एजेंट लूप, आपके लिए होस्ट किया गया

Claude Managed Agents एजेंट्स को बड़े पैमाने पर बनाने और तैनात करने के लिए APIs का एक सूट है। आप विशिष्ट tools, personas, और capabilities के साथ एजेंट्स को परिभाषित करते हैं। आप sandbox environments को सही packages और network controls के साथ कॉन्फ़िगर करते हैं। फिर आप अपने स्वयं के एप्लिकेशन से sessions को शुरू करते हैं, और Claude एक isolated container के अंदर काम करता है जिसमें पूर्ण file system access, bash execution, और web search होता है।

एजेंट लूप, आपके लिए होस्ट किया गया

इसके पीछे, यह एक agent loop है: Claude reasoning करता है, एक tool को कॉल करता है, परिणाम को पढ़ता है, और जब तक काम पूरा न हो जाए तब तक दोहराता है। यदि आपने पहले एजेंट्स बनाए हैं, तो आपने शायद इस तरह का लूप स्वयं लिखा है। Managed agents इसी लूप को लेता है और इसे Anthropic के infrastructure पर होस्ट करता है, इसलिए आपको इसे चलाना नहीं पड़ता।

आप Claude Console के अपने अनुभाग में Managed Agents पाएंगे।

यह समझने का सबसे अच्छा तरीका कि यह क्या unlock करता है, कुछ उदाहरणों के माध्यम से चलना है।

उदाहरण 1: एक Kanban बोर्ड जो काम करता है

एक Kanban बोर्ड की कल्पना करें जो managed agents के ऊपर बैठा है। आप एक ticket को "in progress" कॉलम में खींचते हैं, और यह स्वचालित रूप से एक session को शुरू करता है। मान लीजिए ticket में लिखा है "optimize website performance।" यहाँ क्या होता है:

• आपका back end एक session बनाता है।
• Session एक environment की ओर इशारा करता है जिसे आपने Lighthouse और Puppeteer के साथ पूर्व-स्थापित किया है।
• आपका GitHub repo को container में mount किया जाता है।

अब Claude के पास codebase, tools, और एक rubric है जो परिभाषित करता है कि done क्या दिखता है:

• Lighthouse score 90 से ऊपर
• कोई render-blocking resources नहीं
• सभी images lazy loaded

Claude audit चलाता है, फिर images को compress करना शुरू करता है, CSS को inline करता है, और scripts को defer करता है। हर tool call event stream के माध्यम से बोर्ड पर real time में वापस stream होता है, इसलिए आप काम को जैसे-जैसे होता है देख सकते हैं।

फिर rubric शुरू होता है। एक अलग grader, अपनी स्वयं की context window में चल रहा है, आपके मानदंडों के विरुद्ध output का मूल्यांकन करता है। Claude उस feedback को पढ़ता है, वापस जाता है, जो वह मिस करता है उसे ठीक करता है, और फिर से submit करता है। demo में, वह लूप Lighthouse score को 96 तक ले जाता है।

एक और बात: आप एक दूसरा ticket खींच सकते हैं जबकि पहला अभी भी चल रहा है। दो sessions, दो containers, दो अलग-अलग tasks parallel में चल रहे हैं।

एक Kanban development बोर्ड जिसमें In Progress कॉलम में दो tickets हैं, प्रत्येक अपना स्वयं का agent session चला रहा है और tool call events को stream कर रहा है

उदाहरण 2: Memory के साथ एक recurring research agent

यहाँ एजेंट का एक अलग आकार है: एक जिसका काम prices को track करना है और हर SaaS tool में changes को plan करना है जिसके लिए आपकी कंपनी भुगतान करती है, stand-up से पहले एक report तैयार है।

Pricing Research app जिसमें एक Run Weekly Report बटन, एक खाली agent activity feed, एक memory panel, और एक deliverables list है जिसमें एक Excel report और executive summary है

हर run पर, agent:

• वर्तमान pricing pages के लिए web को search करता है, plan tier changes को check करता है, और नई features को flag करता है जो आपके contracts को प्रभावित कर सकती हैं
• sandbox के अंदर Python में एक cost analysis चलाता है
• एक Excel spreadsheet skill का उपयोग करता है और एक executive summary लिखता है
• MCP servers के माध्यम से Slack को एक link post करता है और Asana में एक review task बनाता है

Agent एक memory store से भी पढ़ता है और लिखता है। इससे पहले कि यह शुरू हो, यह check करता है कि इसे पिछले हफ्ते क्या मिला। इसके बाद, यह store करता है कि क्या बदला। तो अगले सोमवार की report कह सकती है "compute costs पिछले हफ्ते से 15% कम हैं" बजाय हर बार एक ही static pricing data को list करने के।

Memory panel जो पिछले हफ्ते की findings को list करता है, जिसमें vendor pricing changes और एक total monthly spend estimate शामिल है जो agent ने अपने अगले run के लिए store किया है

उदाहरण 3: Multiple agents के साथ Incident response

अब कल्पना करें कि आपके monitoring stack से एक alert fire होता है। आपके back end पर एक custom tool alert payload को receive करता है और इसे एक नए session में tool result के रूप में भेजता है। यह session multi-agent coordination का उपयोग करता है:

• एक coordinator agent alert को receive करता है और तीन specialists को delegate करता है।
• हर specialist अपनी स्वयं की context window में एक ही shared file system पर चलता है।
• Specialists report करते हैं, और coordinator उनके findings को एक single incident summary में synthesize करता है।

एक API latency spike alert के लिए एक incident response dashboard, जिसमें Diagnostics, Log Analysis, और Communications specialist panels pending हैं जबकि एक Past Incidents panel memory में patterns को search करता है

summary Slack पर जाने से पहले, permissions policy fire होती है। आप screen पर draft को देखते हैं, इसे approve करते हैं, और message बाहर जाता है। Sensitive actions एक human के लिए wait करते हैं।

Memory इस सब को एक साथ tie करता है। Coordinator memory store में past incidents को check करता है और एक pattern को flag करता है: "यह दो हफ्ते पहले के DNS resolution issue जैसा दिखता है जो एक misconfigured TTL के कारण था।" अगली बार जब एक similar alert fire होता है, agent उस context के साथ शुरू होता है बजाय scratch से diagnose करने के।

Building blocks

इन उदाहरणों के across, managed agents developers को एक fully managed, stateful agent experience deliver करने के लिए tools देता है जो निम्नलिखित पर built है:

• Agents — विशिष्ट tools, personas, और capabilities के साथ definitions
• Sessions — individual runs जिन्हें आप अपने स्वयं के एप्लिकेशन से fire करते हैं
• Environments — sandboxes जिनमें सही packages और network controls हैं
• Tools — आपके back end पर custom tools सहित
• MCP — Slack और Asana जैसी services के लिए connections
• Memory — एक store जिसे agent शुरू करने से पहले पढ़ता है और पूरा होने पर लिखता है
• Outcomes — rubrics और graders जो परिभाषित करते हैं और check करते हैं कि done क्या दिखता है
• Multi-agent coordination — coordinators जो specialists को delegate करते हैं

Recap

• Claude Managed Agents एजेंट्स को बड़े पैमाने पर बनाने और तैनात करने के लिए APIs का एक सूट है, जो Anthropic के infrastructure पर होस्ट किया गया है।
• यह familiar agent loop को चलाता है — reason, tool को call करो, result को पढ़ो, repeat — एक isolated container के अंदर जिसमें file system access, bash execution, और web search होता है।
• Sessions environments में चलते हैं जिन्हें आप configure करते हैं, parallel में काम करते हैं, और tool calls को real time में आपके app पर वापस stream करते हैं।
• Rubrics और अलग-अलग graders आपको success criteria को परिभाषित करने देते हैं; Claude तब तक iterate करता है जब तक वह उन्हें पूरा न कर दे।
• Memory, MCP servers, custom tools, permissions policies, और multi-agent coordination stateful agent experience को round out करते हैं।
• आप परिभाषित करते हैं कि done क्या दिखता है। Claude तब तक काम करता है जब तक वह वहाँ न पहुँच जाए।