Que sont les Agents gérés ?

La boucle d'agent, hébergée pour vous

En coulisses, il s'agit d'une boucle d'agent : Claude raisonne, appelle un outil, lit le résultat, et recommence jusqu'à ce que la tâche soit terminée. Si vous avez déjà créé des agents, vous avez probablement écrit ce type de boucle vous-même. Les Agents gérés reprennent cette même boucle et l'hébergent sur l'infrastructure d'Anthropic, afin que vous n'ayez pas à l'exécuter vous-même.

Vous trouverez les Agents gérés dans leur propre section de la Claude Console.

La meilleure façon de comprendre ce que cela permet est de parcourir quelques exemples.

Exemple 1 : un tableau Kanban qui fait le travail

Imaginez un tableau Kanban reposant sur des Agents gérés. Vous faites glisser un ticket dans la colonne « en cours », ce qui déclenche automatiquement une session. Disons que le ticket indique « optimiser les performances du site web ». Voici ce qui se passe :

1. Votre back-end crée une session.
2. La session pointe vers un environnement que vous avez configuré avec Lighthouse et Puppeteer préinstallés.
3. Votre dépôt GitHub est monté dans le conteneur.

Claude dispose désormais de la base de code, des outils et d'une grille d'évaluation qui définit à quoi ressemble la réussite de la tâche :

• Score Lighthouse supérieur à 90
• Aucune ressource bloquant le rendu
• Toutes les images chargées de manière différée (lazy loading)

Claude exécute l'audit, puis commence à compresser les images, à intégrer le CSS en ligne et à différer les scripts. Chaque appel d'outil est renvoyé en temps réel vers le tableau via le flux d'événements, ce qui vous permet d'observer le travail au fur et à mesure qu'il se déroule.

La grille d'évaluation entre alors en jeu. Un évaluateur distinct, s'exécutant dans sa propre fenêtre de contexte, évalue le résultat par rapport à vos critères. Claude lit ce retour, reprend le travail, corrige ce qu'il a manqué, puis soumet à nouveau. Dans la démonstration, cette boucle fait passer le score Lighthouse à 96.

Autre point important : vous pouvez faire glisser un second ticket pendant que le premier est encore en cours d'exécution. Deux sessions, deux conteneurs, deux tâches distinctes s'exécutant en parallèle.



Exemple 2 : un agent de recherche récurrent doté de mémoire

Voici une forme différente d'agent : un agent dont la tâche consiste à suivre les prix et les changements de forfait pour chaque outil SaaS payé par votre entreprise, avec un rapport prêt avant le stand-up.



À chaque exécution, l'agent :

• Recherche sur le web les pages de tarification actuelles, vérifie les changements de niveau de forfait et signale les nouvelles fonctionnalités susceptibles d'affecter vos contrats
• Exécute une analyse des coûts en Python dans le sandbox
• Utilise un Skill de feuille de calcul Excel et rédige un résumé exécutif
• Publie un lien sur Slack et crée une tâche de révision dans Asana, les deux via des serveurs MCP

L'agent lit également et écrit dans un espace de stockage de mémoire. Avant de commencer, il vérifie ce qu'il a trouvé la semaine précédente. Une fois terminé, il enregistre ce qui a changé. Ainsi, le rapport du lundi suivant peut indiquer « les coûts de calcul ont baissé de 15 % depuis la semaine dernière » au lieu de lister les mêmes données de tarification statiques à chaque fois.



Exemple 3 : réponse aux incidents avec plusieurs agents

Imaginez maintenant qu'une alerte se déclenche depuis votre pile de supervision. Votre back-end reçoit la charge utile de l'alerte et l'envoie dans une nouvelle session sous forme de message utilisateur. Si un agent a besoin de plus d'informations de votre pile de supervision, il appelle un outil personnalisé : votre back-end l'exécute et renvoie le résultat à la même session. Cette session utilise la coordination multi-agents :

• Un agent coordinateur reçoit l'alerte et délègue à trois spécialistes.
• Chaque spécialiste s'exécute dans sa propre fenêtre de contexte sur le même système de fichiers partagé.
• Les spécialistes rendent compte, et le coordinateur synthétise leurs conclusions en un résumé d'incident unique.



Avant que le résumé ne soit envoyé sur Slack, la politique d'autorisation se déclenche. Vous voyez le brouillon à l'écran, vous l'approuvez, et le message est envoyé. Les actions sensibles attendent l'intervention d'un humain.

La mémoire relie tout cela. Le coordinateur vérifie les incidents passés dans l'espace de stockage de mémoire et signale un schéma : « cela ressemble au problème de résolution DNS d'il y a deux semaines, causé par un TTL mal configuré ». La prochaine fois qu'une alerte similaire se déclenche, l'agent démarre avec ce contexte au lieu de diagnostiquer à partir de zéro.

Les éléments constitutifs

Dans tous ces exemples, les Agents gérés offrent aux développeurs les outils nécessaires pour proposer une expérience d'agent entièrement gérée et avec état, reposant sur :

• Agents — des définitions avec des outils, des personas et des capacités spécifiques
• Sessions — des exécutions individuelles que vous déclenchez depuis votre propre application
• Environnements — des sandboxes avec les bons packages et contrôles réseau
• Outils — y compris des outils personnalisés sur votre back-end
• MCP — des connexions à des services comme Slack et Asana
• Mémoire — un espace de stockage que l'agent lit avant de commencer et dans lequel il écrit une fois terminé
• Résultats — des grilles d'évaluation et des évaluateurs qui définissent et vérifient à quoi ressemble la réussite de la tâche
• Coordination multi-agents — des coordinateurs délégant à des spécialistes

Récapitulatif

• Claude Agents gérés est une suite d'API permettant de créer et de déployer des agents à grande échelle, hébergée sur l'infrastructure d'Anthropic.
• Elle exécute la boucle d'agent familière — raisonner, appeler un outil, lire le résultat, recommencer — à l'intérieur d'un conteneur isolé avec accès au système de fichiers, exécution de commandes bash et recherche web.
• Les sessions s'exécutent dans des environnements que vous configurez, fonctionnent en parallèle et diffusent les appels d'outils vers votre application en temps réel.
• Les grilles d'évaluation et des évaluateurs distincts vous permettent de définir des critères de réussite ; Claude itère jusqu'à ce qu'il les remplisse.
• La mémoire, les serveurs MCP, les outils personnalisés, les politiques d'autorisation et la coordination multi-agents complètent l'expérience d'agent avec état.
• Vous définissez à quoi ressemble la réussite de la tâche. Claude travaille jusqu'à ce qu'il y parvienne.