 보증으로 볼 수는 없다는 의미다.

공정한 사내 비교라면 다음 조건을 가능한 한 고정해야 한다.

• 같은 모델과 프롬프트
• 같은 업무 과제와 평가 기준
• 같은 도구 및 권한 범위
• 같은 재시도 정책과 지연시간 목표
• 같은 비용 산정 방식

비용은 입출력 토큰만이 아니다. 도구 호출, 저장소, 인프라, 사람의 검토, 실패 처리, 잘못된 행동으로 인한 비용까지 포함해 봐야 한다.

어떤 팀에 적합한가

Strands Harness는 실제 도구 접근과 상태 유지가 가능한 범용 에이전트의 출발점을 원하면서도, 모델과 배포 대상을 선택할 자유를 유지하려는 개발자에게 특히 적합하다. 로컬 개념검증 단계의 에이전트에 메모리, 도구 연동, 컨텍스트 제어, 클라우드 배포 경로를 붙이기 위해 대규모 재작성이 필요했던 팀이라면 검토할 만하다. 57

다만 AWS의 벤치마크 수치는 구매 보증이 아니라 검증할 가설로 보는 편이 맞다. 처음에는 범위를 좁히고 샌드박스에 넣은 에이전트로 시작한 뒤, 꼭 필요한 도구만 연결해야 한다. 대표 업무에서 성공률, 지연시간, 총비용을 측정하고, 운영 통제가 갖춰진 다음에야 단계적으로 배포 범위를 넓히는 접근이 바람직하다.

로컬에서 잘 작동하던 AI 에이전트가 곧바로 운영 서비스가 되는 것은 아니다. 모델 호출 외에도 도구 실행, 대화·작업 상태, 메모리, 컨텍스트 정리, 권한, 배포 설정이 필요하다. AWS의 오픈소스 Strands Harness는 이 주변 실행 계층을 미리 묶어, 개발자가 로컬 프로토타입에서 시작해 배포 가능한 애플리케이션으로 옮기도록 돕는 도구다.

AWS는 이를 AWS 전용 런타임이 아니라 로컬에서 실행하거나 원하는 공급자 환경에 배포할 수 있는 범용 에이전트 하니스로 소개한다. 7

모델 주변의 ‘운영 뼈대’를 제공한다

LLM 자체만으로는 신뢰할 만한 에이전트가 되기 어렵다. 에이전트가 어떤 정보를 문맥으로 유지할지, 어떤 도구를 호출할지, 상태를 얼마나 오래 보존할지, 다른 에이전트에 일을 넘길지, 실행을 어디까지 허용할지 결정하는 계층이 필요하다.

Strands Harness에는 다음과 같은 기능이 기본 구성으로 포함된다.

• 파일 읽기·쓰기·편집 등 파일 작업
• 셸 명령 실행
• 웹 도구
• 컨텍스트 관리
• 영속 세션과 메모리
• 프롬프트 캐싱
• 멀티 에이전트 위임

5

이 기능들은 대화형 데모를 실제 앱으로 발전시키는 과정에서 개발팀이 각각 따로 조립하곤 하는 요소다. 공통 하니스를 쓰면 모델 공급자나 호스팅 환경을 바꾸더라도, 도구와 상태를 다루는 기본 구조를 일관되게 유지할 수 있다.

Strands는 외부 도구 연결을 위한 개방형 표준인 **MCP(Model Context Protocol)**도 지원한다. MCP를 이용하면 에이전트 코드에 통합을 하나씩 직접 구현하지 않고도, 승인된 사내 시스템이나 서드파티 서비스를 도구로 연결할 수 있다. 기반이 되는 Strands SDK는 플러그형·모델 비종속 방식을 지원하며, Amazon Bedrock, Anthropic API, OpenAI, Ollama 같은 로컬·오픈소스 모델 선택지와 함께 사용할 수 있다. 15

로컬 프로토타입에서 배포로: 핵심은 ‘재작성 감소’

Strands Harness의 이식성 메시지는 비교적 단순하다. 개발자 워크스테이션에서 에이전트를 만들고, 이를 Python 또는 TypeScript 프로젝트로 구성해 소프트웨어처럼 테스트한 뒤, 대상 환경에 맞는 설정을 더해 배포하는 방식이다.

출시 관련 보도에 따르면 AWS, Google Cloud, Microsoft Azure, Cloudflare, Modal, 로컬 환경을 위한 배포 안내가 제공된다. 6

다만 이것이 한 번의 명령으로 운영 준비가 끝난다는 뜻은 아니다. 배포 가능한 에이전트에는 별도의 보안·운영 설계가 필수다.

• 에이전트에는 업무에 꼭 필요한 범위의 파일, 셸, 네트워크, 데이터 권한만 부여한다.
• 비밀정보와 공급자 인증정보를 프롬프트나 소스 저장소에 넣지 않는다.
• MCP 서버와 외부 도구도 신뢰 경계의 일부로 보고 검토한다.
• 인프라 변경, 메시지 전송, 운영 데이터 수정처럼 결과가 큰 작업에는 승인 절차 또는 샌드박스를 둔다.
• 운영 투입 전 로깅, 모니터링, 테스트, 업무별 평가 체계를 마련한다.

하니스는 통합 작업을 줄일 수 있지만, 조직의 접근통제 수준이나 위험 허용 범위, 신뢰성 기준까지 대신 결정해 주지는 않는다.

Strands CLI로 빠르게 시작하기

공식 퀵스타트 기준으로 CLI에는 Node.js 20 이상이 필요하다. 설정 도우미는 Python과 TypeScript 중 하나를 선택하게 하며, Python 프로젝트에는 Python 3.10 이상이 필요하다. 2

# 대화형 CLI 설치
npm install -g @strands-agents/cli

# 설정 도우미 시작
strands

Python 프로젝트의 문서화된 설치 경로는 다음과 같다.

python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install strands-harness

TypeScript는 새 Node.js 프로젝트를 초기화한 뒤, 현재 퀵스타트 안내에 따라 @strands-agents/harness를 설치하면 된다. 2

실무적으로는 대화형 설정 과정에서 에이전트 역할, 허용 도구, 모델 공급자, 메모리 필요 여부를 정하고 로컬에서 실행해 보는 흐름이 적절하다. 이후 생성되거나 구성된 Python·TypeScript 프로젝트를 커밋하고 테스트해 배포 산출물로 관리할 수 있다.

CLI의 세부 워크플로와 생성·내보내기 명령은 버전별로 달라질 수 있다. 특정 명령에 의존하기 전 strands --help와 최신 퀵스타트를 확인하는 편이 안전하다. 2

모델 선택권이 있어도 공급자 설정은 남는다

Strands는 여러 모델 공급자를 겨냥하지만, 이식성이 공급자별 설정을 없애 주는 것은 아니다. Harness SDK는 기본적으로 Amazon Bedrock 모델 공급자를 사용하므로, 선택한 모델에 대한 AWS 자격 증명과 모델 접근 권한이 필요하다. 12

다른 공급자도 각자의 API 키, 엔드포인트, 과금 체계, 정책 통제를 요구한다. 로컬 또는 오픈웨이트 모델을 쓰려는 팀이라면, Strands 관련 벤치마크 하니스 자료에서 LiteLLM과 vLLM 같은 런타임을 통한 지원 사례를 확인할 수 있다. 18

실질적인 장점은 에이전트의 운영 설계를 특정 모델 벤더 하나에 고정하지 않을 수 있다는 점이다. 반대로 모델이나 런타임을 바꿀 때마다 품질, 지연시간, 도구 호출 신뢰성을 다시 측정해야 한다는 뜻이기도 하다.

‘28% 저렴’ 주장, 어떻게 읽어야 하나

AWS는 동일한 Claude 또는 GPT 모델을 사용해 6개 벤치마크를 실행했을 때, Strands Harness가 정확도는 거의 동등하게 유지하면서 다른 하니스보다 28% 낮은 비용이 들었다고 주장한다. 7

별도 보도에서는 Claude Code와 Codex 대비 약 45% 저렴했다는 비교도 소개됐다. DeepSeek Harness를 포함하면 차이가 28% 수준으로 좁아졌다는 설명도 있다. 이 수치들은 비교 대상 집단이 다르므로, 하나의 보편적인 절감률처럼 받아들여서는 안 된다. 5

이 주목할 만한 이유는 컨텍스트 구성, 도구 출력 처리, 오케스트레이션, 검증 방식이 토큰 사용량과 작업 결과를 크게 바꿀 수 있기 때문이다. 장기 작업에서는 비슷한 성능의 모델끼리 비교할 경우, 모델보다 실행 하니스가 성능 편차를 더 크게 좌우할 수 있다는 연구 관점도 제시됐다. 17

그러나 벤치마크 결과는 AWS가 보고한 수치다. 기술 매체 더 레지스터는 범용 하니스를 코딩 에이전트와 비교한 점과 함께, AWS가 스스로 평가를 채점한 셈이라고 지적했다. 3 이는 결과가 틀렸다는 증거는 아니지만, 모든 에이전트 업무에서 Strands가 더 저렴하거나 우수하다는 독립적 보증으로 볼 수는 없다는 의미다.

공정한 사내 비교라면 다음 조건을 가능한 한 고정해야 한다.

• 같은 모델과 프롬프트
• 같은 업무 과제와 평가 기준
• 같은 도구 및 권한 범위
• 같은 재시도 정책과 지연시간 목표
• 같은 비용 산정 방식

비용은 입출력 토큰만이 아니다. 도구 호출, 저장소, 인프라, 사람의 검토, 실패 처리, 잘못된 행동으로 인한 비용까지 포함해 봐야 한다.

어떤 팀에 적합한가

Strands Harness는 실제 도구 접근과 상태 유지가 가능한 범용 에이전트의 출발점을 원하면서도, 모델과 배포 대상을 선택할 자유를 유지하려는 개발자에게 특히 적합하다. 로컬 개념검증 단계의 에이전트에 메모리, 도구 연동, 컨텍스트 제어, 클라우드 배포 경로를 붙이기 위해 대규모 재작성이 필요했던 팀이라면 검토할 만하다. 57

다만 AWS의 벤치마크 수치는 구매 보증이 아니라 검증할 가설로 보는 편이 맞다. 처음에는 범위를 좁히고 샌드박스에 넣은 에이전트로 시작한 뒤, 꼭 필요한 도구만 연결해야 한다. 대표 업무에서 성공률, 지연시간, 총비용을 측정하고, 운영 통제가 갖춰진 다음에야 단계적으로 배포 범위를 넓히는 접근이 바람직하다.