Запуск Claude Managed Agents

Claude Managed Agents — это готовая, конфигурируемая агентная обвязка, работающая в управляемой инфраструктуре. Вы определяете агента как шаблон, а система обеспечивает исполнение, безопасность и масштабируемость для задач с длительным горизонтом.

Это AI-перевод статьи, сделанный каналом Про AI: Лучшие Статьи и Исследования.

Запуск Claude Managed Agents

Launching Claude Managed Agents Автор: Lance Martin Оригинальный текст:

TL;DR — Claude Managed Agents — это готовая конфигурируемая агентная обвязка, работающая в управляемой инфраструктуре. Вы определяете агента как шаблон: инструменты, навыки, файлы и репозитории. Обвязка агента и инфраструктура предоставляются вам. Система спроектирована так, чтобы не отставать от стремительно растущего интеллекта Claude и поддерживать задачи с длительным горизонтом выполнения. Полезные ссылки:

• [Блог Claude:](https://claude.com/blog/claude-managed-agents) паттерны использования и примеры клиентов
• [Инженерный блог:](https://www.anthropic.com/engineering/managed-agents) архитектура Claude Managed Agents
• [Документация:](https://platform.claude.com/docs/en/managed-agents/quickstart) онбординг, быстрый старт, обзор CLI и SDK

Зачем нужен Claude Managed Agents

Messages API Claude — это прямой доступ к модели: он принимает сообщения и возвращает блоки контента. Агенты, построенные поверх Messages API, используют обвязку для маршрутизации вызовов инструментов Claude и управления контекстом. Это порождает ряд сложностей:

• Обвязки должны успевать за Claude — недавно я написал пост о создании агентов с использованием примитивов Claude API для оркестрации инструментов и управления контекстом. Но агентные обвязки закладывают предположения о том, чего Claude не может делать. Эти предположения устаревают по мере роста возможностей Claude и становятся узким местом для его производительности. Обвязки необходимо постоянно обновлять, чтобы идти в ногу с Claude.

• Claude работает всё дольше — горизонт задач Claude растёт экспоненциально и уже превышает 10 человеко-часов работы по бенчмарку METR. Это создаёт давление на инфраструктуру вокруг агента: она должна быть безопасной, устойчивой к сбоям, возникающим при длительных задачах, и поддерживать масштабирование (например, до множества агентных команд).

Решение этих задач важно, потому что мы ожидаем, что будущий Claude будет работать днями, неделями или месяцами над величайшими вызовами человечества. Claude Agent SDK стал первым шагом, предоставив отличную универсальную агентную обвязку. Claude Managed Agents — следующий шаг в этом развитии: система с обвязкой и управляемой инфраструктурой, спроектированная для безопасного и надёжного выполнения задач в том временном горизонте, в котором мы ожидаем работу Claude.

Как начать

Простой способ начать — использовать наш open-source навык claude-api, который работает «из коробки» в Claude Code. Установите последнюю версию Claude Code и выполните следующую подкоманду для онбординга в Claude Managed Agents. Мне нравится идея навыков как способа знакомства с новыми функциями, и я активно использовал этот навык:

$ claude update
$ claude
/claude-api managed-agents-onboarding

Также смотрите документацию для быстрого старта с SDK или CLI, и прототипируйте агентов в Claude Console.

Сценарии использования

В блоге Claude можно найти множество интересных примеров. Вот наиболее распространённые паттерны, которые я заметил в этих примерах и собственной работе:

• По событию: сервис запускает Managed Agent для выполнения задачи. Например, система обнаруживает баг, и управляемый агент пишет патч и открывает PR. Никакого участия человека между обнаружением и действием.

• По расписанию: Managed Agent запускается по расписанию. Например, я и многие другие используем этот паттерн для ежедневных сводок (например, активности в X или GitHub, над чем работает команда агентов). Вот пример ежедневной сводки активности в X, которую я использую.

• «Выстрелил и забыл»: люди запускают Managed Agent для выполнения задачи. Например, назначают задачи агенту через Slack или Teams и получают готовые результаты (таблицы, слайды, приложения).

• Задачи с длинным горизонтом: длительные задачи — это область, где Managed Agents будут особенно полезны. Я исследовал это, форкнув репозиторий auto-research от @karpathy и пробуя разные идеи. Например, недавно я взял отличную библиотеку pretext от @_chenglou и поручил Managed Agent исследовать способы её применения к контенту нашего инженерного блога.

Ключевые концепции

При онбординге нужно понять три центральных концепции:

• Agent (агент) — версионированная конфигурация, определяющая идентичность агента: модель, системный промпт, инструменты, навыки, MCP-серверы и т.д. Вы создаёте его один раз и обращаетесь к нему по ID.

• Environment (окружение) — шаблон, описывающий как создать песочницу для инструментов агента (например, тип среды выполнения, сетевая политика и конфигурация пакетов).

• Session (сессия) — stateful-запуск с использованием заранее созданных конфигурации агента и окружения. Создаёт чистую песочницу из шаблона окружения, подключает ресурсы для конкретного запуска (файлы, GitHub-репозитории), хранит авторизацию в безопасном хранилище (MCP-учётные данные).

Думайте об агенте как о конфигурации, об окружении — как о шаблоне, описывающем песочницу, к которой агент получает доступ для выполнения кода, а о сессии — как о любом запуске агента. Один агент может иметь множество сессий.

Использование

Смотрите документацию:

• SDK — программные интерфейсы: импортируйте их в ваше приложение для управления сессиями в runtime (среде выполнения). Шесть языков поддерживают Managed Agents: Python, TypeScript, Java, Go, Ruby, PHP.

• CLI — интерфейс командной строки: каждый ресурс API (агенты, окружения, сессии, хранилища, навыки, файлы) представлен как подкоманда.

• Типичные паттерны — используйте CLI для настройки и SDK для runtime. Шаблоны агентов персистентны: вы создаёте один, сохраняете его (например, как YAML с моделью, системным промптом, инструментами, MCP-серверами, навыками в git) и применяете через CLI в вашем pipeline (пайплайне) развёртывания.

Как это устроено

Я написал пост в инженерном блоге Anthropic совместно с @mc_anthropic, @gcemaj и @jkeatn о процессе создания Claude Managed Agents. Один из уроков, которым мы делимся в посте: масштабирование агентов под интеллект Claude — это инфраструктурная задача, а не просто вопрос проектирования обвязки.

С учётом этого мы не стали проектировать какую-то конкретную агентную обвязку — мы ожидаем, что обвязки будут постоянно эволюционировать. Вместо этого мы разделили то, что мы считали «мозгом» (Claude и его обвязка), «руками» (песочницы и инструменты, выполняющие действия) и «сессией» (журнал событий сессии).

Каждый компонент стал интерфейсом с минимумом предположений о других, и каждый мог отказать или быть заменён независимо. Мы рассказываем, как это обеспечивает системе надёжность, безопасность и гибкость для добавления новых обвязок, песочниц или инфраструктуры для хранения сессий.

Заключение

Меня вдохновляют проекты, исследующие различные паттерны мультиагентной оркестрации или длительных задач. Одной из моих фрустраций было поддержание агентных обвязок в актуальном состоянии относительно возможностей модели. Claude Managed Agents берёт на себя агентную обвязку и инфраструктуру, позволяя сосредоточиться на исследованиях поверх агента как нового базового примитива в Claude API.

Подпишитесь на канал и каждый день читайте лучшие материалы про AI переведенные на русский!

Нашли интересную статью для перевода? Пришлите нашему боту: @ailongreadsbot