Resumen
El Strands harness es el nuevo agente de IA de código abierto de AWS, lanzado el 21 de septiembre de 2026 bajo la licencia Apache 2.0. La propuesta es simple: en lugar de montar tu propio bucle de agente, escribes una importación, le das una tarea al agente y viene con valores por defecto probados para herramientas, memoria, sesiones y gestión de contexto. Lo fundamental es que trae tu propio modelo, así que el mismo agente funciona en Amazon Bedrock, Anthropic, OpenAI, Google o un modelo local de Ollama.
La cifra estrella es «28 % menos de coste en tokens» frente a harnesses rivales con los mismos modelos, y AWS dice que una ejecución de programación costó un 77 % menos que Claude Code con mejor puntuación. Son cifras reales y oficiales, pero se apoyan en benchmarks, así que las leería como orientativas y no como dogma.
Si construyes agentes y quieres control total sobre el bucle, el modelo y el despliegue, esta es una opción sólida y realmente gratuita. Si quieres un agente de IA para atención al cliente o para contenido que esté listo para trabajar sin que tengas que ensamblar ni alojar nada, un framework es la capa equivocada, y algo como eesel AI se acerca más a lo que realmente buscas.
Me dedico a construir y poner en marcha agentes de IA que trabajan en colas reales de clientes, y he pasado suficiente tiempo escribiendo bucles de agente a mano como para saber exactamente qué partes son tediosas. Así que cuando AWS lanza un harness preensamblado y agnóstico al modelo, lo leo línea por línea. Esto es lo que realmente es el Strands harness, qué obtienes y la afirmación que pondría a prueba antes de citarla en un documento de planificación.
¿Qué es el Strands harness?
La propia documentación describe el Strands harness como «a state-of-the-art, fully assembled agent harness». La idea es que obtienes un agente optimizado con una sola importación en lugar de ensamblarlo pieza a pieza. En Python es pip install strands-harness y luego create_harness(); en TypeScript es npm install @strands-agents/harness y luego createHarness(). Le das una tarea y se pone a trabajar.
Es la puerta de entrada «todo incluido» de un conjunto de herramientas de código abierto de AWS más amplio llamado Strands Agents. El harness se apoya en una pieza anterior y de más bajo nivel: el Strands Agents SDK, que AWS publicó como código abierto por primera vez en mayo de 2025 y que ya funciona dentro de sistemas de producción de AWS como Amazon Q Developer y AWS Glue. El repositorio harness-sdk muestra la tracción: 7,8k estrellas y 1,2k forks en el momento de escribir, todo bajo Apache 2.0.
Lo importante es lo que el harness no es. No es un producto alojado, ni un chatbot en el que inicias sesión, ni un agente de cara al cliente que pones en tu sitio web. Es código que instalas y ejecutas en tu propio proceso, en tu propia infraestructura. Esa distinción condiciona todo lo que sigue.
Primero, ¿qué es un agent harness?
Si la palabra «harness» te suena a mucho y no estás seguro de qué significa, no eres el único. La propia documentación de Strands da la mejor frase que he leído: «A language model can answer questions. An agent can do things. The agent loop is what makes that difference possible.»
Un modelo de lenguaje grande sin más solo sabe lo que cubre su entrenamiento. En cuanto una tarea necesita algo fuera de eso (leer un archivo, llamar a una API, ejecutar un comando), el modelo tiene que alcanzar el mundo exterior. El bucle del agente es la capa de orquestación que se lo permite: invocar el modelo, comprobar si quiere usar una herramienta, ejecutarla, devolver el resultado y repetir hasta que el modelo tenga una respuesta final.
Un «harness» es el andamiaje que rodea ese bucle: el prompt de sistema, el conjunto de herramientas, cómo se recorta el contexto cuando crece, cómo persiste la memoria entre ejecuciones y cómo se capturan los errores. Puedes escribir todo eso tú mismo, y mucha gente lo hace. La razón de ser de un producto como el Strands harness es que las partes aburridas y fundamentales de ese andamiaje son iguales para casi todos, y hacerlas bien es laborioso.
Ese es el espectro. Una llamada directa al modelo responde pero no puede actuar. Construir con un SDK (el propio de Strands, o algo como el OpenAI Agents SDK o el Claude Agent SDK) te da control total pero te deja conectar cada pieza. El harness es el punto medio: partes de valores por defecto afinados y solo sobrescribes lo que tu caso de uso realmente necesita.
Qué obtienes de serie
Ejecuta create_harness() sin argumentos y obtienes un agente totalmente funcional. Lo interesante de los valores por defecto es que AWS dice que todos son sobrescribibles, y lo que recibes es un Agent estándar de Strands sin envoltorio oculto. Esto es lo que se incluye por defecto:
| Valor por defecto | Qué hace |
|---|---|
| Modelo a tu elección | Funciona con Bedrock (por defecto), Anthropic, OpenAI, Google u Ollama, con razonamiento activado |
| Prompt de sistema afinado | Sigue la filosofía de «explorar primero, luego actuar, confirmar antes de cualquier cosa irreversible, verificar antes de terminar» |
| Herramientas de shell y archivos | read, write y edit integrados, más ejecución de comandos |
| Acceso web | Una herramienta para obtener contenido de la web |
| Gestión de contexto | Aparta los resultados voluminosos de herramientas a medida que crece una tarea y almacena en caché las partes reutilizadas de la petición para ahorrar costes |
| Memoria a largo plazo | Conserva la memoria entre ejecuciones |
| Sesiones | Reanuda una conversación anterior a partir de un id de sesión |
| Delegación a subagentes | Pasa subtareas abiertas a un agente auxiliar integrado |
| Seguimiento de tareas | Mantiene una lista de comprobación para el trabajo de varios pasos |
La filosofía del prompt de sistema es la parte que yo no pasaría por alto. «Confirmar antes de cualquier cosa irreversible, verificar antes de terminar» es exactamente la disciplina que separa a un agente en el que puedes confiar para trabajo real de uno que hace lo incorrecto con total seguridad. Es la misma lección que aprendí a las malas ejecutando IA en colas de soporte reales: el modo de fallo nunca es «el bot no hizo nada», es «el bot hizo algo mal, rápido». Incluir esa cautela en el prompt por defecto es un acierto.
Trae tu propio modelo
La característica en la que todos se fijaron es la portabilidad de modelo. La documentación lo dice claro: «the model is one object you hand to the agent; the rest of your code stays the same.» Cambia global.anthropic.claude-sonnet-5 por un modelo de OpenAI o Google y nada más cambia.
Esto importa más de lo que parece, y la reacción de la comunidad en el hilo de lanzamiento de Hacker News lo argumentó mejor que el 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."
Ese es el verdadero argumento a favor de un harness agnóstico al modelo. Un agente de programación atado a un laboratorio tiene incentivos para quemar más tokens de ese laboratorio. Un harness abierto que controlas tú, no. Es la misma razón por la que los equipos se ponen nerviosos con la dependencia de un proveedor cuando comparan Cursor con Windsurf o sopesan alternativas a Codex: el modelo que te gusta este trimestre puede no ser el que te guste el próximo, y quieres cambiar sin reescribir todo.
La afirmación del «28 % más barato», examinada
Ahora, la cifra que todos repitieron. La publicación de lanzamiento oficial abre con «frontier performance with 28% lower token cost», medido como promedio de seis benchmarks frente a otros harnesses que ejecutan los mismos modelos. AWS también dice que en Terminal-Bench 2.1, usando Fable 5 de Anthropic, el harness costó un 77 % menos que Claude Code y puntuó más alto. El mecanismo declarado es poco glamuroso y creíble: truncar los resultados de herramientas que superan un umbral, compactar el contexto cuando se llena demasiado y almacenar en caché las partes reutilizadas de cada petición.
Aquí es donde yo iría más despacio. El mismo hilo de HN que elogió el diseño agnóstico al modelo también hizo un agujero en el planteamiento del benchmark:
"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."
Es una crítica justa. Un único benchmark saturado es un apoyo débil para una afirmación de costes. Pero el punto de fondo de que el harness, y no solo el modelo, determina tu factura es real, y otro comentarista lo respaldó con un dato concreto:
"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."
Mismo modelo, mismo benchmark, uno cuesta un tercio y es algo más preciso. Esa es toda la tesis de por qué importa un harness. Mi conclusión: el titular del «28 % más barato» va en la dirección correcta y el mecanismo es sólido, pero lo probaría con mis propias tareas antes de poner la cifra en un presupuesto. El ahorro en un benchmark y el ahorro en producción no son la misma moneda.
El resto del conjunto de herramientas de Strands
El harness es una de varias superficies que lanzó AWS, y algunas merece la pena conocer si profundizas:
- El Strands Harness SDK es el nivel inferior: tú controlas el bucle, conviertes cualquier función en herramienta con un decorador
@tooly conectas servidores MCP cuando necesitas herramientas externas. - Strands Shell es un shell compatible con Bourne que se ejecuta dentro de tu propio proceso y da a un agente grep, sed, jq y curl «without fork, exec, or a raw syscall», de modo que declaras exactamente a qué directorios y credenciales puede acceder.
- Strands Evals es un SDK solo de Python con más de 25 evaluadores integrados para puntuar un agente, diagnosticar el paso que falla y simular conversaciones de varios turnos antes de publicar.
- Strands Labs es la rama experimental, y su proyecto de robótica pone más de 70 robots detrás de una única interfaz para control en lenguaje natural, un caso de uso realmente distinto del de los agentes de programación.
También hay una CLI strands (@strands-agents/cli) para prototipar un agente desde la terminal, todo dentro de un monorepo harness-sdk tras reestructurarse la organización en torno al lanzamiento.
Dónde encaja el harness y dónde no
Quiero ser justo, porque el harness es bueno en aquello para lo que sirve. Si eres desarrollador y construyes un agente a medida (un agente de investigación, una automatización interna, un asistente de programación) y quieres controlar el bucle, evitar la dependencia de un modelo y desplegar en tu propia infraestructura, el Strands harness es una de las opciones más limpias que he visto. Funciona en cualquier sitio donde corra un contenedor Linux, desde tu portátil hasta ECS.
Pero «despliegas en tu propia infraestructura» es también el inconveniente, y la línea más afilada de todo el hilo de lanzamiento lo señaló:
"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."
El harness te ahorra el cableado, pero no te ahorra la propiedad. Sigues eligiendo el modelo, conectando las herramientas, alojando el contenedor, vigilando la factura y manteniendo todo a medida que cambian los modelos y las API. Para un desarrollador, eso es el trabajo y la diversión. Para un responsable de soporte o de operaciones que solo quiere tickets resueltos o artículos de blog escritos, es un proyecto de ingeniería completo entre él y el resultado.
Esa división entre construir y contratar es la forma honesta de decidir. Si el objetivo es que se haga un trabajo concreto y no construir un sistema, quieres al teammate, no el kit de herramientas.
Prueba eesel
La forma clara de verlo: el Strands harness es infraestructura, y eesel es el empleado. AWS da a los desarrolladores el bucle, las herramientas y la conexión de modelos para ensamblar un agente. eesel AI es una plataforma de teammates de IA donde contratas teammates listos para trabajar en tareas concretas, cada uno con las habilidades, integraciones y contexto de empresa de su puesto. La plantilla actual es un teammate de IA para el helpdesk que se une a tu cola de soporte existente y un redactor de blog con IA que investiga y redacta artículos largos. No hay bucle que cablear ni contenedor que ejecutar: el teammate del helpdesk se entrena con tus tickets pasados y tu centro de ayuda, y puedes simularlo con tickets históricos antes de que responda a un solo cliente.
Si el harness te llamó la atención precisamente porque te gusta vivir en una terminal, eesel también tiene una superficie para eso. La CLI de eesel pone al mismo teammate en tu terminal: npx @eesel/cli init configura un agente, conecta un helpdesk, sube conocimiento y cablea automatizaciones sin abrir el panel. Deliberadamente no es un producto aparte, así que todo lo que configures en la CLI aparece en el panel y viceversa. Y como cada comando imprime JSON, un agente de programación como Claude Code, Cursor o Codex puede encargarse de toda la configuración del espacio de trabajo y devolverte después el teammate en marcha. Es la misma ergonomía agéntica y programable que hace atractivo al Strands harness, apuntada a un trabajo que ya te viene resuelto.
En cuanto al coste, eesel tiene un precio mensual fijo desde 299 $/mes por 500 créditos (1 crédito por ticket o chat) sin tarifa por usuario, de modo que el precio sigue al volumen y no a los puestos ocupados. Puedes empezar gratis con 100 créditos, y la CLI incluso crea un espacio de trabajo anónimo sin cuenta para probar. Si tu objetivo real son tickets resueltos o artículos publicados en lugar de un framework que mantener, es el camino más corto.
Preguntas frecuentes
¿Qué es el Strands harness?
El Strands harness es un agente de IA de código abierto, completamente ensamblado, de AWS, lanzado el 21 de septiembre de 2026 bajo la licencia Apache 2.0. Con una sola importación obtienes un agente con valores por defecto probados para herramientas, memoria, sesiones y gestión de contexto, y puedes apuntarlo a Bedrock, Anthropic, OpenAI, Google o un modelo local de Ollama. Está construido sobre el SDK de bajo nivel Strands Harness.
¿El Strands harness es gratuito?
El harness en sí es gratuito y de código abierto (Apache 2.0). Sigues pagando al proveedor de modelos al que lo conectes, más lo que cueste ejecutar el contenedor donde vive. Si prefieres un agente de IA gestionado en lugar de uno que alojas tú mismo, una opción como eesel AI tiene un precio mensual fijo desde 299 $/mes (500 créditos, 1 crédito por ticket) sin tarifa por usuario.
¿En qué se diferencia el Strands harness de Claude Code?
Claude Code es el agente de programación propio de Anthropic, ajustado a los modelos de Anthropic. El Strands harness es agnóstico al modelo: el mismo harness funciona con cualquier proveedor importante, así que no quedas atado a un solo laboratorio. Los benchmarks de AWS afirman que el harness resolvió una tarea de programación con un 77 % menos de coste que Claude Code y con mejor puntuación, aunque en un único benchmark.
¿Qué significa realmente «28 % menos de coste en tokens»?
Es el promedio de seis benchmarks, comparando el Strands harness con otros harnesses que ejecutan los mismos modelos con una precisión comparable. El ahorro viene de truncar resultados voluminosos de herramientas, compactar el contexto cuando se llena y almacenar en caché las partes reutilizadas de cada petición. Es una cifra oficial de Strands, pero es una afirmación de benchmark, así que tómala como orientativa.
¿Tengo que ser desarrollador para usar el Strands harness?
Sí. Se distribuye como paquetes de Python y TypeScript más una CLI, y tú lo instalas, configuras y despliegas. Si quieres un agente de IA para atención al cliente o para el trabajo diario de tu negocio sin escribir ni alojar código, un teammate listo para usar encaja mejor que un framework.