Resumo
O Strands harness é o novo agente de IA open source da AWS, lançado em 21 de setembro de 2026 sob a licença Apache 2.0. A proposta é simples: em vez de montar o seu próprio ciclo de agente, você escreve uma importação, entrega uma tarefa ao agente e ele vem com padrões testados para ferramentas, memória, sessões e gerenciamento de contexto. O ponto crucial é que você traz o seu próprio modelo, então o mesmo agente roda no Amazon Bedrock, Anthropic, OpenAI, Google ou em um modelo local do Ollama.
O número de destaque é "28% menos custo de tokens" em relação a harnesses concorrentes rodando os mesmos modelos, e a AWS diz que uma execução de programação custou 77% menos que o Claude Code com pontuação maior. São números reais e oficiais, mas se apoiam em benchmarks, então eu os leria como indicativos e não como verdade absoluta.
Se você constrói agentes e quer controle total sobre o ciclo, o modelo e o deploy, esta é uma opção forte e realmente gratuita. Se você quer um agente de IA para atendimento ao cliente ou para conteúdo que já esteja pronto para trabalhar sem você montar nem hospedar nada, um framework é a camada errada, e algo como a eesel AI está mais perto do que você realmente quer.
Eu construo e coloco no ar agentes de IA que trabalham em filas reais de clientes, e já passei tempo suficiente escrevendo ciclos de agente à mão para saber exatamente quais partes são tediosas. Então, quando a AWS lança um harness pré-montado e agnóstico em relação ao modelo, eu leio linha por linha. Aqui está o que o Strands harness realmente é, o que você recebe e a única alegação que eu testaria antes de citá-la em um documento de planejamento.
O que é o Strands harness?
O Strands harness é descrito pela própria documentação como "a state-of-the-art, fully assembled agent harness". A ideia é que você obtém um agente otimizado com uma única importação em vez de montá-lo peça por peça. Em Python, é pip install strands-harness e depois create_harness(); em TypeScript, é npm install @strands-agents/harness e depois createHarness(). Você entrega uma tarefa e ele executa.
É a porta de entrada "tudo incluído" de um conjunto de ferramentas open source da AWS mais amplo chamado Strands Agents. O harness fica em cima de uma peça mais antiga e de mais baixo nível: o Strands Agents SDK, que a AWS abriu pela primeira vez em maio de 2025 e que já roda dentro de sistemas de produção da AWS, como o Amazon Q Developer e o AWS Glue. O repositório harness-sdk mostra a tração: 7,8k estrelas e 1,2k forks no momento da escrita, tudo sob Apache 2.0.
O importante é o que o harness não é. Não é um produto hospedado, não é um chatbot em que você faz login e não é um agente voltado ao cliente que você coloca no seu site. É código que você instala e executa no seu próprio processo, na sua própria infraestrutura. Essa distinção molda tudo o que vem a seguir.
Primeiro, o que é um agent harness?
Se a palavra "harness" carrega muito peso e você não tem certeza do que ela significa, você não está sozinho. A própria documentação do Strands dá a frase mais clara que li: "A language model can answer questions. An agent can do things. The agent loop is what makes that difference possible."
Um modelo de linguagem grande puro só sabe o que o seu treinamento cobre. No momento em que uma tarefa precisa de algo fora disso (ler um arquivo, chamar uma API, executar um comando), o modelo precisa alcançar o mundo externo. O ciclo do agente é a camada de orquestração que permite isso: invocar o modelo, verificar se ele quer usar uma ferramenta, executar a ferramenta, devolver o resultado e repetir até o modelo ter uma resposta final.
Um "harness" é o arcabouço em volta desse ciclo: o prompt de sistema, o conjunto de ferramentas, como o contexto é aparado quando cresce, como a memória persiste entre execuções e como os erros são capturados. Você pode escrever tudo isso sozinho, e muita gente faz. A razão de existir de um produto como o Strands harness é que as partes chatas e estruturais desse arcabouço são as mesmas para quase todo mundo, e acertá-las é trabalhoso.
Esse é o espectro. Uma chamada direta ao modelo responde, mas não age. Construir com um SDK (o do próprio Strands ou algo como o OpenAI Agents SDK ou o Claude Agent SDK) dá controle total, mas deixa a ligação de cada peça por sua conta. O harness é o meio-termo: você começa de padrões ajustados e sobrescreve apenas o que o seu caso de uso realmente precisa.
O que você recebe de fábrica
Execute create_harness() sem argumentos e você recebe um agente totalmente funcional. O interessante dos padrões é que a AWS diz que todos são sobrescrevíveis, e o que você recebe de volta é um Agent padrão do Strands, sem camada escondida. Isto é o que vem por padrão:
| Padrão | O que faz |
|---|---|
| Modelo à sua escolha | Roda em Bedrock (padrão), Anthropic, OpenAI, Google ou Ollama, com raciocínio ativado |
| Prompt de sistema ajustado | Segue a filosofia de "explorar primeiro, depois agir, confirmar antes de qualquer coisa irreversível, verificar antes de terminar" |
| Ferramentas de shell e arquivos | read, write e edit integrados, além de execução de comandos |
| Acesso à web | Uma ferramenta para buscar conteúdo da web |
| Gerenciamento de contexto | Separa resultados volumosos de ferramentas conforme a tarefa cresce e faz cache das partes reutilizadas da requisição para economizar custo |
| Memória de longo prazo | Mantém a memória entre execuções |
| Sessões | Retoma uma conversa anterior a partir de um id de sessão |
| Delegação a subagentes | Repassa subtarefas abertas a um agente auxiliar integrado |
| Acompanhamento de tarefas | Mantém uma lista de verificação para trabalho de várias etapas |
A filosofia do prompt de sistema é a parte que eu não ignoraria. "Confirmar antes de qualquer coisa irreversível, verificar antes de terminar" é exatamente a disciplina que separa um agente em que você pode confiar em trabalho real de um que faz a coisa errada com toda a confiança. É a mesma lição que aprendi na marra rodando IA em filas de suporte reais: o modo de falha nunca é "o bot não fez nada", é "o bot fez algo errado, rápido". Embutir essa cautela no prompt padrão é uma boa decisão.
Traga o seu próprio modelo
O recurso que todo mundo destacou é a portabilidade de modelo. A documentação diz com clareza: "the model is one object you hand to the agent; the rest of your code stays the same." Troque global.anthropic.claude-sonnet-5 por um modelo da OpenAI ou do Google e nada mais muda.
Isso importa mais do que parece, e a reação da comunidade no tópico de lançamento do Hacker News defendeu o ponto melhor do que o 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."
Esse é o verdadeiro argumento a favor de um harness agnóstico em relação ao modelo. Um agente de programação preso a um laboratório tem incentivo para queimar mais tokens desse laboratório. Um harness aberto que você controla, não. É o mesmo motivo pelo qual as equipes ficam receosas com dependência de fornecedor ao comparar Cursor e Windsurf ou ao avaliar alternativas ao Codex: o modelo de que você gosta neste trimestre pode não ser o do próximo, e você quer mudar sem reescrever tudo.
A alegação de "28% mais barato", examinada
Agora, o número que todo mundo repetiu. A publicação de lançamento oficial abre com "frontier performance with 28% lower token cost", medido como média de seis benchmarks contra outros harnesses rodando os mesmos modelos. A AWS também diz que, no Terminal-Bench 2.1, usando o Fable 5 da Anthropic, o harness custou 77% menos que o Claude Code e pontuou mais alto. O mecanismo declarado é pouco glamoroso e crível: truncar resultados de ferramentas acima de um limite, compactar o contexto quando ele fica cheio demais e fazer cache das partes reutilizadas de cada requisição.
É aqui que eu desaceleraria. O mesmo tópico do HN que elogiou o design agnóstico em relação ao modelo também abriu um furo no enquadramento do 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."
É uma crítica justa. Um único benchmark saturado é um apoio fraco para uma alegação de custo. Mas o ponto de fundo de que o harness, e não só o modelo, determina a sua conta é real, e outro comentarista o sustentou com um dado 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."
Mesmo modelo, mesmo benchmark, um custa um terço e é um pouco mais preciso. Essa é toda a tese de por que um harness merece atenção. Minha conclusão: a manchete de "28% mais barato" está na direção certa e o mecanismo é sólido, mas eu a rodaria nas minhas próprias tarefas antes de colocar o número em um orçamento. Economia de benchmark e economia em produção não são a mesma moeda.
O resto do conjunto de ferramentas do Strands
O harness é uma de várias superfícies lançadas pela AWS, e algumas valem conhecer se você se aprofundar:
- O Strands Harness SDK é o nível mais baixo: você controla o ciclo, transforma qualquer função em ferramenta com um decorador
@toole conecta servidores MCP quando precisa de ferramentas externas. - O Strands Shell é um shell compatível com Bourne que roda dentro do seu próprio processo, dando a um agente grep, sed, jq e curl "without fork, exec, or a raw syscall", de modo que você declara exatamente em quais diretórios e credenciais ele pode mexer.
- O Strands Evals é um SDK somente Python com mais de 25 avaliadores integrados para pontuar um agente, diagnosticar a etapa que falha e simular conversas de vários turnos antes de lançar.
- O Strands Labs é o braço experimental, e seu projeto de robótica coloca mais de 70 robôs atrás de uma única interface para controle em linguagem natural, um caso de uso genuinamente diferente do dos agentes de programação.
Há também uma CLI strands (@strands-agents/cli) para prototipar um agente pelo terminal, tudo dentro de um monorepo harness-sdk depois que a organização foi reestruturada em torno do lançamento.
Onde o harness se encaixa e onde não
Quero ser justo, porque o harness é bom no que se propõe a fazer. Se você é desenvolvedor construindo um agente personalizado (um agente de pesquisa, uma automação interna, um assistente de programação) e quer controlar o ciclo, fugir da dependência de um modelo e fazer deploy na sua própria infraestrutura, o Strands harness é uma das opções mais limpas que já vi. Ele roda em qualquer lugar onde um contêiner Linux rode, do seu notebook ao ECS.
Mas "você faz deploy na sua própria infraestrutura" também é o problema, e a linha mais afiada de todo o tópico de lançamento o apontou:
"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."
O harness poupa a ligação das peças, mas não poupa a responsabilidade. Você ainda escolhe o modelo, conecta as ferramentas, hospeda o contêiner, vigia a conta e mantém tudo conforme modelos e APIs mudam. Para quem constrói, esse é o trabalho e a diversão. Para um líder de suporte ou gerente de operações que só quer tickets resolvidos ou posts de blog escritos, é um projeto de engenharia completo entre ele e o resultado.
Essa divisão entre construir e contratar é a forma honesta de decidir. Se o objetivo é um trabalho específico feito, e não um sistema construído, você quer o teammate, não o kit de ferramentas.
Experimente a eesel
A forma clara de pensar: o Strands harness é infraestrutura, e a eesel é o funcionário. A AWS dá a quem constrói o ciclo, as ferramentas e a ligação de modelos para montar um agente. A eesel AI é uma plataforma de teammates de IA em que você contrata teammates prontos para trabalhar em tarefas específicas, cada um chegando com as habilidades, integrações e contexto da empresa para o seu papel. O elenco atual é um teammate de IA para helpdesk que entra na sua fila de suporte existente e um redator de blog com IA que pesquisa e redige posts longos. Não há ciclo para ligar nem contêiner para executar: o teammate de helpdesk treina com seus tickets antigos e sua central de ajuda, e você pode simulá-lo com tickets históricos antes que ele responda a um único cliente.
Se o harness chamou a sua atenção justamente porque você gosta de viver no terminal, a eesel também tem uma superfície para isso. A CLI da eesel coloca o mesmo teammate no seu terminal: npx @eesel/cli init configura um agente, conecta um helpdesk, envia conhecimento e liga automações sem abrir o painel. Ela deliberadamente não é um produto separado, então tudo o que você configura na CLI aparece no painel e vice-versa. E como todo comando imprime JSON, um agente de programação como o Claude Code, o Cursor ou o Codex pode conduzir toda a configuração de um workspace por você e depois devolver o teammate em funcionamento. É a mesma ergonomia agêntica e programável que torna o Strands harness atraente, apontada para um trabalho que já vem feito para você.
Quanto ao custo, a eesel tem um preço mensal fixo a partir de US$ 299/mês por 500 créditos (1 crédito por ticket ou chat), sem taxa por usuário, então o preço acompanha o volume e não os assentos ocupados. Você pode começar de graça com 100 créditos, e a CLI até cria um workspace anônimo, sem conta, para testar. Se o seu objetivo real é tickets resolvidos ou posts publicados, e não um framework para manter, esse é o caminho mais curto.
Perguntas frequentes
O que é o Strands harness?
O Strands harness é um agente de IA open source, totalmente montado, da AWS, lançado em 21 de setembro de 2026 sob a licença Apache 2.0. Com uma única importação você recebe um agente com padrões testados para ferramentas, memória, sessões e gerenciamento de contexto, e pode apontá-lo para Bedrock, Anthropic, OpenAI, Google ou um modelo local do Ollama. Ele é construído sobre o SDK de baixo nível Strands Harness.
O Strands harness é gratuito?
O harness em si é gratuito e open source (Apache 2.0). Você ainda paga ao provedor de modelo ao qual o conectar, mais o custo de executar o contêiner em que ele roda. Se você prefere um agente de IA gerenciado em vez de um que você hospeda, uma opção como a eesel AI tem um preço mensal fixo a partir de US$ 299/mês (500 créditos, 1 crédito por ticket), sem taxa por usuário.
Como o Strands harness é diferente do Claude Code?
O Claude Code é o agente de programação da própria Anthropic, ajustado para os modelos da Anthropic. O Strands harness é agnóstico em relação ao modelo: o mesmo harness roda em qualquer grande provedor, então você não fica preso a um único laboratório. Os benchmarks da AWS afirmam que o harness executou uma tarefa de programação com custo 77% menor que o Claude Code e com pontuação maior, embora isso seja em um único benchmark.
O que "28% menos custo de tokens" realmente significa?
É a média de seis benchmarks, comparando o Strands harness com outros harnesses rodando os mesmos modelos com precisão comparável. A economia vem de truncar resultados volumosos de ferramentas, compactar o contexto quando ele enche e fazer cache das partes reutilizadas de cada requisição. É um número oficial do Strands, mas é uma alegação de benchmark, então trate-o como indicativo.
Preciso ser desenvolvedor para usar o Strands harness?
Sim. Ele é distribuído como pacotes Python e TypeScript mais uma CLI, e você mesmo instala, configura e faz o deploy. Se você quer um agente de IA para atendimento ao cliente ou para o trabalho do dia a dia da empresa sem escrever nem hospedar código, um teammate pronto para uso é mais adequado do que um framework.