Amazon Web Services (AWS) a annoncé le 29 septembre 2026 la mise à disposition en open source de l’outil Strands Harness, une couche permettant de composer des agents d’intelligence artificielle capables d’exécuter plusieurs tâches à l’aide de grands modèles linguistiques provenant de différents fournisseurs, plutôt que de dépendre d’un seul modèle ou du seul environnement AWS.
L’outil repose sur le Strands Harness SDK publié par AWS en août 2026. Il prend en charge les modèles fonctionnant via Amazon Bedrock, ainsi qu’Anthropic Claude, OpenAI GPT, Google Gemini, Ollama et LiteLLM. Selon l’article original, il est possible de créer un agent en quelques lignes de code, et de changer ultérieurement de modèle en modifiant la valeur du paramètre qui lui est associé.
Que fournit l’outil ?
L’agent créé via Strands Harness dispose dès le départ de capacités comprenant l’exécution de commandes shell, la lecture et l’écriture de fichiers, ainsi que la recherche sur le Web. L’outil comprend également des mécanismes de mise en cache des requêtes et de gestion du contexte de conversation, des fonctions qui influent directement sur la consommation de tokens et la continuité de l’exécution des tâches.
Selon les paramètres par défaut mentionnés, les résultats des outils dépassant environ 1 500 tokens sont abrégés, et la compression du contexte par résumé commence lorsque l’utilisation de la fenêtre de contexte dépasse 85 %. En cas de dépassement de capacité, l’outil tente de restaurer le contexte au sein de la boucle d’exécution. Il est également possible de conserver la mémoire de session et de reprendre une conversation précédente à l’aide de l’identifiant de session, avec la prise en charge de ce qu’AWS appelle les « compétences ».
Flexibilité du modèle et du déploiement
Le principal avantage pratique réside dans la séparation entre la couche de l’agent, le modèle linguistique et la destination du déploiement. Une fois l’agent créé, le modèle utilisé peut être remplacé, et l’agent peut être déployé dans tout environnement disposant de conteneurs Linux, et pas uniquement dans les services AWS. La nature open source permet d’ajouter des fonctions et des modifications personnalisées, mais l’article ne fournit pas de détails sur les exigences d’exécution ni sur les mécanismes de gouvernance et de sécurité nécessaires dans chaque environnement.
AWS fournit également une interface en ligne de commande appelée Strands CLI, qui permet de sélectionner interactivement le modèle, les outils, les modules complémentaires et les paramètres de l’agent. Après sa création, l’agent peut être exporté sous forme de fichier de code en TypeScript ou en Python.
Qu’est-ce qui change concrètement ?
Strands Harness rend la création d’agents plus proche d’un processus d’assemblage réutilisable : le développeur définit le modèle, les outils et les tâches, puis peut changer de modèle ou d’environnement de déploiement sans reconstruire entièrement l’agent. Cela peut être utile aux équipes qui souhaitent tester plusieurs modèles ou éviter de lier leurs applications à un seul fournisseur, tandis que la qualité des résultats et le coût restent liés au modèle choisi, ainsi qu’à la nature des outils et des tâches.
AWS a également publié une comparaison comparative dans laquelle elle affirme qu’un agent créé avec Strands Harness à l’aide de Claude a obtenu, lors d’un test fondé sur Fable 5, un score de 69,7 pour un coût de 56,29 dollars, et l’a présenté comme moins coûteux et plus performant que Claude Code dans la comparaison présentée. Toutefois, ces chiffres proviennent d’AWS elle-même et ne suffisent pas à eux seuls pour évaluer les performances en dehors du scénario de test.
Cela signifie que l’annonce ne se limite pas à une interface simplifiée pour créer un agent ; elle propose plutôt un cadre open source de gestion des outils, du contexte, de la mémoire et du déploiement. En revanche, le fait d’accorder à l’agent l’autorisation d’exécuter des commandes et d’accéder aux fichiers et au Web fait du contrôle des autorisations, de la gouvernance et des pistes d’audit des questions opérationnelles essentielles, auxquelles le contenu source n’apporte pas suffisamment de détails pour répondre.