شرکت AWS با معرفی Strands، یک Harness یا چارچوب متن‌باز (Open Source) برای مدیریت Agentهای هوش مصنوعی، وارد رقابت در حوزه Agentic AI شده است. هدف از طراحی این ابزار، تسهیل فرآیند توسعه و استقرار Agentها با کاهش پیچیدگی‌های مربوط به زیرساخت و مدیریت Context است.
بهینه‌سازی مصرف Token و مدیریت حافظه
یکی از ادعاهای اصلی AWS در مورد Strands، بهره‌وری بالا در مصرف Token است. طبق گزارش‌های این شرکت، Strands در تست‌های بنچمارک (Benchmark) توانسته است با مصرف حدود ۲۸ درصد Token کمتر نسبت به مدل‌های GPT یا Claude، به نتایجی تقریباً مشابه دست یابد. این بهبود عملکرد به دلیل پیاده‌سازی مکانیزم‌های پیش‌فرض در مدیریت حافظه است، از جمله:
- Prompt Caching: استفاده از حافظه پنهان برای کاهش تکرار درخواست‌ها.
- Context Management: کوتاه کردن نتایج ابزارها (Tool Results) در صورتی که بیش از ۱۵۰۰ توکن باشند.
- Automatic Compaction: فشرده‌سازی خودکار پنجره Context زمانی که اشغال حافظه به ۸۵ درصد برسد.
قابلیت‌های فنی و استقرار
این چارچوب به گونه‌ای طراحی شده است که توسعه‌دهندگان بتوانند تنها با یک خط کد در زبان‌های Python یا TypeScript، آن را با مدل AI مورد نظر خود فعال کنند. Strands به صورت یک کتابخانه (Library) و همچنین رابط خط فرمان (CLI) عرضه شده و از فایل‌های Skills برای اتصال آسان به ابزارهای Shell، File و Web پشتیبانی می‌کند.
تحلیل بنچمارک‌ها و چالش‌های ارزیابی
AWS ادعا می‌کند که Strands در چارچوب Harbor و بر روی سرورهای EC2، عملکردی نزدیک به ابزارهایی نظیر Claude Code و Codex داشته است. با این حال، یک نکته قابل توجه این است که Strands به عنوان یک General-purpose Agent (عامل همه‌منظوره) معرفی شده، اما در بنچمارک‌ها تنها با Agentهای تخصصی کدنویسی (Coding Agents) مقایسه شده است. این موضوع باعث شده تا تحلیل‌گران در مورد جامعیت این مقایسه‌ها تردید داشته باشند.
