Claude Managed Agents – 10x schnellere Produktion

 (claude.com)
25 Punkte von GN⁺ 21 일 전 | 1 Kommentare | Auf WhatsApp teilen
  • Eine kombinierbare API-Produkt-Suite, mit der sich große Agenten in Cloud-Umgebungen aufbauen und bereitstellen lassen, sodass sich Prototypen innerhalb weniger Tage in die Produktion überführen lassen
  • Verarbeitet produktive Infrastruktur automatisch – darunter sicheres Sandboxing, Verwaltung von Zugangsdaten und Berechtigungssteuerung –, sodass sich Nutzer nur auf die Definition der Aufgaben konzentrieren können
  • Unterstützt lang laufende Sitzungen, Zusammenarbeit mehrerer Agenten und vertrauensbasierte Governance und ist eng mit den Claude-Modellen integriert, um autonome Iteration und bessere Leistung zu ermöglichen
  • Führende Unternehmen wie Notion, Rakuten, Asana und Sentry nutzen dies bereits für 10x schnellere Deployments und automatisierte Workflows
  • Wird mit nutzungsbasierter Abrechnung angeboten und ist eine Plattform, die betriebliche Effizienz und Entwicklerproduktivität grundlegend verbessert

Überblick über Claude Managed Agents

  • Claude Managed Agents sind eine kombinierbare API-Produkt-Suite, mit der sich große Agenten in der Cloud entwickeln und bereitstellen lassen; sie werden als Public Beta angeboten
  • Bisher dauerte die Entwicklung von Agenten oft Monate, weil Sicherheitsinfrastruktur, Zustandsverwaltung, Berechtigungssteuerung und die Anpassung an Modell-Upgrades berücksichtigt werden mussten. Managed Agents ermöglichen nun den Übergang vom Prototyp in die Produktion innerhalb weniger Tage
  • Unterstützt werden sowohl einzelne Task-Runner als auch komplexe Multi-Agent-Pipelines, sodass sich Nutzer ohne operativen Overhead auf die User Experience konzentrieren können

10x schnellerer Aufbau und Rollout von Agenten

  • Für die Bereitstellung produktionsreifer Agenten braucht es Sandboxed Code-Ausführung, Checkpoints, Verwaltung von Zugangsdaten, Definition von Berechtigungsgrenzen und End-to-End-Tracking
  • Managed Agents übernimmt diese Komplexität, sodass Nutzer nur noch Aufgaben, Tools und Guardrails definieren müssen
  • Das integrierte Orchestration Harness automatisiert den Zeitpunkt von Tool-Aufrufen, Kontextverwaltung und Fehlerbehebung
  • Wichtige Funktionen:
    • Produktionsreife Agenten: sicheres Sandboxing, Authentifizierung und automatische Tool-Ausführung
    • Lang laufende Sitzungen: autonomer Betrieb über mehrere Stunden hinweg; Fortschritt und Ausgaben bleiben auch bei Verbindungsabbrüchen erhalten
    • Zusammenarbeit mehrerer Agenten: andere Agenten erzeugen und anweisen, um komplexe Aufgaben parallel auszuführen (Research Preview)
    • Vertrauensbasierte Governance: integrierte Berechtigungsbereiche, ID-Verwaltung und Ausführungs-Tracking

Integrationsdesign mit Claude-Modellen

  • Die Claude-Modelle sind für agentenzentrierte Aufgaben optimiert, und Managed Agents wurde so entworfen, dass dieses Potenzial maximal genutzt wird
  • Nutzer müssen nur noch Ergebnisse und Erfolgskriterien definieren; Claude bewertet und iteriert selbstständig, um das Ziel zu erreichen (als Research Preview verfügbar)
  • Bei Bedarf werden auch bestehende Prompt-Antwort-Workflows unterstützt
  • In internen Tests wurde bei Aufgaben zur strukturierten Dateierstellung eine Leistungssteigerung von bis zu 10 Punkten gegenüber Standard-Prompt-Loops erzielt
  • Session-Tracking, integrierte Analysen und Troubleshooting-Guides sind in die Claude Console eingebaut, sodass sich alle Tool-Aufrufe und Entscheidungsprozesse prüfen lassen

Praxisbeispiele

  • Verschiedene Teams haben mit Managed Agents 10x schnellere Produktions-Deployments erreicht
    • Coding-Agenten: Analyse von Codebases, Erstellung von Änderungsplänen, Generierung von PRs
    • Produktivitäts-Agenten: Mitarbeit an Projekten, Ausführung von Aufgaben, Lieferung von Ergebnissen
    • Finanz- und Rechts-Agenten: Dokumentenverarbeitung und Extraktion zentraler Informationen
  • Beispiele aus führenden Unternehmen:

    • Notion

      • Betrieb einer Alpha-Version von Custom Agents, mit der sich Aufgaben direkt innerhalb des Workspace an Claude delegieren lassen
      • Engineers können Code deployen, Wissensarbeiter parallel Dutzende Aufgaben wie Websites oder Präsentationen erstellen

    • Rakuten

      • Bereitstellung eines in Slack und Teams integrierten unternehmensweiten Agenten für Produkt, Vertrieb, Marketing, Finanzen und HR
      • Jeder spezialisierte Agent wurde innerhalb einer Woche bereitgestellt

    • Asana

      • Integration von Agenten, die mit Menschen zusammenarbeiten, über AI Teammates in Projekte
      • Erweiterte Funktionen wurden mit Managed Agents innerhalb weniger Wochen umgesetzt

    • Vibecode

      • Aufbau einer AI-nativen App-Infrastruktur, die von Prompts bis zum App-Deployment reicht, mit Managed Agents
      • Dieselbe Infrastruktur ließ sich 10x schneller aufbauen

    • Sentry

      • Kombination des Debugging-Agenten Seer mit einem Claude-basierten Agenten zum Schreiben von Patches
      • Automatisierung vom Bug-Fund bis zur PR-Erstellung in einem einzigen Flow, wobei eine zuvor monatelange Integration in wenigen Wochen abgeschlossen wurde

Kundenstimmen

  • Ansh Nanda (Mitgründer): Früher mussten LLMs manuell in Sandboxes verwaltet werden, heute lässt sich mit ein paar Zeilen Code eine 10x schnellere Infrastruktur aufbauen; ein starker Anstieg AI-nativer Apps wird erwartet
  • Indragie Karunaratne (Director of AI/ML Engineering bei Sentry): Managed Agents bietet eine sichere, vollständig gemanagte Runtime, verbessert die Developer Experience und beseitigt operativen Aufwand
  • Sanchan Saxena (Head of Product bei Atlassian): Durch die Integration von Agenten in Jira-Workflows und die Automatisierung von Sandboxing, Sessions und Berechtigungsverwaltung steigt die Engineering-Effizienz
  • Javed Qadrud-Din (CTO): Managed Agents kann benötigte Tools direkt zur Laufzeit erzeugen und damit alle Nutzeranfragen verarbeiten; die Entwicklungszeit wurde um den Faktor 10 verkürzt
  • John Han (Mitgründer): Ein Agent zur Meeting-Vorbereitung ließ sich innerhalb weniger Tage auf Produktionsniveau umsetzen, inklusive automatischer Anbindung externer Systeme und Websuche
  • Eric Liu (PM bei Notion): Lang laufende Sessions und Memory Management ermöglichen die Delegation komplexer, offener Aufgaben
  • Yusuke Kaji (Leiter AI bei Rakuten): Fachspezifische Agenten für einzelne Bereiche wurden innerhalb einer Woche ausgerollt, was sichere Skalierung und demokratisierte Innovation ermöglicht
  • Amritansh Raghav (CTO von Asana): Die Entwicklungsgeschwindigkeit von AI Teammates wurde deutlich beschleunigt, während die Collaboration Experience auf Enterprise-Niveau gestärkt wurde

Erste Schritte

  • Managed Agents wird nutzungsbasiert abgerechnet; zusätzlich zu den Standard-Tokenpreisen der Claude Platform fallen $0.08 pro Sitzungsstunde an
  • Details zu den Preisen gibt es in der offiziellen Dokumentation
  • Der erste Agent kann über die Claude Console oder die CLI bereitgestellt werden; unterstützt wird auch die Integration mit Claude Code und dem claude-api Skill
  • Mit dem Befehl start onboarding for managed agents in Claude API kann das Onboarding gestartet werden

Transformation des organisatorischen Betriebs

  • Managed Agents ist ein Tool, das die Arbeitsweise von Organisationen grundlegend verändern kann,
    indem es Entwickler und Teams dabei unterstützt, sich statt auf Infrastruktur auf Produktivität und User Experience zu konzentrieren
  • Über die Claude Platform sind kontinuierliche Updates und der Ausbau der Community geplant

Verwandte Beiträge

1 Kommentare

 
GN⁺ 21 일 전
Hacker-News-Kommentare

  • Ich habe den Verdacht, dass das am Ende zu einer optimalen Orchestrierung führt
    Open Source bringt womöglich nicht rechtzeitig eine bessere Alternative hervor
    Die beste Leistung habe ich bisher gesehen, wenn man Agents verschiedener Unternehmen mischt
    Wichtiger als der „Planner“ ist der „Worker“. Manche Agents sind bei bestimmten Aufgaben deutlich besser
    Zum Beispiel ist Opus 4.6 bei der Bug-Erkennung mit GPT 5.4 xhigh überhaupt nicht vergleichbar
    So wie in der realen Welt unterschiedliche Denkweisen die Robustheit eines Teams erhöhen, zeigt auch eine Mischung von Agents einen ähnlichen Effekt

    • Wenn Anthropic die beste Version bauen will, muss das Unternehmen in allen Detailaufgaben (technische Dokumentation, Diagramme, Bug-Erkennung usw.) alle anderen AI-Unternehmen schlagen
      Aber sie werden innerhalb ihres Stacks kaum erlauben, externe Modelle wie Codex aufzurufen
    • Was mir Sorgen macht, ist die Möglichkeit, dass das in einer optimalen Orchestrierungssprache endet
      Was wäre zum Beispiel, wenn Claude die gesamte Kommunikation zwischen Agents in Sumerisch umwandelt?
      Dann könnte ein bestimmtes Unternehmen die Expertise für diese Sprache exklusiv kontrollieren
    • Für mich war es auch am besten, Modelle mehrerer Unternehmen zu mischen
      Spezifikation mit Opus schreiben → mit Gemini überarbeiten → wieder mit Opus Feedback holen → ich prüfe → mit Qwen3.5 bauen → mit Opus reviewen
      Dieser Ablauf war perfekt, wurde aber zerstört, als Anthropic seine Richtlinien geändert hat
    • Im Moment wirken AI-Unternehmen wie Hummer in einem Eimer
      Wenn ein Unternehmen ein geschlossenes Modell herausbringt, analysieren andere es, verbessern es und veröffentlichen es als Open Source
      Am Ende halten sie sich gegenseitig auf, und später könnte es sogar wie ein Kartell werden

  • Man sieht, dass Anthropic Entwickler auf die eigene Plattform ziehen will
    Für einen IPO müssen sie mehr sein als nur ein Modellanbieter, nämlich ein Plattformunternehmen
    Alles, was sie gerade tun, zeigt in diese Richtung

  • Ich nutze Claude Code täglich, aber Kundensysteme von Anthropic abhängig zu machen, ist riskant
    Quality Engineering ist nicht ihre Stärke. Auch die Verfügbarkeit ist problematisch, wenn sie nur auf „single 9“-Niveau liegt

  • Wir sind gerade in der Frühphase von Agent-Frameworks, ein bisschen wie das Web vor PHP
    Jede Woche kommen neue Muster und Modelle heraus, und alle Frameworks werden wieder neu gebaut
    LangChain versucht, so etwas wie Next.js/Vercel zu werden, aber die meisten empfehlen, selbst zu bauen
    Anthropic wird mit einer Lösung mit niedriger Einstiegshürde eine gewisse Nachfrage bekommen, weil sie die Modelle selbst besitzen, aber Lock-in und das Tempo des technischen Wandels bleiben Probleme

    • Da stimme ich zu. Im Moment ist das die Phase, in der Hunderte halbfertige Lösungen in Blogs oder auf GitHub herumfliegen
      LangChain kommt dem am nächsten, fühlt sich aber immer noch stark nach DIY an
      Außerdem mischt gerade jeder andere Vector-DBs und Reranking-Modelle zusammen

  • Ich habe selbst gerade etwas Ähnliches gebaut und war überrascht, dass Anthropics Ansatz wie eine parallele Idee wirkt
    Man sollte es unbedingt vermeiden, an einen einzelnen Modellanbieter gebunden zu sein
    Für kleine Teams mag das okay sein, aber in komplexen Systemen ist es selbstmörderisch
    Man sollte mehrere Modelle vergleichen und kombinieren und sie im eigenen Stil verwalten. Wie beim Kochen braucht man je nach Situation andere Geschmacksrichtungen

    • Tatsächlich bauen gerade alle etwas Ähnliches. Es gibt nur begrenzt viele Richtungen, in die man gehen kann
    • Ich frage mich, ob man Lock-in nur wegen der Leistung vermeiden sollte oder auch deshalb, weil Anthropic Telemetriedaten nutzen und später zum Konkurrenten werden könnte
    • Ich sehe das genauso. So ein System auf einer Aggregationsplattform wie openrouter aufzusetzen, ist ziemlich einfach

  • Die Seite, die diese Agents gebaut haben, war so kaputt, dass sich die Review-Texte überlappten und man nichts lesen konnte

    • Ich habe sogar nur einen schwarzen Bildschirm gesehen

  • Ich betreibe einen Docker-Container, der mit dem Anthropic Agentic SDK eine Jekyll-Seite baut
    Die Infrastruktur aufzusetzen war nicht schwer, die eigentliche Schwierigkeit war, den Agent dazu zu bringen, sich wie gewünscht zu verhalten
    Vielleicht wechsle ich irgendwann zu einem anderen Anbieter oder zu Self-Hosting, deshalb möchte ich mir die Freiheit bewahren

  • Ich werde weiterhin die Kombination aus pydantic ai und dbos/temporal/celery verwenden
    Ich möchte nicht an einen bestimmten Anbieter gebunden sein. Ich will jedes beliebige LLM frei nutzen können
    Wir müssen die Entwicklung von Open-Source-Orchestrierung weiter vorantreiben

  • Sieht auf den ersten Blick cool aus, könnte aber eine Kostenfalle werden
    Wie bei AWS werden bei Unachtsamkeit Tausende Agents laufen und die Rechnung explodiert
    Für Anthropic dürfte das ein enormes Umsatzmodell sein

  • Diese Richtung war absehbar
    Es ist ein einfacher Weg, den Umsatz zu steigern und den Lock-in der Nutzer zu verstärken, ohne die Modelle intelligenter zu machen
    Eine passende Analyse steht in diesem Artikel