AnswersPublished19 sources
AWS Strands Harness memudahkan ejen AI tempatan dibawa ke persekitaran deploy
Strands Harness ialah asas ejen AI sumber terbuka yang sedia digunakan, dengan alat fail, shell dan web, pengurusan konteks, memori, sesi berterusan serta delegasi berbilang ejen. Ia boleh diprototaip secara tempatan dan dikonfigurasi untuk deployment dalam Python atau TypeScript merentas AWS, Google Cloud, Azure, C...
Diterbitkan olehDisunting dengan GPT-5.6 TerraImej dijana dengan GPT Image 2
Research answer
Key takeaways
- Strands Harness ialah asas ejen AI sumber terbuka yang sedia digunakan, dengan alat fail, shell dan web, pengurusan konteks, memori, sesi berterusan serta delegasi berbilang ejen.
- Ia boleh diprototaip secara tempatan dan dikonfigurasi untuk deployment dalam Python atau TypeScript merentas AWS, Google Cloud, Azure, Cloudflare, Modal dan persekitaran tempatan.
- AWS mendakwa kosnya 28% lebih rendah dalam enam penanda aras menggunakan model yang sama, namun perbandingan itu dilaporkan sendiri oleh AWS dan bukan jaminan kos atau prestasi produksi.
AI Prompt
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 ialah usaha sumber terbuka AWS untuk merapatkan jurang antara demo ejen AI yang menjadi di komputer riba dengan aplikasi yang benar-benar boleh di-deploy. Ia membungkus asas ejen serba guna berasaskan ekosistem Strands: pembangun boleh bermula dengan model dan tugasan, kemudian menambah alat, keadaan (state) serta konfigurasi deployment tanpa perlu membina semula gelung ejen bagi setiap persekitaran. AWS menyatakannya sebagai boleh dijalankan secara tempatan atau di-deploy kepada penyedia pilihan, bukannya runtime yang terhad kepada AWS sahaja. 7
Apa yang disediakan di sekeliling model
Model AI semata-mata belum menjadikan sesuatu sistem itu ejen yang boleh diharap. Lapisan harness menentukan cara ejen menerima konteks, memanggil alat, menyimpan keadaan, menyerahkan kerja dan kekal dalam had pelaksanaan. Strands Harness menyediakan titik mula yang telah dikonfigurasi dengan operasi fail, pelaksanaan shell, alat web, pengurusan konteks, sesi dan memori berterusan, cache arahan (prompt caching), serta delegasi berbilang ejen. 5
Inilah komponen yang lazimnya perlu digabungkan sendiri oleh pembangun ketika beralih daripada prototaip interaktif kepada perkhidmatan aplikasi. Dengan harness yang sama, ejen boleh mengekalkan model alat dan keadaan yang konsisten walaupun penyedia model atau tempat pengehosan berubah.
Strands turut menyokong Model Context Protocol (MCP), standard terbuka untuk menghubungkan ejen dengan alat yang dihoskan secara luaran. MCP boleh membolehkan ejen menggunakan sistem dalaman yang diluluskan atau perkhidmatan pihak ketiga tanpa setiap integrasi perlu dikodkan terus ke dalam ejen. SDK Strands pula menyokong pendekatan penyedia yang boleh dipasang dan tidak terikat pada satu model, termasuk Amazon Bedrock, API Anthropic, OpenAI, serta pilihan model sumber terbuka atau tempatan seperti Ollama. 
Daripada prototaip di komputer riba ke deployment
Janji kebolehalihannya mudah: bangunkan ejen secara tempatan, hasilkan atau susunkannya sebagai projek Python atau TypeScript, uji seperti perisian biasa, kemudian deploy menggunakan konfigurasi khusus persekitaran. Laporan mengenai pelancarannya menyebut panduan deployment untuk AWS, Google Cloud, Azure, Cloudflare, Modal dan persekitaran tempatan. 6
Namun, ini bukan bermakna satu klik terus siap untuk produksi. Ejen yang boleh di-deploy masih memerlukan reka bentuk keselamatan dan operasi yang teliti:
- Beri ejen hanya keizinan fail, shell, rangkaian dan data yang diperlukan untuk tugasnya.
- Simpan rahsia serta kelayakan penyedia di luar arahan (prompt) dan kawalan versi kod.
- Anggap pelayan MCP dan alat luaran sebagai sebahagian daripada sempadan kepercayaan keselamatan.
- Wajibkan kelulusan manusia atau sandbox bagi tindakan berimpak, seperti mengubah infrastruktur, menghantar mesej atau meminda data produksi.
- Tambah pengelogan, pemantauan, ujian dan penilaian khusus beban kerja sebelum ejen digunakan dalam produksi.
Harness boleh mengurangkan kerja integrasi, tetapi ia tidak boleh menentukan kawalan akses, toleransi risiko atau keperluan kebolehpercayaan sesebuah organisasi.
Mula pantas dengan Strands CLI
Panduan mula pantas rasmi menggunakan Node.js 20 atau lebih baharu untuk CLI. Ia boleh membimbing pembangun memilih Python atau TypeScript serta penyedia model. Projek Python memerlukan Python 3.10 atau lebih baharu. 2
# Pasang CLI interaktif
npm install -g @strands-agents/cli
# Mulakan pembantu persediaan
strands
Bagi projek Python, laluan pemasangan yang didokumenkan ialah:
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install strands-harness
Untuk TypeScript, mulakan projek Node.js dan pasang @strands-agents/harness mengikut panduan mula pantas semasa. 2
Aliran kerja yang praktikal ialah menggunakan persediaan interaktif untuk menetapkan peranan ejen, alat yang dibenarkan, penyedia pilihan dan keperluan memori; menjalankannya secara tempatan; kemudian melakukan commit dan menguji projek yang dijana atau dikonfigurasi itu sebagai artifak untuk deployment. Aliran kerja CLI yang tepat boleh berubah antara keluaran, jadi semak strands --help dan panduan mula pantas terkini sebelum bergantung pada arahan penjanaan atau eksport tertentu. 2
Fleksibiliti model tidak menghapuskan persediaan penyedia
Strands direka untuk digunakan merentas penyedia, tetapi kebolehalihan tidak menghapuskan keperluan akses khusus penyedia. SDK harness menggunakan Amazon Bedrock sebagai lalai; pengguna perlu mempunyai kelayakan AWS yang dikonfigurasi dan akses model diaktifkan bagi model yang dipilih. 12 Penyedia lain juga memerlukan kelayakan, titik akhir, aturan harga dan kawalan dasar masing-masing.
Bagi pasukan yang menggunakan model tempatan atau model berwajaran terbuka, bahan Strands menerangkan sokongan melalui antara muka penyedia dan runtime seperti LiteLLM serta vLLM dalam kerja harness penanda aras berkaitan. 18 Implikasi praktikalnya: reka bentuk operasi ejen boleh dipisahkan daripada satu vendor model, tetapi kualiti, kependaman dan kebolehpercayaan alat perlu diuji semula setiap kali model atau runtime ditukar.
Tuntutan kecekapan AWS: berguna, tetapi bukan jaminan pembelian
AWS menyatakan Strands Harness berharga 28% lebih rendah berbanding harness lain apabila menggunakan model Claude atau GPT yang sama merentas enam penanda aras, sambil mengekalkan ketepatan yang hampir setara. 7 Liputan lain mengenai perbandingan AWS menyebut keputusan kira-kira 45% lebih murah berbanding Claude Code dan Codex, serta angka 28% yang lebih kecil apabila DeepSeek Harness dimasukkan. Kumpulan perbandingan ini berbeza dan tidak patut dianggap sebagai satu angka penjimatan sejagat.
5
Tuntutan ini wajar diteliti kerana pembinaan konteks, pengendalian output alat, orkestrasi dan pengesahan boleh mempengaruhi penggunaan token serta hasil tugasan dengan ketara. Satu kertas pendirian penyelidikan juga berhujah bahawa bagi tugasan jangka panjang dengan model yang setanding keupayaannya, harness pelaksanaan boleh menjadi faktor variasi prestasi yang lebih kuat berbanding model itu sendiri. 17
Namun, penanda aras itu masih dilaporkan oleh AWS sendiri. The Register menyatakan bahawa pelancaran tersebut membandingkan harness serba guna dengan ejen pengekodan dan menggambarkan penilaian itu sebagai AWS “mark[ing] its own homework.” 3 Ini tidak membuktikan hasil tersebut salah, tetapi bermaksud ia bukan bukti bebas bahawa Strands semestinya lebih murah atau lebih baik untuk setiap jenis beban kerja ejen.
Perbandingan dalaman yang adil perlu menetapkan model, arahan, set tugasan, alat, keizinan, dasar cubaan semula, sasaran kependaman dan kaedah pengiraan kos yang sama. Kos sebenar bukan sekadar token input dan output: ia boleh merangkumi panggilan alat, storan, infrastruktur, semakan manusia, kegagalan dan kos akibat tindakan yang salah.
Bila Strands Harness sesuai digunakan
Strands Harness paling menarik bagi pembangun yang mahukan titik mula ejen serba guna dengan akses alat sebenar dan tingkah laku berkeadaan, sambil mengekalkan kebebasan memilih model serta sasaran deployment. Ia sangat relevan apabila bukti konsep tempatan sebaliknya memerlukan penulisan semula yang besar untuk memperoleh memori, integrasi alat, kawalan konteks atau laluan deployment ke awan. 5
7
Tuntutan penanda arasnya lebih baik dilihat sebagai hipotesis yang boleh diuji, bukan ramalan. Mulakan dengan ejen kecil dalam sandbox; gunakan hanya alat yang benar-benar diperlukan; ukur kejayaan tugasan, kependaman dan kos menyeluruh pada kerja yang mewakili penggunaan sebenar; dan naikkan ke produksi hanya selepas kawalan operasi disediakan.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "AWS Strands Harness memudahkan ejen AI tempatan dibawa ke persekitaran deploy"?
Strands Harness ialah asas ejen AI sumber terbuka yang sedia digunakan, dengan alat fail, shell dan web, pengurusan konteks, memori, sesi berterusan serta delegasi berbilang ejen.
What are the key points to validate first?
Strands Harness ialah asas ejen AI sumber terbuka yang sedia digunakan, dengan alat fail, shell dan web, pengurusan konteks, memori, sesi berterusan serta delegasi berbilang ejen. Ia boleh diprototaip secara tempatan dan dikonfigurasi untuk deployment dalam Python atau TypeScript merentas AWS, Google Cloud, Azure, Cloudflare, Modal dan persekitaran tempatan.
What should I do next in practice?
AWS mendakwa kosnya 28% lebih rendah dalam enam penanda aras menggunakan model yang sama, namun perbandingan itu dilaporkan sendiri oleh AWS dan bukan jaminan kos atau prestasi produksi.
Sources
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
