AWS stellt Open-Source-Laufzeit für effizientere KI-Agenten vor

Mehr als Kontext: Werkzeuge, Speicher und Aufgabenverwaltung

Strands harness soll nicht ausschließlich eine Lösung für die Reduzierung von Tokens sein. AWS beschreibt die Laufzeit als Bündel mehrerer grundlegender Agentenfunktionen. Dazu gehören Werkzeuge für Shell-Befehle sowie für das Lesen, Schreiben und Bearbeiten von Dateien. Ein Webwerkzeug ist ebenfalls Bestandteil des Pakets.

Diese Funktionen ermöglichen typische Einsatzszenarien aus der Softwareentwicklung und der technischen Automatisierung. Ein Agent könnte beispielsweise eine Projektdatei analysieren, einen Test ausführen, Fehlermeldungen bewerten und anschließend eine Änderung vorschlagen. In einem anderen Szenario könnte er Daten aus mehreren Webdiensten abrufen und die Ergebnisse in einer Datei oder einem Bericht zusammenführen.

Zum Funktionsumfang zählen außerdem Sitzungen und Langzeitspeicher. Sitzungen halten Informationen über einen laufenden Agentenprozess vor. Langzeitspeicher können dagegen dazu dienen, Daten über einzelne Sitzungen hinaus zu bewahren. Die konkrete Ausgestaltung ist für den Datenschutz und die Nachvollziehbarkeit von Bedeutung. Unternehmen müssen etwa klären, welche Inhalte gespeichert werden, wie lange sie verfügbar bleiben und ob personenbezogene oder vertrauliche Informationen in einen dauerhaften Speicher gelangen.

Für mehrstufige Abläufe stellt Strands harness eine Aufgabenliste bereit. Sie kann Agenten helfen, größere Ziele in einzelne Arbeitsschritte zu zerlegen und den Bearbeitungsstand zu verfolgen. Zusätzlich ist ein Hilfsagent für offene Teilaufgaben vorgesehen. Damit lässt sich eine Aufgabe gegebenenfalls an eine spezialisierte Agenteninstanz delegieren.

Das Harness kann laut AWS auch vorhandene Skills laden. Entwickler sollen die Standardvorgaben austauschen und Komponenten bei Bedarf bis hinunter zum zugrunde liegenden SDK ersetzen können. Diese Austauschbarkeit ist für Unternehmen relevant, die eigene Sicherheitsregeln, interne Werkzeuge oder spezifische Speichermechanismen integrieren müssen.

Unterstützung für mehrere Modelle und Infrastrukturen

Ein wesentlicher Bestandteil der Positionierung ist die breite Modellunterstützung. Strands harness soll Modelle über Amazon Bedrock, Anthropic, OpenAI, Google, Ollama und LiteLLM einbinden können. Damit ist sowohl der Einsatz cloudbasierter Dienste als auch lokal betriebener Modelle vorgesehen.

Für Unternehmen kann diese Offenheit verschiedene Vorteile bieten. Sie kann die Abhängigkeit von einem einzelnen Anbieter reduzieren, die Erprobung unterschiedlicher Modelle erleichtern und den Einsatz lokaler Modelle in Szenarien mit besonderen Anforderungen an Datenhoheit ermöglichen. Gleichzeitig steigt mit der Zahl der unterstützten Anbieter der Prüfaufwand. Modelle unterscheiden sich bei Kontextfenstern, Werkzeugaufrufen, strukturierten Ausgaben, Sicherheitsmechanismen und Preisgestaltung.

Als Bibliothek soll Strands harness für Python und TypeScript zur Verfügung stehen. Beide Sprachen sind in der Entwicklung daten- und KI-gestützter Anwendungen weit verbreitet. Die Unterstützung erleichtert es Teams, die Laufzeit in bestehende Softwareprojekte einzubetten, ohne zwingend eine neue Programmiersprache einzuführen.

Die Laufzeit ist nach den verfügbaren Angaben für lokale Umgebungen und Linux-Container ausgelegt. Als mögliche Zielplattformen werden unter anderem Amazon ECS, Google Cloud Run, Azure Container Apps, Cloudflare Containers und Modal genannt. Dadurch soll ein Agent zunächst lokal prototypisch entwickelt und später in unterschiedliche Cloud-Umgebungen übertragen werden können.

Die technische Portabilität bedeutet jedoch nicht automatisch vollständige Unabhängigkeit von der jeweiligen Plattform. Unterschiede bei Netzwerkzugriffen, Secrets Management, Protokollierung, Identitätsverwaltung, Skalierung und Abrechnung bleiben bestehen. Vor einer produktiven Migration müssen Unternehmen deshalb prüfen, welche Bestandteile des Agenten an einen bestimmten Cloudanbieter gebunden sind.

Die Kommandozeile als Einstieg für Prototypen

Für erste Experimente bietet Strands harness eine Kommandozeilenschnittstelle. Über natürlichsprachliche Eingaben sollen Entwickler Agenten zusammenstellen können. Der dabei erzeugte Stand kann anschließend als Python- oder TypeScript-Code exportiert werden.

Dieser Ansatz kann die Distanz zwischen einer ersten Idee und einem lauffähigen Prototyp verkürzen. Fachliche Teams können Anforderungen zunächst in natürlicher Sprache beschreiben, während technische Teams den erzeugten Code anschließend prüfen, anpassen und in eine bestehende Entwicklungsumgebung überführen.

Für den produktiven Einsatz ist der Export allein jedoch nicht ausreichend. Generierter Code muss wie jede andere Software getestet, versioniert und sicher betrieben werden. Das gilt insbesondere dann, wenn der Agent Schreibrechte auf Dateien besitzt, Shell-Befehle ausführen oder auf interne Systeme zugreifen kann. Die einfache Erstellung eines Prototyps darf nicht mit einer automatischen Produktionsreife verwechselt werden.

Sicherheits- und Governance-Fragen bleiben bestehen

Ein Agent Harness kann wiederkehrende technische Aufgaben vereinfachen, nimmt Unternehmen aber nicht die Verantwortung für die Kontrolle ihrer Agenten ab. Je mehr Werkzeuge ein Agent verwenden darf, desto größer ist die mögliche Angriffs- und Fehlerfläche.

Zu den wichtigsten Prüfbereichen gehören:

- Berechtigungen: Shell-, Datei- und Webzugriffe sollten auf das für die jeweilige Aufgabe erforderliche Maß begrenzt werden.

- Isolation: Agenten sollten möglichst in abgeschotteten Umgebungen oder Containern mit klar definierten Netzwerk- und Dateisystemgrenzen laufen.

- Freigaben: Kritische Aktionen wie das Löschen von Daten, das Ändern von Produktionssystemen oder das Versenden externer Nachrichten benötigen gegebenenfalls eine menschliche Bestätigung.

- Protokollierung: Unternehmen müssen nachvollziehen können, welche Eingaben, Werkzeugaufrufe und Entscheidungen zu einem Ergebnis geführt haben.

- Datenschutz: Sitzungs- und Langzeitspeicher dürfen keine sensiblen Informationen unkontrolliert dauerhaft ablegen.

- Abhängigkeiten: Das quelloffene Projekt und alle eingebundenen Bibliotheken müssen auf Sicherheitslücken, Lizenzbedingungen und Aktualisierungsprozesse geprüft werden.

Die Apache-2.0-Lizenz schafft grundsätzlich günstige Voraussetzungen für die Nutzung und Anpassung des Projekts. Sie ersetzt aber keine interne Prüfung der Lizenzkonformität, der Abhängigkeiten und der betrieblichen Sicherheitsanforderungen.

Was die Ankündigung für B2B-Anwendungen bedeutet

Für Unternehmen liegt der potenzielle Mehrwert von Strands harness vor allem in der Standardisierung. Statt Kontextlogik, Sitzungsverwaltung und Werkzeugsteuerung für jeden Agenten separat zu entwickeln, können Teams auf gemeinsame Bausteine zurückgreifen. Das kann Entwicklungszeiten verkürzen und die Wartung vereinfachen.

Ein weiterer möglicher Vorteil ist die bessere Kostenkontrolle. Wenn lange Werkzeugausgaben automatisch gekürzt und ältere Verläufe zusammengefasst werden, kann der Token-Verbrauch sinken. Der tatsächliche wirtschaftliche Effekt hängt jedoch vom Modell, der Anzahl der Agentenschritte, der Länge der Aufgaben und der Häufigkeit von Wiederholungen ab.

Für Mindverse und vergleichbare Anbieter von KI-gestützten Content-, Recherche- und Automatisierungsprozessen ist insbesondere die flexible Modell- und Infrastrukturunterstützung von Bedeutung. Anwendungen für Text, Bilder, Recherche und Wissensarbeit kombinieren häufig mehrere Modelle und externe Werkzeuge. Eine Laufzeit, die solche Komponenten strukturiert zusammenführt, kann die technische Integration erleichtern.

Gleichzeitig sollte der Einsatz nicht allein nach dem Kriterium des niedrigsten Token-Verbrauchs beurteilt werden. Für professionelle Anwendungen zählen ebenso Ergebnisqualität, Reproduzierbarkeit, Datenschutz, Integrationsaufwand, Verfügbarkeit, Überwachung und die Möglichkeit, Fehlentscheidungen zu korrigieren.

Einordnung für die praktische Evaluierung

Unternehmen, die Strands harness prüfen möchten, sollten zunächst einen begrenzten Anwendungsfall auswählen. Geeignet sind Aufgaben, bei denen der Agent klar definierte Werkzeuge verwendet und die Qualität seiner Ergebnisse messbar ist. Beispiele können die Analyse von Testprotokollen, die Klassifizierung von Dokumenten oder die Zusammenstellung interner Informationen sein.

Für einen strukturierten Vergleich empfiehlt sich ein Test mit identischen Modellen, identischen Aufgaben und identischen Rahmenbedingungen. Neben dem Token-Verbrauch sollten mindestens folgende Kennzahlen erfasst werden:

- Erfolgsquote und fachliche Genauigkeit

- Anzahl der Modell- und Werkzeugaufrufe

- durchschnittliche und maximale Laufzeit

- Kosten pro erledigter Aufgabe

- Anteil manueller Eingriffe

- Häufigkeit von Fehlversuchen und Wiederholungen

- Verhalten bei sehr langen Sitzungen

- Qualität der Zusammenfassungen und Kontextwiederherstellung

- Ressourcenbedarf in lokaler und containerbasierter Umgebung

Besondere Aufmerksamkeit verdient die Frage, ob die automatische Kürzung relevante Informationen entfernt. Dazu können Tests mit absichtlich langen Logs, widersprüchlichen Angaben, mehrstufigen Aufgaben und später benötigten Details durchgeführt werden. Erst wenn der Agent auch unter diesen Bedingungen zuverlässig arbeitet, lässt sich der Nutzen der Kontextverwaltung realistisch bewerten.

Open Source als strategischer Faktor

Die Veröffentlichung unter der Apache-2.0-Lizenz ermöglicht es Entwicklern, den Code zu untersuchen, anzupassen und in eigene Projekte einzubinden. Für Organisationen kann dies die technische Transparenz erhöhen und die Integration in bestehende Plattformen erleichtern.

Open Source bedeutet allerdings nicht, dass sämtliche Betriebsaufgaben entfallen. Unternehmen müssen weiterhin Versionen verwalten, Änderungen bewerten, Sicherheitsupdates einspielen und die Stabilität der eingesetzten Komponenten sicherstellen. Auch die langfristige Entwicklung des Projekts und die Aktivität der Community sind für die strategische Planung relevant.

Für die Bewertung ist außerdem zu unterscheiden, welche Funktionen tatsächlich im offenen Projekt enthalten sind und welche Leistungen an bestimmte kommerzielle Dienste oder Cloudangebote gebunden bleiben. Die technische Möglichkeit, mehrere Modellanbieter anzusprechen, ist ein wichtiger Ausgangspunkt, führt aber nicht automatisch zu identischen Funktionen über alle Anbieter hinweg.

Ausblick auf die Entwicklung von Agentenplattformen

Mit Strands harness folgt AWS einem allgemeinen Trend in der KI-Entwicklung: Der Schwerpunkt verschiebt sich von einzelnen Modellaufrufen hin zu Laufzeitumgebungen, die komplexe Arbeitsabläufe koordinieren. Diese Systeme sollen Modelle, Tools, Speicher, Sitzungen und Sicherheitsmechanismen in einer gemeinsamen Architektur verbinden.

Für die weitere Entwicklung werden vor allem drei Fragen entscheidend sein. Erstens muss sich zeigen, ob die versprochene Token-Effizienz in unabhängigen Tests und unterschiedlichen Unternehmensszenarien bestätigt wird. Zweitens wird die Qualität der Kontextzusammenfassung darüber entscheiden, ob Einsparungen ohne spürbaren Verlust an Zuverlässigkeit möglich sind. Drittens müssen Unternehmen prüfen, wie gut sich solche Laufzeiten in bestehende Governance-, Sicherheits- und Monitoring-Strukturen integrieren lassen.

Strands harness kann damit einen wichtigen Baustein für selbst entwickelte KI-Agenten darstellen. Die Lösung reduziert möglicherweise den Anteil individueller Infrastrukturarbeit und bietet eine flexible Grundlage für lokale sowie cloudbasierte Anwendungen. Der Nutzen im produktiven Betrieb hängt jedoch von der konkreten Aufgabe, der Qualität der Modellintegration und der technischen Kontrolle durch das jeweilige Unternehmen ab.

Für Entscheiderinnen und Entscheider empfiehlt sich daher ein schrittweises Vorgehen: zunächst ein klar begrenzter Pilot, anschließend ein Vergleich mit bestehenden Lösungen und erst danach eine Entscheidung über eine breitere Einführung. Die von AWS genannten Benchmarkwerte liefern einen Ausgangspunkt für die Evaluierung, ersetzen aber keine Prüfung mit eigenen Daten, Prozessen und Sicherheitsanforderungen.

Bibliografie

1. heise online: „Neu von AWS: Weniger Kontextpflege für selbst gebaute KI-Agenten“, Moritz Förster, veröffentlicht am 23. September 2026. https://www.heise.de/news/Neu-von-AWS-Weniger-Kontextpflege-fuer-selbst-gebaute-KI-Agenten-11462630.html
2. AWS: „Introducing Strands harness“, Ankündigung zum Strands-Harness-Projekt. https://strandsagents.com/blog/introducing-strands-harness/
3. AWS: „Effiziente KI-Agenten-Entwicklung mit AWS Strands Agents und Amazon Q Developer“, veröffentlicht am 27. Juni 2025. https://aws.amazon.com/blogs/alps/effiziente-ki-agenten-entwicklung-mit-aws-strands-agents-und-amazon-q-developer/
4. AWS Startups: „Skalierbare KI-Agenten entwickeln: Serverless-Architektur in AWS“. https://startups.aws.com/learn/build-ai-agents-that-scale-serverless-architecture-on-aws?lang=de
5. 1AI: „AWS veröffentlicht Strands Harness: Open-Source-KI-Agent für jede Umgebung“, veröffentlicht am 22. September 2026. https://1ai.biz/2026/09/22/aws-veroeffentlicht-strands-harness-open-source-ki-agent-fuer-jede-umgebung/