¿Qué son los agentes administrados?

El bucle del agente, alojado para ti

Internamente, esto es un bucle de agente: Claude razona, llama a una herramienta, lee el resultado y repite hasta que el trabajo está terminado. Si has creado agentes antes, probablemente hayas escrito tú mismo este tipo de bucle. Managed agents toma ese mismo bucle y lo aloja en la infraestructura de Anthropic, para que no tengas que ejecutarlo.

Encontrarás Managed Agents en su propia sección de Claude Console.

La mejor manera de entender lo que esto habilita es recorrer algunos ejemplos.

Ejemplo 1: Un tablero Kanban que hace el trabajo

Imagina un tablero Kanban construido sobre agentes administrados. Arrastras un ticket a la columna "en progreso", y eso inicia automáticamente una sesión. Supongamos que el ticket dice "optimizar el rendimiento del sitio web". Esto es lo que sucede:

1. Tu back end crea una sesión.
2. La sesión apunta a un entorno que configuraste con Lighthouse y Puppeteer preinstalados.
3. Tu repositorio de GitHub se monta en el contenedor.

Ahora Claude tiene la base de código, las herramientas y una rúbrica que define cómo se ve el trabajo terminado:

• Puntuación de Lighthouse superior a 90
• Sin recursos que bloqueen el renderizado
• Todas las imágenes con carga diferida (lazy loading)

Claude ejecuta la auditoría, luego comienza a comprimir imágenes, insertar CSS en línea y diferir scripts. Cada llamada a herramienta se transmite de vuelta al tablero en tiempo real a través del flujo de eventos, para que puedas observar el trabajo mientras sucede.

Luego entra en acción la rúbrica. Un evaluador independiente, que se ejecuta en su propia ventana de contexto, evalúa el resultado según tus criterios. Claude lee esa retroalimentación, vuelve a entrar, corrige lo que pasó por alto y vuelve a enviar. En la demostración, ese bucle eleva la puntuación de Lighthouse hasta 96.

Una cosa más: puedes arrastrar un segundo ticket mientras el primero todavía se está ejecutando. Dos sesiones, dos contenedores, dos tareas separadas ejecutándose en paralelo.



Ejemplo 2: Un agente de investigación recurrente con memoria

Aquí hay una forma diferente de agente: uno cuyo trabajo es rastrear precios y cambios de plan en cada herramienta SaaS que tu empresa paga, con un informe listo antes del stand-up.



En cada ejecución, el agente:

• Busca en la web las páginas de precios actuales, verifica cambios en los niveles de plan y señala nuevas funciones que podrían afectar tus contratos
• Ejecuta un análisis de costos en Python dentro del sandbox
• Usa una skill de hoja de cálculo de Excel y redacta un resumen ejecutivo
• Publica un enlace en Slack y crea una tarea de revisión en Asana, ambas a través de servidores MCP

El agente también lee y escribe en un almacén de memoria. Antes de comenzar, verifica lo que encontró la semana pasada. Después de terminar, almacena lo que cambió. Así, el informe del próximo lunes puede decir "los costos de cómputo son un 15% más bajos desde la semana pasada" en lugar de enumerar los mismos datos de precios estáticos cada vez.



Ejemplo 3: Respuesta a incidentes con múltiples agentes

Ahora imagina que se dispara una alerta desde tu stack de monitoreo. Tu back end recibe el payload de la alerta y lo envía a una nueva sesión como mensaje de usuario. Si un agente necesita más información de tu stack de monitoreo, llama a una herramienta personalizada: tu back end la ejecuta y devuelve el resultado a la misma sesión. Esta sesión usa coordinación multiagente:

• Un agente coordinador recibe la alerta y delega en tres especialistas.
• Cada especialista se ejecuta en su propia ventana de contexto en el mismo sistema de archivos compartido.
• Los especialistas informan de vuelta, y el coordinador sintetiza sus hallazgos en un único resumen del incidente.



Antes de que el resumen se envíe a Slack, se activa la política de permisos. Ves el borrador en pantalla, lo apruebas y el mensaje se envía. Las acciones sensibles esperan a un humano.

La memoria une todo esto. El coordinador revisa incidentes pasados en el almacén de memoria y señala un patrón: "esto se parece al problema de resolución de DNS de hace dos semanas que fue causado por un TTL mal configurado." La próxima vez que se dispare una alerta similar, el agente comienza con ese contexto en lugar de diagnosticar desde cero.

Los bloques de construcción

A lo largo de estos ejemplos, managed agents brinda a los desarrolladores las herramientas para ofrecer una experiencia de agente completamente administrada y con estado, construida sobre:

• Agentes — definiciones con herramientas, personas y capacidades específicas
• Sesiones — ejecuciones individuales que inicias desde tu propia aplicación
• Entornos — sandboxes con los paquetes y controles de red adecuados
• Herramientas — incluidas herramientas personalizadas en tu back end
• MCP — conexiones a servicios como Slack y Asana
• Memoria — un almacén que el agente lee antes de comenzar y en el que escribe al terminar
• Resultados — rúbricas y evaluadores que definen y verifican cómo se ve el trabajo terminado
• Coordinación multiagente — coordinadores que delegan en especialistas

Resumen

• Claude Managed Agents es un conjunto de APIs para crear e implementar agentes a gran escala, alojado en la infraestructura de Anthropic.
• Ejecuta el conocido bucle de agente —razonar, llamar a una herramienta, leer el resultado, repetir— dentro de un contenedor aislado con acceso al sistema de archivos, ejecución de bash y búsqueda web.
• Las sesiones se ejecutan en entornos que configuras, funcionan en paralelo y transmiten las llamadas a herramientas de vuelta a tu aplicación en tiempo real.
• Las rúbricas y los evaluadores independientes te permiten definir criterios de éxito; Claude itera hasta cumplirlos.
• La memoria, los servidores MCP, las herramientas personalizadas, las políticas de permisos y la coordinación multiagente completan la experiencia de agente con estado.
• Tú defines cómo se ve el trabajo terminado. Claude trabaja hasta lograrlo.