Was sind Managed Agents?

Die Agenten-Schleife, für dich gehostet

Im Hintergrund handelt es sich dabei um eine Agenten-Schleife: Claude denkt nach, ruft ein Tool auf, liest das Ergebnis und wiederholt das, bis die Aufgabe erledigt ist. Wenn du schon einmal Agenten gebaut hast, hast du diese Art von Schleife wahrscheinlich selbst geschrieben. Managed Agents nimmt genau diese Schleife und hostet sie auf Anthropics Infrastruktur, sodass du sie nicht selbst betreiben musst.

Du findest Managed Agents in einem eigenen Bereich der Claude Console.

Der beste Weg, um zu verstehen, was dadurch möglich wird, ist, ein paar Beispiele durchzugehen.

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

Stell dir ein Kanban-Board vor, das auf Managed Agents aufbaut. Du ziehst ein Ticket in die Spalte „In Bearbeitung", und das löst automatisch eine Session aus. Angenommen, das Ticket lautet „Website-Performance optimieren". Folgendes passiert:

1. Dein Backend erstellt eine Session.
2. Die Session verweist auf eine Umgebung, die du mit vorinstalliertem Lighthouse und Puppeteer konfiguriert hast.
3. Dein GitHub-Repo wird in den Container eingebunden.

Jetzt hat Claude die Codebasis, die Tools und eine Bewertungsvorlage (Rubric), die definiert, wie „fertig" aussieht:

• Lighthouse-Score über 90
• Keine render-blockierenden Ressourcen
• Alle Bilder werden lazy geladen

Claude führt das Audit durch und beginnt dann, Bilder zu komprimieren, CSS inline einzubinden und Skripte zu verzögern. Jeder Tool-Aufruf wird in Echtzeit über den Event-Stream an das Board zurückgestreamt, sodass du die Arbeit live mitverfolgen kannst.

Dann greift die Bewertungsvorlage. Ein separater Grader, der in seinem eigenen Kontextfenster läuft, bewertet die Ausgabe anhand deiner Kriterien. Claude liest dieses Feedback, geht zurück, behebt, was übersehen wurde, und reicht erneut ein. In der Demo bringt diese Schleife den Lighthouse-Score auf 96.

Noch etwas: Du kannst ein zweites Ticket hinüberziehen, während das erste noch läuft. Zwei Sessions, zwei Container, zwei separate Aufgaben, die parallel laufen.



Beispiel 2: Ein wiederkehrender Recherche-Agent mit Gedächtnis

Hier ist eine andere Art von Agent: einer, dessen Aufgabe es ist, Preise zu verfolgen und Tarifänderungen bei jedem SaaS-Tool zu planen, das dein Unternehmen bezahlt, mit einem Bericht, der vor dem Stand-up fertig ist.



Bei jedem Durchlauf macht der Agent Folgendes:

• Durchsucht das Web nach aktuellen Preisseiten, prüft auf Änderungen der Tarifstufen und markiert neue Funktionen, die sich auf deine Verträge auswirken könnten
• Führt eine Kostenanalyse in Python innerhalb der Sandbox durch
• Nutzt einen Excel-Tabellen-Skill und schreibt eine Management-Zusammenfassung
• Postet einen Link in Slack und erstellt eine Review-Aufgabe in Asana, beides über MCP-Server

Der Agent liest außerdem aus einem Gedächtnisspeicher und schreibt in diesen. Bevor er startet, prüft er, was er letzte Woche herausgefunden hat. Nachdem er fertig ist, speichert er, was sich geändert hat. So kann der Bericht am nächsten Montag sagen: „Die Rechenkosten sind seit letzter Woche um 15 % gesunken", anstatt jedes Mal dieselben statischen Preisdaten aufzulisten.



Beispiel 3: Incident Response mit mehreren Agenten

Stell dir nun vor, ein Alert wird von deinem Monitoring-Stack ausgelöst. Dein Backend empfängt die Alert-Payload und sendet sie als Nutzernachricht in eine neue Session. Wenn ein Agent mehr von deinem Monitoring-Stack benötigt, ruft er ein benutzerdefiniertes Tool auf: Dein Backend führt es aus und gibt das Ergebnis an dieselbe Session zurück. Diese Session nutzt Multi-Agenten-Koordination:

• Ein Koordinator-Agent empfängt den Alert und delegiert an drei Spezialisten.
• Jeder Spezialist läuft in seinem eigenen Kontextfenster auf demselben gemeinsamen Dateisystem.
• Die Spezialisten melden zurück, und der Koordinator fasst ihre Erkenntnisse zu einer einzigen Incident-Zusammenfassung zusammen.



Bevor die Zusammenfassung an Slack geht, greift die Berechtigungsrichtlinie. Du siehst den Entwurf auf dem Bildschirm, genehmigst ihn, und die Nachricht wird versendet. Sensible Aktionen warten auf einen Menschen.

Das Gedächtnis verbindet all dies miteinander. Der Koordinator prüft frühere Incidents im Gedächtnisspeicher und erkennt ein Muster: „Das sieht aus wie das DNS-Auflösungsproblem von vor zwei Wochen, das durch eine falsch konfigurierte TTL verursacht wurde." Wenn das nächste Mal ein ähnlicher Alert ausgelöst wird, startet der Agent mit diesem Kontext, anstatt von Grund auf neu zu diagnostizieren.

Die Bausteine

In all diesen Beispielen gibt Managed Agents Entwicklern die Tools an die Hand, um eine vollständig verwaltete, zustandsbehaftete Agenten-Erfahrung zu liefern, die auf Folgendem aufbaut:

• Agenten — Definitionen mit bestimmten Tools, Personas und Fähigkeiten
• Sessions — einzelne Durchläufe, die du aus deiner eigenen Anwendung heraus startest
• Umgebungen — Sandboxes mit den richtigen Paketen und Netzwerkkontrollen
• Tools — einschließlich benutzerdefinierter Tools auf deinem Backend
• MCP — Verbindungen zu Diensten wie Slack und Asana
• Gedächtnis — ein Speicher, den der Agent vor dem Start liest und nach Abschluss beschreibt
• Ergebnisse — Bewertungsvorlagen und Grader, die definieren und prüfen, wie „fertig" aussieht
• Multi-Agenten-Koordination — Koordinatoren, die an Spezialisten delegieren

Zusammenfassung

• Claude Managed Agents ist eine Suite von APIs zum Erstellen und Bereitstellen von Agenten im großen Maßstab, gehostet auf Anthropics Infrastruktur.
• Es führt die vertraute Agenten-Schleife aus — nachdenken, ein Tool aufrufen, das Ergebnis lesen, wiederholen — innerhalb eines isolierten Containers mit Dateisystem-Zugriff, Bash-Ausführung und Websuche.
• Sessions laufen in von dir konfigurierten Umgebungen, arbeiten parallel und streamen Tool-Aufrufe in Echtzeit an deine App zurück.
• Bewertungsvorlagen und separate Grader ermöglichen es dir, Erfolgskriterien zu definieren; Claude iteriert, bis es diese erfüllt.
• Gedächtnis, MCP-Server, benutzerdefinierte Tools, Berechtigungsrichtlinien und Multi-Agenten-Koordination runden die zustandsbehaftete Agenten-Erfahrung ab.
• Du definierst, wie „fertig" aussieht. Claude arbeitet, bis es dort ankommt.