Die Agent-Schleife, gehostet für Sie

Claude Managed Agents ist eine Suite von APIs zum Erstellen und Bereitstellen von Agents im großen Maßstab. Sie definieren Agents mit spezifischen Tools, Personas und Fähigkeiten. Sie konfigurieren Sandbox-Umgebungen mit den richtigen Paketen und Netzwerkkontrollen. Dann starten Sie Sessions von Ihrer eigenen Anwendung aus, und Claude erledigt die Arbeit in einem isolierten Container mit vollständigem Dateisystem-Zugriff, Bash-Ausführung und Web-Suche.

Die Agent-Schleife, gehostet für Sie

Unter der Haube ist dies eine Agent-Schleife: Claude denkt nach, ruft ein Tool auf, liest das Ergebnis und wiederholt dies, bis die Aufgabe erledigt ist. Wenn Sie bereits Agents erstellt haben, haben Sie diese Art von Schleife wahrscheinlich selbst geschrieben. Managed Agents nimmt diese gleiche Schleife und hostet sie auf der Infrastruktur von Anthropic, sodass Sie sie nicht selbst ausführen müssen.

Sie finden Managed Agents in seinem eigenen Bereich der Claude Console.

Die beste Möglichkeit, zu verstehen, was dies ermöglicht, ist, ein paar Beispiele durchzugehen.

Beispiel 1: Ein Kanban-Board, das die Arbeit erledigt

Stellen Sie sich ein Kanban-Board vor, das auf verwalteten Agents sitzt. Sie ziehen ein Ticket in die Spalte „In Bearbeitung", und das startet automatisch eine Session. Angenommen, das Ticket lautet „Website-Performance optimieren". Folgendes passiert:

Ihr Back-End erstellt eine Session.
Die Session verweist auf eine Umgebung, die Sie mit vorinstalliertem Lighthouse und Puppeteer konfiguriert haben.
Ihr GitHub-Repository wird in den Container eingebunden.

Jetzt hat Claude die Codebasis, die Tools und ein Rubrik, das definiert, wie Fertigstellung aussieht:

Lighthouse-Score über 90
Keine render-blockierenden Ressourcen
Alle Bilder lazy-loaded

Claude führt das Audit durch und beginnt dann, Bilder zu komprimieren, CSS einzubinden und Scripts zu verschieben. Jeder Tool-Aufruf wird in Echtzeit über den Event-Stream zurück an das Board gestreamt, sodass Sie die Arbeit während des Ablaufs beobachten können.

Dann greift die Rubrik ein. Ein separater Grader, der in seinem eigenen Context Window läuft, bewertet die Ausgabe gegen Ihre Kriterien. Claude liest dieses Feedback, geht zurück, behebt, was es übersehen hat, und reicht erneut ein. In der Demo erhöht diese Schleife den Lighthouse-Score auf 96.

Noch eine Sache: Sie können ein zweites Ticket ziehen, während das erste noch läuft. Zwei Sessions, zwei Container, zwei separate Aufgaben, die parallel laufen.

Ein Kanban-Entwicklungs-Board mit zwei Tickets in der Spalte „In Bearbeitung", von denen jedes seine eigene Agent-Session ausführt und Tool-Call-Events streamt

Beispiel 2: Ein wiederkehrender Research-Agent mit Memory

Hier ist eine andere Form von Agent: einer, dessen Aufgabe es ist, Preise zu verfolgen und Änderungen über alle SaaS-Tools hinweg zu planen, die Ihr Unternehmen nutzt, mit einem Bericht, der vor dem Stand-Up bereit ist.

Die Pricing Research App mit einem Button „Run Weekly Report", einem leeren Agent-Aktivitäts-Feed, einem Memory-Panel und einer Deliverables-Liste mit einem Excel-Bericht und einer Executive Summary

Bei jedem Durchlauf:

Sucht der Agent im Web nach aktuellen Preisseiten, prüft auf Änderungen der Plan-Stufen und kennzeichnet neue Funktionen, die Ihre Verträge beeinflussen könnten
Führt eine Kostenanalyse in Python innerhalb der Sandbox durch
Nutzt eine Excel-Spreadsheet-Fähigkeit und schreibt eine Executive Summary
Postet einen Link zu Slack und erstellt eine Review-Aufgabe in Asana, beide über MCP-Server

Der Agent liest auch aus und schreibt in einen Memory-Store. Bevor er startet, prüft er, was er letzte Woche gefunden hat. Nachdem er fertig ist, speichert er, was sich geändert hat. So kann der Bericht nächsten Montag sagen „Compute-Kosten sind seit letzter Woche 15% niedriger", anstatt jedes Mal die gleichen statischen Preisdaten aufzulisten.

Das Memory-Panel mit den Erkenntnissen der letzten Woche, einschließlich Anbieter-Preisänderungen und einer Schätzung der Gesamtausgaben pro Monat, die der Agent für seinen nächsten Durchlauf gespeichert hat

Beispiel 3: Incident Response mit mehreren Agents

Stellen Sie sich vor, ein Alert wird von Ihrem Monitoring-Stack ausgelöst. Ein Custom Tool auf Ihrem Back-End empfängt die Alert-Payload und sendet sie als Tool-Ergebnis in eine neue Session. Diese Session nutzt Multi-Agent-Koordination:

Ein Coordinator Agent empfängt den Alert und delegiert an drei Spezialisten.
Jeder Spezialist läuft in seinem eigenen Context Window auf dem gleichen gemeinsamen Dateisystem.
Die Spezialisten berichten zurück, und der Koordinator synthetisiert ihre Erkenntnisse in eine einzelne Incident-Zusammenfassung.

Ein Incident-Response-Dashboard für einen API-Latenz-Spike-Alert, mit Panels für Diagnostics, Log Analysis und Communications Specialist, die ausstehen, während ein Past Incidents Panel den Memory-Store nach Mustern durchsucht

Bevor die Zusammenfassung zu Slack geht, wird die Permissions Policy ausgelöst. Sie sehen den Entwurf auf dem Bildschirm, genehmigen ihn, und die Nachricht wird gesendet. Sensible Aktionen warten auf einen Menschen.

Memory verbindet all dies. Der Koordinator prüft vergangene Incidents im Memory-Store und kennzeichnet ein Muster: „Das sieht wie das DNS-Auflösungsproblem von vor zwei Wochen aus, das durch einen falsch konfigurierten TTL verursacht wurde. " Das nächste Mal, wenn ein ähnlicher Alert ausgelöst wird, startet der Agent mit diesem Kontext, anstatt von Grund auf zu diagnostizieren.

Die Bausteine

Über diese Beispiele hinweg bietet Managed Agents Entwicklern die Tools, um eine vollständig verwaltete, zustandsbehaftete Agent-Erfahrung bereitzustellen, die auf folgendem aufgebaut ist:

Agents — Definitionen mit spezifischen Tools, Personas und Fähigkeiten
Sessions — einzelne Durchläufe, die Sie von Ihrer eigenen Anwendung aus starten
Environments — Sandboxes mit den richtigen Paketen und Netzwerkkontrollen
Tools — einschließlich Custom Tools auf Ihrem Back-End
MCP — Verbindungen zu Services wie Slack und Asana
Memory — ein Store, den der Agent vor dem Start liest und nach Abschluss schreibt
Outcomes — Rubriken und Grader, die definieren und überprüfen, wie Fertigstellung aussieht
Multi-Agent-Koordination — Koordinatoren, die an Spezialisten delegieren

Zusammenfassung

Claude Managed Agents ist eine Suite von APIs zum Erstellen und Bereitstellen von Agents im großen Maßstab, gehostet auf der Infrastruktur von Anthropic.
Es führt die vertraute Agent-Schleife aus — nachdenken, ein Tool aufrufen, das Ergebnis lesen, wiederholen — innerhalb eines isolierten Containers mit Dateisystem-Zugriff, Bash-Ausführung und Web-Suche.
Sessions laufen in Umgebungen, die Sie konfigurieren, arbeiten parallel und streamen Tool-Aufrufe in Echtzeit zurück an Ihre App.
Rubriken und separate Grader ermöglichen es Ihnen, Erfolgskriterien zu definieren; Claude iteriert, bis diese erfüllt sind.
Memory, MCP-Server, Custom Tools, Permissions Policies und Multi-Agent-Koordination runden die zustandsbehaftete Agent-Erfahrung ab.
Sie definieren, wie Fertigstellung aussieht. Claude arbeitet, bis es dort ankommt.