股线束

我们注意到，构建者经常希望他们的 Claude Code 或 Codex 设置可以在云中运行，因为他们的代理理念在本地可以与这些工具“协同工作”。但一旦你建立了自己的代理，你就只能靠自己了。将正确的原语连接到足以匹配“它刚刚工作”的感觉是很棘手的。今天，我们发布了 Strands 线束：一个完全组装的最先进的代理线束，您可以轻松在本地运行或部署到您最喜欢的提供商。它被构建为通用代理而不是编码代理。您只需要一行 Python 或 TypeScript 即可使其与您选择的模型配合使用。 Strands 线束在成本效率方面优于其他代理线束，同时保持相同或更好的准确性。它可以在 Apache 2.0 许可证下使用。在六个基准测试中使用相同的 Claude 或 GPT 模型时，Strandsharness 的成本降低了 28%。我们发现，与 Claude Code、Codex 和其他流行的工具相比，Strands 工具显示出更好的代币效率和几乎相同的基准分数。这很重要，因为我们永远不想为了降低成本而牺牲准确性。 Deepseek Harness 被证明是整体上令牌效率最高的，但它通常报告的准确度分数最低。我们的测试设置是使用 Harbor 在 EC2 上进行分布式基准测试。在《神鬼寓言 5》中，Strands 线束的成本比 Claude Code 低 77%，并且在 Terminal Bench 2.1 上得分更高。我们还很高兴看到另外两个开源工具在成本/准确性方面与 Claude Code 相比表现得同样出色。 Strands Harness 构建于 Strands Harness SDK 之上，包含提示缓存和上下文管理的默认设置。我们默认的上下文管理在很大程度上提高了令牌效率和准确性：超过 1500 个令牌的工具结果会被截断，当上下文窗口达到 85% 以上时会触发汇总（压缩），如果出现溢出，上下文恢复会在循环内运行。请留意我们的研究人员关于这些基准的后续论文。与此同时，我们很高兴每个人都可以在 Strands 线束中使用这些默认设置。易于入门 Strands 线束可在 Amazon Bedrock、Anthropic、OpenAI 和 Google 的最新型号上运行。按名称选择一个模型，或将其指向本地 Ollama 模型： Amazon Bedrock Anthropic OpenAI Google Ollama LiteLLM Python TypeScript fromstrands_harness import create_harness agent = create_harness( model = "bedrock/global.anthropic.claude-opus-5" ) agent( "Research the top 三个向量数据库，比较定价和限制，并将其写在 Comparison.md" ) import { createHarness } from “@strands-agents/harness”； const agent = wait createHarness ({ model: "bedrock/global.anthropic.claude-opus-5" });等待代理（“研究前三个矢量数据库，比较定价和限制，并将其写在comparison.md中”）； Python TypeScript fromstrands_harness import create_harness agent = create_harness( model = "anthropic/claude-opus-5" ) agent( "研究前三个矢量数据库，比较定价和限制，并将其写在 Comparison.md" ) import { createHarness } from "@strands-agents/harness" ; const agent = wait createHarness ({ model: "anthropic/claude-opus-5" });等待代理（“研究前三个矢量数据库，比较定价和限制，并将其写在comparison.md中”）； Python TypeScript fromstrands_harness import create_harness agent = create_harness( model = "openai/gpt-5.6-sol" ) agent( "研究前三个向量数据库，比较定价和限制，并将其写在 Comparison.md" ) import { createHarness } from "@strands-agents/harness" ; const agent = wait createHarness ({ model: "openai/gpt-5.6-sol" });等待代理（“研究前三个矢量数据库，比较定价和限制，并将其写在comparison.md中”）； Python TypeScript fromstrands_harness import create_harness agent = create_harness( model = "google/gemini-3.5-flash" ) agent( "研究前三个向量数据库，比较定价和限制，并将其写在 Comparison.md" ) import { createHarness } from "@strands-agents/harness" ; const agent = wait createHarness ({ model: "google/gemini-3.5-flash" });等待代理（“研究前三个矢量数据库，比较定价和限制，并将其写在comparison.md中”）； Python TypeScript fromstrands_harness import create_harness fromstrans.models.ollama import OllamaModel model = OllamaModel( host = "http://localhost:11434" , model_id = "llama3.1" ) agent = create_harness( model = model) agent( "研究前三个向量数据库，比较定价和限制，并将其写在 Comparison.md" ) import { createHarness } from “@strands-agents/harness”； const agent = wait createHarness ({ model: "ollama/llama3.1" });等待代理（“研究前三个矢量数据库，比较定价和限制，并将其写在comparison.md中”）； Python TypeScript fromstrands_harness import create_harness agent = create_harness( model = "litellm/ope