AWS เปิดตัว Strands Harness ชุดเครื่องมือ Agent ลดต้นทุน Token 28%

นักพัฒนาหลายคนพบว่าแนวคิดเรื่อง Agent ทำงานได้ยอดเยี่ยมใน Claude Code หรือ Codex แต่กลับประสบปัญหาเมื่อต้องสร้างระบบ Loop ขึ้นมาใช้งานเอง ทีม Strands Agents ที่ AWS จึงเข้ามาเติมเต็มช่องว่างนี้

Strands harness คือชุดเครื่องมือ Agent อเนกประสงค์แบบสำเร็จรูปที่รันได้ทั้งในเครื่องและบนคลาวด์ รองรับภาษา Python และ TypeScript ภายใต้ลิขสิทธิ์ Apache 2.0 โดยเริ่มต้นใช้งานได้ด้วยโค้ดเพียงบรรทัดเดียว ทีมงานระบุว่าเครื่องมือนี้มีต้นทุนต่ำกว่า Harness อื่นๆ ถึง 28% จากการรันผ่าน 6 เกณฑ์มาตรฐาน (Benchmarks) บนโมเดล Claude หรือ GPT โดยยังคงความแม่นยำในระดับใกล้เคียงกัน

หลายคนสงสัยว่า Strands harness สามารถ Deploy ได้หรือไม่? คำตอบคือได้ เพราะมันสามารถรันในเครื่องและมีไฟล์ Skills ที่ช่วยให้ Coding Agent ของคุณสร้างไฟล์คอนฟิกสำหรับ Deploy บน AWS, GCP, Azure, Cloudflare และ Modal ได้ทันที

What is Strands Harness

Harness เปรียบเสมือนระบบที่อยู่รอบตัวโมเดล ทั้งในส่วนของ Loop, เครื่องมือ (Tools), การจัดการบริบท (Context), หน่วยความจำ และการกู้คืนระบบ โดย Strands ได้เปิดเผยส่วนประกอบเหล่านี้ผ่าน Strands Harness SDK และนำมาแพ็กเป็นค่าเริ่มต้นที่ใช้งานได้ทันที ซึ่งถูกออกแบบมาให้เป็น Agent อเนกประสงค์ที่ไม่จำกัดแค่การเขียนโค้ด

เมื่อใช้งานในรูปแบบเริ่มต้น create_harness() จะได้ Agent ที่มีคุณสมบัติดังนี้:

• รองรับโมเดล Reasoning รุ่นปัจจุบันผ่าน Amazon Bedrock, Anthropic, OpenAI, Google, Ollama หรือ LiteLLM
• มาพร้อมเครื่องมือ Shell, File (อ่าน, เขียน, แก้ไข) และ Web Tools ครบครันในตัวเดียว
• ย้ายผลลัพธ์เครื่องมือขนาดใหญ่ไปยังไฟล์และทำ Cache ส่วนที่ใช้ซ้ำเพื่อประหยัดทรัพยากร
• รักษาหน่วยความจำระยะยาวและสามารถเริ่มการสนทนาต่อจาก Session ID เดิมได้
• มอบหมายงานย่อยให้ Helper Agent ช่วยจัดการ พร้อมติดตามงานผ่าน Checklist
• โหลด Agent Skills อัตโนมัติเมื่อตรวจพบ

Benchmark Setup and the 28% Figure

ทีม Strands Agents ได้ทดสอบ Benchmark แบบกระจายศูนย์บน Amazon EC2 ด้วย Harbor ซึ่งเป็น Framework จากผู้สร้าง Terminal-Bench โดยคำนวณคะแนนเฉลี่ยจาก 6 เกณฑ์มาตรฐาน ได้แก่ ALFWorld, ContextBench, GAIA, WebShop, τ²-bench และ Terminal-Bench 2.1

ข้อมูลที่น่าสนใจคือ DeepSeek Harness เป็น Harness ที่ใช้ Token ได้คุ้มค่าที่สุด โดยประหยัดกว่า Strands harness ราว 14% แต่กลับได้คะแนนความแม่นยำต่ำกว่าในทุก Benchmark ซึ่งเมื่อเฉลี่ยภาพรวมแล้ว Strands harness ประหยัดต้นทุนได้ถึง 28% โดยจุดที่ทำคะแนนสูงสุดคือการใช้ Claude Opus 5 บน Strands harness ที่มีความแม่นยำเกือบ 85%

Terminal-Bench 2.1: Same Model, 5 Harnesses

จากการเปรียบเทียบแบบตัวต่อตัวโดยใช้ Claude Fable 5 บน Terminal-Bench 2.1 จำนวน 89 ครั้งต่อหนึ่ง Harness ได้ผลลัพธ์ดังนี้:

เมื่อเทียบกับ Claude Code พบว่า Strands harness มีต้นทุนต่ำกว่าถึง 77% และแม่นยำกว่า 7.9 จุด ขณะที่ Oh-my-pi แม้จะแม่นยำเท่ากันแต่มีต้นทุนสูงกว่าถึง 54% ส่วน DeepSeek Harness แม้จะราคาถูกที่สุดแต่คะแนนความแม่นยำตามหลังอยู่ถึง 10.2 จุด

What Drives the Efficiency

ประสิทธิภาพของ Strands harness มาจากค่าเริ่มต้นในการทำ Prompt Caching และการจัดการบริบท (Context Management) ซึ่งทีมงานระบุว่าเป็นปัจจัยหลักทั้งด้านความประหยัดและความแม่นยำ โดยใช้กฎ 3 ข้อหลัก:

• ตัดทอน (Truncate) ผลลัพธ์เครื่องมือที่เกิน 1,500 Tokens
• เริ่มการสรุปข้อมูล (Compaction) เมื่อการใช้ Context เกิน 85%
• กู้คืนบริบท (Context Recovery) ภายใน Loop หากหน้าต่าง Context เต็ม

ข้อมูลนี้สอดคล้องกับงานวิจัยจาก HarnessTax ที่พบว่าการเลือก Harness แทบไม่ส่งผลต่ออัตราความสำเร็จ แต่ส่งผลต่อต้นทุนที่ต่างกันได้ถึง 5 เท่า โดยนักวิจัยของ Strands เตรียมจะเผยแพร่บทความวิจัยฉบับเต็มเกี่ยวกับเกณฑ์มาตรฐานเหล่านี้ในลำดับต่อไป

Getting Started

นักพัฒนาสามารถติดตั้งได้ผ่าน pip install strands-harness หรือ npm install @strands-agents/harness และเลือกโมเดลที่ต้องการได้ทันที:

from strands_harness import create_harness
agent = create_harness(model="litellm/openai/gpt-5.6-sol")
agent("Research the top three vector databases and compare their pricing")

นอกจากนี้ยังมี Strands CLI (npm install @strands-agents/strands-cli) ที่ช่วยสร้างต้นแบบ Agent ด้วยภาษาธรรมชาติ เช่น การสั่งให้เพิ่ม Playwright MCP server เพื่อวัดค่า Latency ของการโหลดวิดีโอ ซึ่งสามารถส่งออกเป็นไฟล์ Zip ทั้งภาษา Python หรือ TypeScript เพื่อนำไปใช้งานต่อได้ทันที

การปรับแต่งสามารถทำได้ในระดับลึก ตั้งแต่การเขียนทับค่าเริ่มต้น สลับโมเดล ไปจนถึงการเปลี่ยนส่วนประกอบใน Strands Harness SDK ทำให้ Agent ที่สร้างบนแล็ปท็อปสามารถนำไปใช้งานจริงในระบบ Production ได้โดยไม่ต้องแก้ไขใหม่

Key Takeaways

• Strands harness นำองค์ประกอบพื้นฐานจาก AWS มาแพ็กเป็น Agent อเนกประสงค์แบบ Open-Source (Apache 2.0)
• ประหยัดต้นทุน Token ได้มากกว่าคู่แข่ง 28% โดยเฉลี่ยจาก 6 Benchmark
• ประหยัดต้นทุนกว่า Claude Code ถึง 77% เมื่อทดสอบบน Terminal-Bench 2.1
• ใช้เทคนิคการจัดการ Context ขั้นสูง (Truncation 1,500 tokens / Compaction 85%) เป็นหัวใจหลัก
• รองรับผู้ให้บริการ AI หลากหลายทั้ง Bedrock, Anthropic, OpenAI, Google และโมเดล Local อย่าง Ollama

ตรวจสอบ รายละเอียดทางเทคนิค,

,

GitHub repo, and

PyPI package.

เอกสารประกอบ Strands Agents