Kurzfassung
Das Strands Harness ist der neue Open-Source-KI-Agent von AWS, gestartet am 21. September 2026 unter der Apache-2.0-Lizenz. Das Versprechen ist einfach: Statt deine eigene Agenten-Schleife zu bauen, schreibst du einen Import, gibst dem Agenten eine Aufgabe, und er bringt getestete Standardwerte für Tools, Speicher, Sessions und Kontextverwaltung mit. Entscheidend: Du bringst dein eigenes Modell mit, derselbe Agent läuft also auf Amazon Bedrock, Anthropic, OpenAI, Google oder einem lokalen Ollama-Modell.
Die Schlagzeile lautet „28 % niedrigere Token-Kosten“ gegenüber konkurrierenden Harnesses mit denselben Modellen, und AWS sagt, ein Coding-Lauf habe 77 % weniger gekostet als Claude Code, bei besserem Ergebnis. Das sind echte, offizielle Zahlen, aber sie stützen sich auf Benchmarks, deshalb würde ich sie als Richtwert statt als Evangelium lesen.
Wenn du Agenten baust und volle Kontrolle über Schleife, Modell und Deployment willst, ist das eine starke, wirklich kostenlose Option. Wenn du einen KI-Agenten für den Kundenservice oder für Content suchst, der sofort arbeitsfähig ist, ohne dass du etwas zusammenbauen und hosten musst, ist ein Framework die falsche Ebene, und etwas wie eesel AI kommt dem, was du eigentlich willst, näher.
Ich baue und betreibe beruflich KI-Agenten, die in echten Kundenwarteschlangen laufen, und habe genug Zeit mit handgeschriebenen Agenten-Schleifen verbracht, um genau zu wissen, welche Teile mühsam sind. Wenn AWS also am Launch-Tag ein vorgefertigtes, modellunabhängiges Harness veröffentlicht, lese ich das Zeile für Zeile. Hier ist, was das Strands Harness wirklich ist, was du bekommst und welche eine Behauptung ich prüfen würde, bevor ich sie in einem Planungsdokument zitiere.
Was ist das Strands Harness?
Das Strands Harness wird in der eigenen Dokumentation als „a state-of-the-art, fully assembled agent harness“ beschrieben. Die Idee: Du bekommst einen optimierten Agenten mit einem einzigen Import, statt ihn Stück für Stück zusammenzusetzen. In Python heißt das pip install strands-harness und dann create_harness(); in TypeScript npm install @strands-agents/harness und dann createHarness(). Du gibst ihm eine Aufgabe, und er legt los.
Es ist die „Alles inklusive“-Eingangstür eines größeren Open-Source-Toolkits von AWS namens Strands Agents. Das Harness sitzt auf einem älteren, tiefer liegenden Baustein: dem Strands Agents SDK, das AWS erstmals im Mai 2025 als Open Source veröffentlichte und das bereits in produktiven AWS-Systemen wie Amazon Q Developer und AWS Glue läuft. Das harness-sdk-Repository zeigt die Resonanz: zum Zeitpunkt des Schreibens 7,8k Sterne und 1,2k Forks, alles unter Apache 2.0.
Wichtig ist, was das Harness nicht ist. Es ist kein gehostetes Produkt, kein Chatbot, bei dem du dich anmeldest, und kein kundenorientierter Agent, den du auf deine Website setzt. Es ist Code, den du installierst und in deinem eigenen Prozess auf deiner eigenen Infrastruktur ausführst. Diese Unterscheidung prägt alles Weitere.
Zuerst: Was ist ein Agent Harness?
Wenn der Begriff „Harness“ viel Gewicht trägt und du nicht sicher bist, was er bedeutet, bist du nicht allein. Die Strands-Dokumentation liefert den klarsten Einzeiler, den ich gelesen habe: „A language model can answer questions. An agent can do things. The agent loop is what makes that difference possible.“
Ein reines großes Sprachmodell weiß nur, was sein Training abdeckt. Sobald eine Aufgabe etwas außerhalb davon braucht (eine Datei lesen, eine API aufrufen, einen Befehl ausführen), muss das Modell in die Welt hinausgreifen. Die Agenten-Schleife ist die Orchestrierungsschicht, die das ermöglicht: das Modell aufrufen, prüfen, ob es ein Tool nutzen will, das Tool ausführen, das Ergebnis zurückgeben und wiederholen, bis das Modell eine endgültige Antwort hat.
Ein „Harness“ ist das Gerüst um diese Schleife: der System-Prompt, die Menge der Tools, wie der Kontext gekürzt wird, wenn er wächst, wie der Speicher zwischen Läufen erhalten bleibt und wie Fehler abgefangen werden. Das alles kannst du selbst schreiben, und viele tun das. Der ganze Grund, warum es ein Produkt wie das Strands Harness gibt: Die langweiligen, tragenden Teile dieses Gerüsts sind für fast alle gleich, und sie richtig hinzubekommen ist knifflig.
Das ist das Spektrum. Ein roher Modellaufruf antwortet, kann aber nicht handeln. Der Bau mit einem SDK (dem von Strands oder etwa dem OpenAI Agents SDK oder Claude Agent SDK) gibt dir volle Kontrolle, überlässt dir aber die Verdrahtung jedes Teils. Das Harness ist die Mitte: Du startest mit abgestimmten Standardwerten und überschreibst nur, was dein Anwendungsfall wirklich braucht.
Was du von Haus aus bekommst
Führe create_harness() ohne Argumente aus, und du erhältst einen voll funktionsfähigen Agenten. Interessant an den Standardwerten ist, dass laut AWS jeder davon überschreibbar ist und du einen normalen Strands-Agent ohne versteckte Hülle zurückbekommst. Das wird standardmäßig mitgeliefert:
| Standard | Was es tut |
|---|---|
| Modell deiner Wahl | Läuft auf Bedrock (Standard), Anthropic, OpenAI, Google oder Ollama, mit aktiviertem Reasoning |
| Abgestimmter System-Prompt | Folgt der Philosophie „erst erkunden, dann handeln, vor Unumkehrbarem bestätigen, vor dem Abschluss prüfen“ |
| Shell- und Datei-Tools | Eingebaute read, write und edit, plus Befehlsausführung |
| Webzugriff | Ein Tool zum Abrufen von Inhalten aus dem Web |
| Kontextverwaltung | Legt umfangreiche Tool-Ergebnisse beiseite, wenn eine Aufgabe wächst, und cached wiederverwendete Anfrageteile, um Kosten zu sparen |
| Langzeitgedächtnis | Behält den Speicher über Läufe hinweg |
| Sessions | Setzt eine frühere Unterhaltung anhand einer Session-ID fort |
| Sub-Agent-Übergabe | Gibt offene Teilaufgaben an einen eingebauten Hilfsagenten weiter |
| Aufgabenverfolgung | Führt eine Checkliste für mehrstufige Arbeit |
Die Philosophie des System-Prompts würde ich nicht übergehen. „Vor Unumkehrbarem bestätigen, vor dem Abschluss prüfen“ ist genau die Disziplin, die einen Agenten, dem du bei echter Arbeit vertrauen kannst, von einem unterscheidet, der selbstsicher das Falsche tut. Das ist dieselbe Lektion, die ich beim Einsatz von KI in echten Support-Warteschlangen auf die harte Tour gelernt habe: Der Fehlerfall ist nie „der Bot hat nichts getan“, sondern „der Bot hat schnell etwas Falsches getan“. Diese Vorsicht in den Standard-Prompt einzubauen ist eine gute Entscheidung.
Bring dein eigenes Modell mit
Das Feature, auf das sich alle stürzten, ist die Modellportabilität. Die Dokumentation sagt es klar: „the model is one object you hand to the agent; the rest of your code stays the same.“ Tausche global.anthropic.claude-sonnet-5 gegen ein OpenAI- oder Google-Modell aus, und nichts anderes ändert sich.
Das ist wichtiger, als es klingt, und die Reaktion der Community im Hacker-News-Launch-Thread hat das besser begründet als das Marketing:
"This is the very reason why I avoid to use native harness. They are optimized for the economic benefit of the provider, not for mine."
Das ist das eigentliche Argument für ein modellunabhängiges Harness. Ein Coding-Agent, der an ein Labor gebunden ist, hat einen Anreiz, mehr Tokens dieses Labors zu verbrennen. Ein offenes Harness, das dir gehört, nicht. Aus demselben Grund werden Teams nervös wegen Lock-in, wenn sie Cursor mit Windsurf vergleichen oder Codex-Alternativen abwägen: Das Modell, das dir in diesem Quartal gefällt, ist vielleicht nicht das, das dir im nächsten gefällt, und du willst wechseln können, ohne alles neu zu schreiben.
Die Behauptung „28 % günstiger“ im Check
Nun zu der Zahl, die alle wiederholt haben. Der offizielle Launch-Beitrag eröffnet mit „frontier performance with 28% lower token cost“, gemessen als Durchschnitt über sechs Benchmarks gegenüber anderen Harnesses mit denselben Modellen. AWS sagt außerdem, dass das Harness auf Terminal-Bench 2.1 mit Anthropics Fable 5 77 % weniger kostete als Claude Code und besser abschnitt. Der genannte Mechanismus ist unspektakulär und glaubwürdig: Tool-Ergebnisse über einem Schwellenwert kürzen, den Kontext verdichten, wenn er zu voll wird, und die wiederverwendeten Teile jeder Anfrage cachen.
Hier würde ich langsamer werden. Derselbe HN-Thread, der das modellunabhängige Design lobte, stach auch ein Loch in die Benchmark-Darstellung:
"Terminal Bench 2.1 is saturated. Many token saving techniques would save money and score basically the same running Fable 5 against Terminal Bench 2.1... This is at least the fourth time I've seen a project hit front page with a 'save money with same score on saturated benchmark' claim."
Das ist eine berechtigte Kritik. Ein einzelner gesättigter Benchmark ist ein schwacher Aufhänger für eine Kostenbehauptung. Aber der zugrunde liegende Punkt, dass das Harness, nicht nur das Modell, deine Rechnung bestimmt, ist real, und ein anderer Kommentator belegte ihn mit einem konkreten Datenpunkt:
"Fable 5 on Claude Code scored 61.8% at a cost of $248.05 while Fable 5 on OpenCode beat it at 66.3% at $73.42. The same model, the same benchmark; only the harness is different with a ~5 point difference in accuracy while costing significantly less."
Gleiches Modell, gleicher Benchmark, einmal ein Drittel der Kosten und etwas genauer. Das ist die ganze These, warum ein Harness Beachtung verdient. Mein Fazit: Die Schlagzeile „28 % günstiger“ stimmt der Richtung nach und der Mechanismus ist stimmig, aber ich würde sie an meinen eigenen Aufgaben prüfen, bevor ich die Zahl in ein Budget schreibe. Benchmark-Einsparungen und Einsparungen in der Produktion sind nicht dieselbe Währung.
Der Rest des Strands-Toolkits
Das Harness ist nur eine von mehreren Oberflächen, die AWS veröffentlicht hat, und einige davon lohnen einen Blick, wenn du tiefer einsteigst:
- Das Strands Harness SDK ist die untere Ebene: Du besitzt die Schleife, machst mit einem
@tool-Decorator aus jeder Funktion ein Tool und bindest MCP-Server an, wenn du externe Tools brauchst. - Strands Shell ist eine Bourne-kompatible Shell, die in deinem eigenen Prozess läuft und einem Agenten grep, sed, jq und curl gibt, „without fork, exec, or a raw syscall“, sodass du genau festlegst, welche Verzeichnisse und Zugangsdaten er anfassen darf.
- Strands Evals ist ein reines Python-SDK mit über 25 eingebauten Evaluatoren, um einen Agenten zu bewerten, den fehlerhaften Schritt zu diagnostizieren und mehrstufige Unterhaltungen vor dem Release zu simulieren.
- Strands Labs ist der experimentelle Zweig, und sein Robotik-Projekt stellt über 70 Roboter hinter eine Schnittstelle zur Steuerung per natürlicher Sprache, was ein wirklich anderer Anwendungsfall ist als die Coding-Agent-Themen.
Es gibt außerdem eine strands-CLI (@strands-agents/cli), um einen Agenten vom Terminal aus zu prototypen, alles in einem harness-sdk-Monorepo, nachdem die Organisation rund um den Launch umstrukturiert wurde.
Wo das Harness passt und wo nicht
Ich will fair sein, denn das Harness ist gut in dem, wofür es gedacht ist. Wenn du Entwickler bist und einen eigenen Agenten baust (einen Recherche-Agenten, eine interne Automatisierung, einen Coding-Assistenten) und die Schleife besitzen, Modell-Lock-in vermeiden und auf deiner eigenen Infrastruktur deployen willst, ist das Strands Harness eine der saubereren Optionen, die ich gesehen habe. Es läuft überall, wo ein Linux-Container läuft, vom Laptop bis zu ECS.
Aber „du deployst auf deiner eigenen Infrastruktur“ ist auch der Haken, und die schärfste Zeile im ganzen Launch-Thread benannte ihn:
"I'm more and more hesitant to use third party harnesses. It's so easy to take opencode or pi and build my own for exactly what I want that I'm seeing projects like this to be noisy and less valuable over time."
Das Harness erspart dir die Verdrahtung, aber nicht die Verantwortung. Du wählst weiterhin das Modell, verbindest die Tools, hostest den Container, behältst die Rechnung im Blick und pflegst das Ganze, während sich Modelle und APIs ändern. Für Entwickler ist das der Job und der Spaß. Für eine Support-Leiterin oder einen Ops-Manager, die einfach gelöste Tickets oder geschriebene Blogbeiträge wollen, ist es ein komplettes Engineering-Projekt zwischen ihnen und dem Ergebnis.
Diese Trennung zwischen Bauen und Einstellen ist der ehrliche Weg zur Entscheidung. Wenn das Ziel ein erledigter Job statt eines gebauten Systems ist, willst du den Teammate, nicht das Toolkit.
eesel ausprobieren
Am besten denkst du es so: Das Strands Harness ist Infrastruktur, und eesel ist der Mitarbeiter. AWS gibt Entwicklern die Schleife, die Tools und die Modellanbindung, um einen Agenten zusammenzusetzen. eesel AI ist eine KI-Teammate-Plattform, auf der du einsatzbereite Teammates für bestimmte Aufgaben einstellst, jeder mit den Fähigkeiten, Integrationen und dem Unternehmenskontext für seine Rolle. Das aktuelle Angebot besteht aus einem KI-Helpdesk-Teammate, der in deine bestehende Support-Warteschlange einsteigt, und einem KI-Blogautor, der recherchiert und lange Beiträge entwirft. Es gibt keine Schleife zu verdrahten und keinen Container zu betreiben: Der Helpdesk-Teammate lernt aus deinen früheren Tickets und deinem Help Center, und du kannst ihn an historischen Tickets simulieren, bevor er je einem Kunden antwortet.
Wenn dir das Harness gerade deshalb aufgefallen ist, weil du gern im Terminal lebst, hat eesel auch dafür eine Oberfläche. Die eesel CLI bringt denselben Teammate in dein Terminal: npx @eesel/cli init richtet einen Agenten ein, verbindet ein Helpdesk, lädt Wissen hoch und verdrahtet Automatisierungen, ohne das Dashboard zu öffnen. Sie ist bewusst kein separates Produkt, alles, was du in der CLI einrichtest, erscheint im Dashboard und umgekehrt. Und weil jeder Befehl JSON ausgibt, kann ein Coding-Agent wie Claude Code, Cursor oder Codex die komplette Einrichtung eines Workspace für dich übernehmen und dir dann den laufenden Teammate übergeben. Es ist dieselbe agentische, skriptbare Ergonomie, die das Strands Harness attraktiv macht, nur gerichtet auf einen Job, der schon für dich erledigt ist.
Preislich hat eesel einen festen Monatspreis ab 299 $/Monat für 500 Credits (1 Credit pro Ticket oder Chat) ohne Gebühr pro Nutzerplatz, der Preis folgt also dem Volumen statt der Zahl besetzter Plätze. Du kannst kostenlos mit 100 Credits starten, und die CLI richtet sogar einen anonymen Workspace ohne Konto zum Testen ein. Wenn dein eigentliches Ziel gelöste Tickets oder veröffentlichte Beiträge sind statt eines Frameworks, das du pflegen musst, ist das der kürzere Weg.
Häufig gestellte Fragen
Was ist das Strands Harness?
Das Strands Harness ist ein quelloffener, vollständig zusammengesetzter KI-Agent von AWS, veröffentlicht am 21. September 2026 unter der Apache-2.0-Lizenz. Mit einem einzigen Import erhältst du einen Agenten mit getesteten Standardwerten für Tools, Speicher, Sessions und Kontextverwaltung, und du kannst ihn auf Bedrock, Anthropic, OpenAI, Google oder ein lokales Ollama-Modell richten. Er baut auf dem Low-Level-Strands-Harness-SDK auf.
Ist das Strands Harness kostenlos?
Das Harness selbst ist kostenlos und Open Source (Apache 2.0). Du bezahlst weiterhin den Modellanbieter, mit dem du es verbindest, sowie die Kosten für den Container, in dem es läuft. Wenn du statt eines selbst gehosteten Agenten lieber einen verwalteten KI-Agenten möchtest, bietet etwa eesel AI einen festen Monatspreis ab 299 $/Monat (500 Credits, 1 Credit pro Ticket) ohne Gebühr pro Nutzerplatz.
Wie unterscheidet sich das Strands Harness von Claude Code?
Claude Code ist der hauseigene Coding-Agent von Anthropic, abgestimmt auf Anthropic-Modelle. Das Strands Harness ist modellunabhängig: Dasselbe Harness läuft mit jedem großen Anbieter, sodass du nicht an ein einzelnes Labor gebunden bist. Laut AWS-Benchmarks löste das Harness eine Coding-Aufgabe zu 77 % niedrigeren Kosten als Claude Code und erzielte dabei ein besseres Ergebnis, allerdings nur in einem einzigen Benchmark.
Was bedeuten „28 % niedrigere Token-Kosten“ eigentlich?
Es ist der Durchschnitt über sechs Benchmarks im Vergleich des Strands Harness mit anderen Harnesses, die dieselben Modelle bei vergleichbarer Genauigkeit ausführen. Die Einsparungen entstehen durch das Kürzen umfangreicher Tool-Ergebnisse, das Verdichten des Kontexts, wenn er sich füllt, und das Caching wiederverwendeter Teile jeder Anfrage. Es ist eine offizielle Strands-Zahl, aber eben eine Benchmark-Behauptung, also nimm sie als Richtwert.
Muss ich Entwickler sein, um das Strands Harness zu nutzen?
Ja. Es wird als Python- und TypeScript-Paket plus CLI ausgeliefert, und du installierst, konfigurierst und betreibst es selbst. Wenn du einen KI-Agenten für den Kundenservice oder alltägliche Büroarbeit haben möchtest, ohne Code zu schreiben oder zu hosten, passt ein einsatzbereiter Teammate besser als ein Framework.