Amazon Web Services ha presentato Strands Harness, un ambiente di esecuzione open source progettato per semplificare la costruzione e il funzionamento degli agenti AI riunendo in una configurazione già assemblata i componenti normalmente gestiti separatamente, tra cui modello, strumenti, memoria, sessioni e gestione del contesto. L’obiettivo è evitare che gli sviluppatori debbano collegare e ottimizzare manualmente ogni elemento dell’architettura agentica prima di poter eseguire un agente, offrendo invece una base pronta per essere utilizzata sia su un computer locale sia in ambienti cloud. Strands Harness può essere modificato liberamente grazie alla licenza Apache 2.0 ed è disponibile per Python e TypeScript; l’architettura rimane inoltre indipendente dal singolo provider, con supporto per Amazon Bedrock, Anthropic, OpenAI e Google Gemini, oltre ai modelli eseguiti localmente attraverso Ollama e ad altri backend compatibili. Il sistema mantiene comunque la possibilità di intervenire sui singoli componenti: gli sviluppatori possono partire dalla configurazione predefinita e successivamente modificare provider, strumenti, memoria, limiti di esecuzione e altri elementi senza dover sostituire il resto dell’applicazione.
Uno degli aspetti centrali di Strands Harness riguarda la riduzione dei token utilizzati durante i workflow agentici, nei quali il modello deve continuamente mantenere e rileggere il contesto prodotto dalle interazioni precedenti, dai risultati degli strumenti e dalle informazioni accumulate nel corso dell’esecuzione. Nei test interni comunicati da AWS, Strands Harness ha ridotto mediamente del 28% il costo in token rispetto agli ambienti utilizzati con modelli Claude di Anthropic e GPT di OpenAI su sei benchmark differenti, mantenendo allo stesso tempo livelli di accuratezza equivalenti o superiori. Nel test effettuato con Fable 5, AWS segnala una riduzione del costo del 77% rispetto a Claude Code e contemporaneamente un punteggio superiore su Terminal-Bench 2.1. Una parte importante del risultato deriva dalla gestione automatica del contesto: quando l’output prodotto da uno strumento supera i 1.500 token oppure la quantità di informazioni conservate in memoria raggiunge oltre l’85% della capacità disponibile, Harness sintetizza e comprime automaticamente il contenuto invece di continuare a reinviarlo integralmente al modello. Le richieste ripetitive possono inoltre sfruttare il prompt caching, memorizzando parti di contesto già elaborate e riutilizzandole nei passaggi successivi, con l’obiettivo di ridurre contemporaneamente quantità di token, tempi di elaborazione e costo delle chiamate ai modelli.
La configurazione predefinita mette già a disposizione dell’agente gli strumenti necessari per eseguire comandi, modificare file ed effettuare ricerche sul web, ma Strands Harness comprende anche funzioni destinate a workflow più lunghi e articolati. Le sessioni possono essere identificate attraverso un session ID che permette di riprendere conversazioni e attività precedenti, fornendo quindi una forma di memoria persistente tra esecuzioni differenti, mentre le attività più complesse possono essere delegate a sotto-agenti specializzati. I processi composti da più fasi possono invece essere organizzati tramite checklist, consentendo all’agente di registrare lo stato delle singole operazioni e procedere progressivamente attraverso il workflow. Il framework comprende inoltre controlli sul ciclo di vita dell’agente, limiti sul numero di turni e sui token utilizzabili, cancellazione delle attività, strumenti di osservabilità, streaming, output strutturati, guardrail, integrazione con MCP e pattern multi-agente. Il loop agentico registra le decisioni prese durante l’esecuzione e può essere intercettato attraverso hook, permettendo agli sviluppatori di aggiungere procedure di validazione, logging o reindirizzamento delle operazioni senza dover riscrivere il ciclo principale dell’agente.
AWS ha affiancato all’ambiente di esecuzione anche Strands CLI, uno strumento a riga di comando pensato per ridurre il passaggio tra sperimentazione e sviluppo. Attraverso la CLI è possibile costruire un primo prototipo di agente utilizzando istruzioni in linguaggio naturale e interagire direttamente con il sistema dal terminale; il progetto ottenuto può successivamente essere esportato come codice TypeScript o Python e continuato con i normali strumenti di sviluppo. Strands Harness può quindi essere usato come ambiente già completo attraverso una singola chiamata di creazione dell’agente oppure come punto di partenza dal quale scendere progressivamente verso i livelli più bassi dell’SDK quando serve un maggiore controllo sul loop, sui provider, sugli strumenti o sulla memoria. L’intero progetto viene eseguito all’interno del processo dell’applicazione e non richiede un control plane hosted obbligatorio, caratteristica che consente di mantenere il controllo dell’ambiente di esecuzione e di scegliere dove distribuire il sistema, dal computer dello sviluppatore alle infrastrutture cloud utilizzate in produzione.
Strands Harness si inserisce nell’evoluzione del progetto Strands Agents, che AWS aveva inizialmente reso open source nel maggio 2025 e che nel frattempo è stato ampliato con supporto multi-agente, integrazioni e nuovi strumenti per l’esecuzione in produzione. AWS aveva comunicato a febbraio 2026 che l’SDK aveva già superato 14 milioni di download, mentre nei mesi successivi ha continuato a estendere l’ecosistema con componenti destinati alla sperimentazione e all’orchestrazione degli agenti. Con Harness l’attenzione si sposta in particolare sulla parte di runtime e sull’efficienza del sistema che circonda il modello: invece di intervenire sulle capacità del modello stesso, l’ambiente tenta di ridurre la quantità di contesto inutilmente reinviata, organizzare automaticamente memoria e strumenti e fornire impostazioni già ottimizzate per l’esecuzione. Il repository ufficiale descrive infatti Strands Harness come un agente completamente assemblato che integra valori predefiniti già sottoposti a benchmark per modello, strumenti, memoria, sessioni e context management, mantenendo però la possibilità di sostituire tali configurazioni quando il progetto passa dal prototipo a un’applicazione di produzione.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)