O problema que o Strands Harness ataca
Quem desenvolve agentes de IA conhece a frustração: uma ideia funciona dentro do Claude Code ou do Codex, mas trava quando você reconstrói o fluxo com o próprio loop. A equipe Strands Agents, da AWS, mira exatamente essa lacuna com o Strands Harness, um harness de agentes completo, de propósito geral e open source.
Ele roda localmente ou é implantado em qualquer provedor de nuvem, tem versões para Python e TypeScript sob licença Apache 2.0 e começa com uma única linha de código. Segundo a equipe, o custo é 28% menor do que outros harnesses rodando os mesmos modelos Claude ou GPT em seis benchmarks, com acurácia praticamente equivalente.
O que é um harness e o que vem pronto
Harness é o sistema que envolve o modelo: o loop, as ferramentas, o gerenciamento de contexto, a memória e a recuperação de falhas. O Strands já expunha esses blocos via SDK; o novo pacote os reúne em padrões prontos para uso. O create_harness() devolve um agente de propósito geral que:
- Roda em modelos de raciocínio via Amazon Bedrock, Anthropic, OpenAI, Google, Ollama ou LiteLLM;
- Embarca ferramentas de shell, arquivos (ler, escrever, editar) e web, em vez de uma ferramenta sob medida por tarefa;
- Descarrega resultados de ferramentas volumosos em arquivos e faz cache das partes reutilizadas de cada requisição;
- Mantém memória de longo prazo entre execuções e retoma conversas por um ID de sessão;
- Delega subtarefas abertas a um agente auxiliar e acompanha o trabalho em múltiplas etapas com um checklist;
- Carrega Agent Skills automaticamente quando as encontra.
De onde vem o número de 28%
Os benchmarks foram rodados de forma distribuída no Amazon EC2 usando o Harbor, o framework de avaliação criado pelos autores do Terminal-Bench. A nota é a média em seis benchmarks: ALFWorld, ContextBench, GAIA, WebShop, τ²-bench e Terminal-Bench 2.1. Os rivais no gráfico são Claude Code, Codex, oh-my-pi, OpenCode e DeepSeek Harness.
No confronto direto no Terminal-Bench 2.1 com o modelo Claude Fable 5, o Strands Harness custou US$ 56,29 por execução contra US$ 248,05 do Claude Code — uma economia de 77% — e ainda pontuou 7,9 pontos a mais (69,7 contra 61,8).
O que gera a eficiência
O ganho vem de padrões de cache de prompt e gestão de contexto. Três regras fazem o trabalho: resultados de ferramentas acima de cerca de 1.500 tokens são truncados; a compactação dispara quando o contexto passa de 85%; e a recuperação de contexto roda dentro do loop se a janela estourar. Isso se alinha à pesquisa independente HarnessTax, que mostrou que a escolha do harness quase não move a taxa de sucesso, enquanto o mesmo modelo chega a custar até 5 vezes mais dependendo da implementação.
Como começar
A instalação é por pip install strands-harness ou npm install @strands-agents/harness. A CLI (@strands-agents/strands-cli) permite prototipar um agente em linguagem natural e exportar o código como Python ou TypeScript. Como o harness é uma dependência de biblioteca, o agente prototipado no notebook é o mesmo que entra em produção — um caminho direto para times brasileiros que querem sair do teste para a entrega sem reescrever a lógica de orquestração.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
