Strands Harness

# 发布 Strands 工具链：前沿性能，降低28%的Token成本 来源：https://strandsagents.com/blog/introducing-strands-harness/ 我们注意到，开发者常常希望他们的 Claude Code 或 Codex 设置能够在云端运行，因为本地运行时，这些工具链能让他们的智能体构想顺利“运作”。 但当你构建自己的智能体时，你就只能独自摸索了。要恰到好处地组合基础组件以达到那种“开箱即用”的感觉，这非常棘手。 今天，我们发布 **Strands 工具链** (https://github.com/strands-agents/harness-sdk/tree/main)：这是一个完全集成、最先进的智能体工具链，你可以轻松地在本地运行或部署到你喜爱的云服务商。它被设计为一个通用智能体，而非仅限于编码。你只需一行 Python 或 TypeScript 代码，就能让它与你选择的模型一起工作。Strands 工具链在成本效益上优于其他智能体工具链，同时保持同等或更高的准确性。该项目采用 Apache 2.0 许可证。 在六个基准测试中使用相同的 Claude 或 GPT 模型时，**Strands 工具链的成本降低了28%**。我们发现，与 Claude Code、Codex 及其他流行工具链相比，Strands 工具链展现出更高的 Token 效率和几乎持平的基准分数。这一点很重要，因为我们从不愿为降低成本而牺牲准确性。Deepseek 工具链在总体上被证明是 Token 效率最高的，然而，它通常报告的准确率得分最低。我们的测试环境是在 EC2 上使用 Harbor 进行的分布式基准测试。 在 Fable 5 测试中，Strands 工具链的成本比 Claude Code **降低了77%**，并且在 Terminal Bench 2.1 基准测试中 **得分更高**。我们也很高兴地看到，另外两个开源工具链在成本/准确性方面与 Claude Code 的表现同样出色。 Strands 工具链建立在 Strands 工具链 SDK (https://github.com/strands-agents/harness-sdk) 之上，包含了提示缓存和上下文管理的默认设置。我们的默认上下文管理设置在很大程度上推动了 Token 效率和准确性：超过约1500个 Token 的工具结果会被截断，当上下文窗口使用量超过85%时会触发摘要生成（压缩），如果在处理过程中出现溢出，则会在循环内运行上下文恢复。 请关注我们研究人员后续将发布的关于这些基准测试的论文。与此同时，我们很高兴每个人都能在 Strands 工具链中使用这些默认设置。 ## 轻松上手 Strands 工具链支持 Amazon Bedrock、Anthropic、OpenAI 和 Google 的最新模型。你可以按名称选择模型，或将其指向本地 Ollama 模型： - Amazon Bedrock (https://strandsagents.com/blog/introducing-strands-harness/#tab-panel-6-0) - Anthropic (https://strandsagents.com/blog/introducing-strands-harness/#tab-panel-6-1) - OpenAI (https://strandsagents.com/blog/introducing-strands-harness/#tab-panel-6-2) - Google (https://strandsagents.com/blog/introducing-strands-harness/#tab-panel-6-3) - Ollama (https://strandsagents.com/blog/introducing-strands-harness/#tab-panel-6-4) - LiteLLM (https://strandsagents.com/blog/introducing-strands-harness/#tab-panel-6-5) - Python (https://strandsagents.com/blog/introducing-strands-harness/#tab-panel-5-0) - TypeScript (https://strandsagents.com/blog/introducing-strands-harness/#tab-panel-5-1) ```python from strands_harness import create_harness agent = create_harness(model="bedrock/global.anthropic.claude-opus-5") agent("研究排名前三的向量数据库，比较它们的价格和限制，并将结果写入 comparison.md 文件") ``` 开箱即用，`create_harness()` 返回的智能体具备以下功能： - 在 Amazon Bedrock、Anthropic、OpenAI、Google、Ollama 或 LiteLLM 上的当前推理模型上运行。 - 内置了 shell、文件（`read`/`write`/`edit`）和网络工具：这些是模型已经知道如何使用的基础工具，而非为每个任务定制的专用工具。 - 自动管理其上下文窗口。它将大型工具结果转存到文件中，并缓存每个请求中重复使用的部分，以节省时间和成本。 - 在多次运行中保持长期记忆，并在你提供会话 ID 时恢复之前的对话。 - 将开放式子任务委托给内置的辅助智能体，并使用清单跟踪多步骤工作。 - 如果存在技能（Skills），则会加载它们。 Strands 工具链可以部署在任何支持 Linux 容器的云服务商上，例如 Modal、Cloudflare Containers、Azure Container Apps、Google Cloud Run、Amazon ECS 和 Amazon Bedrock AgentCore。 我们还提供了 Strands CLI，允许你用纯英文原型设计你的智能体。连接你选择的模型提供商，然后添加提示和工具，观察你的智能体如何运作。之后，你可以在 Strands CLI 中运行 `/export` 来获取 TypeScript 或 Python 版本的代码副本，这是使用你偏好的编码智能体继续迭代开发 Strands 工具链的便捷方式。 （你的浏览器不支持视频标签） 在这个例子中，我们要求 Strands 工具链智能体“添加 Playwright MCP”，然后在博客文章上加载视频时测量延迟。在看到 MCP 工具准确运行后，我们只需运行 `/export` 即可获得 Strands 工具链代码。你可以看到 Playwright MCP 已被添加到样板代码中，这使得使用编码智能体迭代或添加部署配置变得很容易。 ## 你能用 Strands 工具链构建什么 Strands CLI 实际上就是基于 Strands 工具链构建的。因为原型设计任何智能体都如此简单，我们得以实现一系列大胆的想法。最近，我们的工程师 Gautam Sirdeshmukh 受到 Grokbot 和 Muse 等智能体平台的启发，构建了一个远程启动 Strands 工具链的桌面应用程序。 （你的浏览器不支持视频标签） 当你准备深入探索时，Strands 工具链是完全可定制的。你可以轻松覆盖任何默认设置，更换模型，添加工具，或者逐步替换组件，一直到 Strands 工具链 SDK 层面。代码完全属于你。 我们很期待看到各类智能体借助 Strands 工具链变为现实。 ## 立即尝试 你可以通过 `pip install strands-harness` (Python) 或 `npm install @strands-agents/harness` (TypeScript) 轻松安装 Strands 工具链 (https://strandsagents.com/docs/user-guide/harness/)。若要获得交互式体验，请下载 Strands CLI：`npm install -g @strands-agents/cli`。 我们相信，通过一个功能齐全的工具链快速原型设计将创造出更多有用的智能体。我们的团队也活跃在 Discord (https://discord.gg/strands)，欢迎来打个招呼，或向我们咨询关于智能体的任何问题！