AWS представила открытый фреймворк Strands Harness для ИИ-агентов с экономией 28% на токенах

AWS выпустила Strands Harness — открытый фреймворк на Apache 2.0 для быстрого развёртывания ИИ-агентов. Он решает известную проблему разработчиков: идея агента прекрасно работает в Claude Code или похожих средах, но при переносе на собственный цикл обработки часто теряет в эффективности. Strands Harness предлагает готовую к использованию архитектуру, доступную как для Python, так и для TypeScript. По заявлениям команды разработчиков, инструмент работает на 28% дешевле конкурирующих фреймворков (при сравнении на одних и тех же моделях Claude и GPT) с практически идентичной точностью — это усреднённый результат по шести бенчмаркам.

Суть Strands Harness в том, что это не просто шаблон, а полнофункциональная система со всеми необходимыми компонентами: цикл выполнения, управление контекстом, кеширование запросов, работа с памятью и обработка ошибок. Фреймворк готов к развёртыванию локально или в облаке (AWS, GCP, Azure, Cloudflare, Modal) — достаточно одной строки кода. Для тестирования команда использовала шесть стандартных бенчмарков (ALFWorld, ContextBench, GAIA, WebShop, τ²-bench и Terminal-Bench 2.1). При прямом сравнении на Terminal-Bench 2.1 с использованием Claude Fable 5 Strands Harness потребовал на 77% меньше токенов, чем Claude Code, при этом показав на 7,9 пункта выше точность.

Основной источник экономии — интеллектуальное управление контекстом через три простых правила, которые одновременно повышают и точность, и экономичность. Эффективность поддерживается встроенным кешированием запросов и умным выбором информации для отправки модели. Важно отметить, что исследование HarnessTax независимо подтвердило идею авторов: выбор фреймворка может повлиять на стоимость выполнения задачи вплоть до пятикратной разницы, при этом успешность решения зависит больше от самой модели, чем от инструмента.

Для установки используются стандартные менеджеры пакетов: pip для Python, npm для TypeScript. Есть также CLI-инструмент для прототипирования агентов на естественном языке — разработчик описывает задачу в текстовом формате, система генерирует готовый код с необходимыми интеграциями. Точка кастомизации находится глубоко: любой компонент можно заменить, модель выбрать под задачу, добавить собственные инструменты или вернуться к низкоуровневому SDK. Агент, написанный на ноутбуке, без изменений встраивается в production.

Данные по стоимости требуют внимательного прочтения. DeepSeek Harness оказался дешевле на 14%, но отстал по точности на всех бенчмарках, поэтому полный показатель экономии в 28% получен с учётом этого компромисса. Лучший результат по точности показала модель Claude Opus 5 на этом фреймворке — около 85% на усреднённых метриках. Издание не приводит детали по использованию ресурсов (GPU, памяти) и не ясно, насколько результаты обобщаются на задачи за пределами вышеупомянутых бенчмарков.

Для команды ресторана, кафе или отеля прямое применение этого инструмента возможно в узких сценариях: автоматизация обработки заказов, управление бронированием, анализ отзывов и тех. поддержка. Основная выгода — значительная экономия на API-запросах при использовании простых агентов, которые выполняют повторяющиеся задачи. Однако следует помнить, что точность 85% на общих бенчмарках не гарантирует такую же точность на специфичных для общепита задачах, поэтому перед внедрением в критичные процессы нужно провести собственное тестирование на реальных примерах.