AWS: Amazon Bedrock AgentCore Harness erreicht allgemeine Verfügbarkeit — Deploy in 2 API-Aufrufen

Amazon Web Services hat die allgemeine Verfügbarkeit (GA) der Plattform Amazon Bedrock AgentCore Harness angekündigt. Der Dienst ermöglicht die Erstellung und den Betrieb eines Produktions-KI-Agenten mit nur 2 API-Aufrufen: CreateHarness zur Initialisierung und InvokeHarness zur Ausführung. Im Vergleich zu früheren, komplexeren Orchestrierungsansätzen, die Teams selbst aufbauen mussten, bedeutet dies eine erhebliche Vereinfachung.

Unterstützte Modelle und Modellwechsel mid-session

AgentCore Harness unterstützt ab der GA-Version eine breite Modellpalette: Anthropics Claude (einschließlich Opus- und Sonnet-Linien), Amazon Nova, Meta Llama, DeepSeek sowie die neu hinzugefügten OpenAI GPT-5.5 und GPT-5.4. Ein zentrales technisches Merkmal ist die Möglichkeit, den Modellanbieter innerhalb derselben Sitzung zu wechseln, ohne den Kontext zu verlieren — ein Agent kann beispielsweise mit Claude Opus beginnen, für eine spezifische Teilaufgabe zu GPT-5.5 wechseln und dann mit Gemini fortfahren, während die Plattform den vollständigen Gesprächskontext transparent überträgt.

Preise und Abrechnung

Die Abrechnung basiert auf dem tatsächlichen Ressourcenverbrauch: 0,0895 $ pro vCPU-Stunde und 0,00945 $ pro GB-Stunde Arbeitsspeicher. AWS betont, dass Kosten nur anfallen, wenn der Agent aktiv Aufgaben ausführt, nicht während Warte- oder Ruhephasen.

Bedeutung für Entwicklungsteams

AgentCore Harness zielt darauf ab, die Infrastrukturkomplexität zu beseitigen, die den Produktionseinsatz von KI-Agenten bisher verlangsamte. Teams, die bisher eigene Orchestrierungslogik, Kontextverwaltung und Lastenausgleich zwischen Modellen aufbauen mussten, erhalten dies nun als verwalteten Dienst. Die zwei API-Operationen — CreateHarness und InvokeHarness — abstrahieren Details, die zuvor erhebliche Ingenieurarbeit erforderten. Die Kombination aus modellunabhängigem Ansatz und Mid-Session-Wechsel ist besonders relevant für komplexe mehrstufige Agenten, die unterschiedliche Modelle für verschiedene Aufgabenphasen nutzen.