Was sind Claude Managed Agents? Architektur, Funktionsweise und Einsatzmöglichkeiten

Die Entwicklung eines KI-Agenten ist nicht deshalb schwierig, weil der Aufruf eines LLM kompliziert wäre. Die größere Herausforderung liegt in allem, was das Modell umgibt: die Agenten-Schleife, Werkzeugausführung, Sandbox, Status, Laufzeit und Berechtigungen, die erforderlich sind, damit ein Agent eine Aufgabe tatsächlich abschließen kann.

Claude Managed Agents bündelt diese Infrastruktur in einer verwalteten Agenten-Laufzeitumgebung, sodass Entwickler einen Agenten konfigurieren können und Anthropic einen Großteil der zugrunde liegenden Ausführungsinfrastruktur übernimmt.

Was sind Claude Managed Agents?

Claude Managed Agents ist die vorgefertigte, konfigurierbare Agenten-Umgebung von Anthropic, die in einer verwalteten Infrastruktur läuft, konzipiert für langlebige und asynchrone Agenten-Workloads. Sie bietet Agenten Zugriff auf Werkzeuge, Ausführungsumgebungen, Sitzungen und die weitere Infrastruktur, die für die Erledigung mehrstufiger Aufgaben erforderlich ist.

Am einfachsten lässt sich Managed Agents im Vergleich zur Messages API von Anthropic verstehen.

Bei der Messages APIerhalten Sie direkten Zugriff auf Claude. Ihre Anwendung ist dafür verantwortlich, die Agenten-Schleife um das Modell herum aufzubauen: den Gesprächsverlauf zu pflegen, zu entscheiden, wann Werkzeuge aufgerufen werden, diese auszuführen, die Ergebnisse an Claude zurückzugeben und zu bestimmen, wann die Aufgabe abgeschlossen ist.

Bei Claude Managed Agentsstellt Anthropic die Agenten-Umgebung und die Infrastruktur rund um das Modell bereit. Anstatt die gesamte Ausführungsschleife selbst zu implementieren, konfigurieren Sie einen Agenten und seine Umgebung und erstellen dann Sitzungen, in denen der Agent Aufgaben ausführen kann.

Der Unterschied lässt sich wie folgt zusammenfassen:

Alles läuft hinter der managed-agents-2026-04-01 Beta-Header, der von den offiziellen SDKs automatisch für Sie gesetzt wird. Der Zugriff ist bei API-Konten standardmäßig aktiviert. Der Dienst ist zudem über die Claude-Plattform auf AWS verfügbar, wobei es Unterschiede bei der Funktionsverfügbarkeit und dem Sitzungsverhalten geben kann. Anthropic nennt Notion, Rakuten und Sentry als einige der ersten Teams, die darauf aufbauen.

Das Wort, das bei „Anthropic Managed Agents“ die meiste Arbeit leistet, ist managed. Sie erhalten kein neues Modell und keine neuen Fähigkeiten – Claude konnte bereits zuvor Tools verwenden. Was Sie erhalten, ist das Operations-Team eines anderen Anbieters.

Wie funktionieren Claude Managed Agents?

Der Lebenszyklus umfasst fünf Schritte. Es lohnt sich, diese zu verstehen, da jeder Schritt einer Ressource entspricht, die Sie erstellen und für die Sie bezahlen.

1. Einen Agenten erstellen. Definieren Sie das Modell, den System-Prompt, die Tools, MCP-Server und Skills. Der Agent wird einmalig erstellt und über eine ID in jeder Sitzung referenziert, die ihn verwendet.
2. Eine Umgebung erstellen. Konfigurieren Sie, wo Sitzungen tatsächlich ausgeführt werden – entweder in einer von Anthropic verwalteten Cloud-Sandbox oder in einer selbst gehosteten Sandbox auf einer Infrastruktur Ihrer Wahl, die hauptsächlich für Compliance- und Datenresidenzanforderungen dient.
3. Eine Sitzung starten. Eine Sitzung ist eine laufende Instanz Ihres Agenten innerhalb einer Umgebung, die an einer spezifischen Aufgabe arbeitet.
4. Ereignisse senden und Antworten streamen. Ihre Anwendung sendet Benutzerinteraktionen als Ereignisse; Claude ruft autonom Tools auf und streamt die Ergebnisse über Server-Sent Events zurück. Der Ereignisverlauf wird serverseitig gespeichert und kann im Anschluss vollständig abgerufen werden.
5. Steuern oder unterbrechen. Sie können während der Ausführung zusätzliche Benutzerereignisse einspeisen, um den Agenten umzulenken oder ihn direkt zu unterbrechen.

Schritt fünf wird oft unterschätzt. Ein langfristig agierender Agent, der nicht zwischendurch umgelenkt werden kann, ist lediglich ein Batch-Job mit zusätzlicher Latenz.

Die vier Kernkonzepte

Claude Managed Agents basieren auf einigen Kernkonzepten, die die Konfiguration des Agenten von der eigentlichen Aufgabe trennen, die er ausführt.

Agent

An agent is the reusable configuration that defines the agent's behavior. It can specify the Claude model, system prompt, tools, MCP servers, and the capabilities available to the agent.

For example, an agent might be configured as follows:

Research Agent
├── Model: Claude
├── System Prompt: Research Analyst
├── Tools
├── MCP Servers
└── Capabilities

‍Once the agent is configured, you can create sessions based on this definition instead of having to rebuild the configuration for every task.

Environment

The environment is where the agent actually performs its work.

This is important because an agent needs a place to execute commands, edit files, run code, and interact with tools. Managed agents can use sandbox environments managed by Anthropic; additionally, Anthropic provides support for self-hosted sandbox configurations.

This separates the agent's reasoning from the environment where its actions are executed.

Session

A Sitzung bezeichnet eine laufende Instanz eines Agenten, der eine Aufgabe ausführt.

Anstatt jeden Modellaufruf als isolierte Anfrage zu behandeln, bietet eine Sitzung dem Agenten einen persistenten Ausführungskontext, in dem er Aufgaben bearbeiten, mit Tools interagieren und den Status beibehalten kann.

Ein vereinfachter Ablauf sieht wie folgt aus:

Agentenkonfiguration
       ↓
   Umgebung
       ↓
     Sitzung
       ↓
 Agent führt Arbeit aus
       ↓
Tools / Dateien / Code / MCP

Dieses sitzungsbasierte Modell ist besonders relevant für lang laufende Workloads, bei denen ein Agent möglicherweise viele Aktionen ausführen muss, bevor er ein Endergebnis liefert.

Ereignisse

Anwendungen interagieren mit Managed Agent-Sitzungen über Ereignisse. Diese können Benutzernachrichten, Agentenaktivitäten, Tool-Ergebnisse und andere Änderungen innerhalb der Sitzung darstellen.

Dies ermöglicht es einer Anwendung, eine Agentensitzung zu starten und deren Fortschritt zu streamen, anstatt die gesamte Orchestrierungsschleife selbst implementieren zu müssen.

Im Überblick:

Ihre Anwendung
      │ Start / Ereignis senden
      ↓
Verwaltete Agenten-Sitzung
      ├── Begründung
      ├── Tool aufrufen
      ├── Code ausführen
      ├── Dateien lesen / schreiben
      └── Weiterarbeiten
      ↓
Ereignisse zurückstreamen
      ↓
Ihre Anwendung

Das Ergebnis ist eine Trennung zwischen der Anwendung, die Arbeit anfordert und der Infrastruktur, die den Agenten ausführt.

Diese Trennung ist der Grundgedanke hinter Managed Agents: Der Entwickler definiert den Agenten und seine Fähigkeiten, während die verwaltete Laufzeitumgebung einen Großteil der technischen Abläufe übernimmt, die für den Betrieb des Agenten erforderlich sind.

Was passiert, wenn ein Claude Managed Agent ausgeführt wird?

Sobald Agent, Umgebung und Sitzung konfiguriert sind, übernimmt die Managed Agents-Laufzeitumgebung die Ausführungsschleife.

1. Ihre Anwendung sendet eine Aufgabe an die Sitzung.
2. Die Laufzeitumgebung stellt die Umgebung bereit, in der der Agent arbeiten wird.
3. Claude entscheidet, welche Aktionen ergriffen werden, basierend auf der Aufgabe und den verfügbaren Tools.
4. Tools werden innerhalb der konfigurierten Umgebung ausgeführt und ihre Ergebnisse an Claude zurückgegeben.
5. Die Schleife läuft weiter, bis der Agent die Aufgabe abgeschlossen hat, während Ereignisse zurück an Ihre Anwendung gestreamt werden können.

Vereinfacht dargestellt:

Aufgabe
↓
Claude analysiert
↓
Tool-Aufruf
↓
Tool-Ergebnis
↓
Claude denkt erneut nach
↓
...
↓
Endergebnis

Der entscheidende Unterschied zur Erstellung eines Agenten mit der Messages API besteht darin, dass Ihre Anwendung nicht jeden Modellaufruf und jedes Tool-Ergebnis selbst koordinieren muss. Managed Agents übernimmt diese Schleife und stellt die Ausführung über die Sitzungs- und Ereignisschnittstellen bereit.

Integrierte Funktionen

Der Wert eines jeden Agenten-Gateways oder einer verwalteten Umgebung bemisst sich daran, was Sie nicht mehr selbst programmieren müssen. Managed Agents bietet standardmäßig:

• Ein integriertes Tool-Set. Bash für Shell-Befehle innerhalb der Sandbox; Dateioperationen zum Lesen, Schreiben, Bearbeiten, Suchen und Filtern; Websuche und -abruf, optional beschränkt auf eine Domain-Allowlist oder -Blocklist; sowie MCP-Serververbindungen für externe Tool-Anbieter.
• Sicheres Sandboxing. Ausführungsisolierung, Authentifizierung und Secret-Management werden von Anthropic übernommen. Sie müssen keine Server bereitstellen und keine Logik für Container-Ausbrüche schreiben.
• Zustandsbehaftete Sitzungen mit Checkpointing. Persistente Dateisysteme und Gesprächsverläufe über Interaktionen hinweg, wobei Sitzungen nach Pausen oder Verbindungsabbrüchen nahtlos fortgesetzt werden.
• Kontextverwaltung. Prompt-Caching und -Kompaktierung sind fester Bestandteil der Umgebung und müssen nicht erst nachträglich hinzugefügt werden, wenn die Token-Kosten in die Höhe schnellen.
• Geplante Ausführung. Wiederkehrende Agenten-Ausführungen über einen Cron-Zeitplan durch geplante Deployments.
• Bereichsspezifische Berechtigungen und Identität. Definieren Sie, auf welche Tools und Datenquellen ein bestimmter Agent zugreifen kann, inklusive lückenloser Ausführungsverfolgung.
• Observability in der Konsole. Sitzungsverfolgung, Integrationsanalysen und Fehlerbehebung sind direkt in der Claude-Konsole verfügbar, sodass Sie einzelne Tool-Aufrufe, Entscheidungen und Fehlerquellen untersuchen können.

Anthropic berichtet, dass Managed Agents in internen Tests zur strukturierten Dateigenerierung die Erfolgsquote bei Aufgaben um bis zu 10 Prozentpunkte gegenüber einer Standard-Prompting-Schleife verbesserten, wobei die größten Zuwächse bei den schwierigsten Problemen erzielt wurden. Dies ist eine Aussage über das Framework, nicht über das Modell, und verdeutlicht gut, warum die Qualität des Frameworks entscheidend ist.

Wichtig zu unterscheiden: Einige der angekündigten Funktionen sind derzeit nicht allgemein verfügbar. Multi-Agenten-Koordination, Selbstevaluation anhand von Erfolgskriterien, MCP-Tunnel und „Dreaming“ befinden sich in einer Research-Preview und erfordern eine separate Zugriffsanfrage. Wenn Ihre Architektur darauf angewiesen ist, dass Agenten andere Agenten erstellen und steuern, ist dies aktuell ein Fall für ein Anfrageformular, nicht für eine API.

Claude Managed Agents vs. Claude Agent SDK vs. Eigenbau

Die meisten Teams, die dies evaluieren, wählen im Grunde zwischen drei Punkten auf einem Spektrum. Der Vergleich zum Claude Agent SDK geht tiefer ins Detail, aber hier ist der Kern der Sache:

Das Muster ist konsistent: Jede Aufgabe, die Sie an Anthropic abgeben, spart Ihnen Zeit, kostet Sie aber Flexibilität. Für den ersten Agenten ist das meist der richtige Kompromiss. Für den zwanzigsten, der über drei Teams mit unterschiedlichen Compliance-Anforderungen hinweg läuft, ist er das meist nicht.

Wann Managed Agents die richtige Wahl sind

Managed Agents funktionieren am besten, wenn:

• Die Aufgabe einen wirklich langen Zeithorizont hat – Minuten oder Stunden an Ausführungszeit mit vielen Tool-Aufrufen, statt nur einer einzelnen Anfrage-Antwort-Interaktion.
• Ihr Team bereits auf Claude standardisiert hat und kurzfristig nicht plant, offene oder Multi-Vendor-Modelle einzusetzen.
• Sie über wenig oder gar keine Kapazitäten im Bereich Platform Engineering verfügen, um diese in Agenten-Infrastruktur zu investieren.
• Die Arbeit erfolgt asynchron oder geplant – nächtliche Abstimmungen, wiederkehrende Recherchen, stapelweise Dokumentenerstellung.
• Sitzungen müssen Unterbrechungen überstehen, mit einem Dateisystem und einer Historie, die zwischen den Interaktionen bestehen bleiben.
• Sie müssen innerhalb weniger Tage produktiv sein und möchten die Architektur erst dann überarbeiten, wenn sich der Anwendungsfall bewährt hat.

Letzteres ist das ehrlichste Argument dafür. Ein fertiges Framework zu mieten, um zu validieren, ob sich der Bau eines Agenten lohnt, ist eine vernünftige technische Entscheidung.

Wo Teams an Grenzen stoßen

Drei Einschränkungen treten immer wieder auf, sobald ein Agent vom Pilotprojekt in den echten Betrieb übergeht.

Die Modellwahl wird Ihnen abgenommen. Das Framework ist speziell für Claude konzipiert. Genau deshalb funktioniert es gut, aber genau deshalb können Sie die 80 % Ihrer Aufgaben, die kein Spitzenmodell erfordern, nicht auf eine kostengünstigere Lösung umleiten. Bei einem Agenten, der tausende Male am Tag läuft, ist das der entscheidende Kostenfaktor.

Die Kosten setzen sich aus zwei Komponenten zusammen, nicht aus einer. Sie zahlen die regulären Claude-Token-Preise zuzüglich einer sitzungsbasierten Gebühr für die verwaltete Laufzeitumgebung. Die Preise pro Sitzungsstunde werden in Berichten Dritter häufig genannt, aber prüfen Sie die aktuellen Tarife auf der offiziellen Preisseite von Anthropic, bevor Sie Ihre Kalkulation erstellen. Wir schlüsseln das Gesamtbild in unserer Preisanalyse für Claude Managed Agentsauf.

Die Datenspeicherung ist für regulierte Teams ein echtes Hindernis. Da Managed Agents konzeptbedingt zustandsbehaftet sind – Sitzungen speichern Gesprächsverlauf, Sandbox-Status und Ausgaben serverseitig –, gibt Anthropic in der Dokumentation an, dass sie derzeit nicht für Zero Data Retention oder die Abdeckung durch ein HIPAA Business Associate Agreement infrage kommen. Sie behalten zwar die Kontrolle in dem Sinne, dass Sie Sitzungen und hochgeladene Dateien jederzeit über die API löschen können, aber wenn Ihre Compliance-Richtlinien ZDR oder ein BAA erfordern, ist dies ein hartes Ausschlusskriterium und kein Thema für Einkaufsverhandlungen. Die Option einer selbst gehosteten Sandbox regelt, wo Code ausgeführt wird, nicht, was die Plattform speichert.

TrueForge: Eine Open-Source-Alternative zu Claude Managed Agents, bis zu 75 % günstiger

TrueForge ist das Open-Source- und anbieterneutrale Agenten-Framework von TrueFoundry für Teams, die mehr Kontrolle darüber haben möchten, wie ihre Agenten in der Produktion laufen. Anstatt die Laufzeitumgebung an einen einzigen Modellanbieter zu binden, ermöglicht TrueForge die Nutzung eigener Modelle, MCP-Server und Infrastrukturen, während es gleichzeitig die Agenten-Schleife, Werkzeugausführung, Kontextverwaltung, Genehmigungen und Sandboxing übernimmt.

Während ein selbst gehosteter Agent wie Hermes einen Großteil der Produktionsinfrastruktur dem Entwickler überlässt, bietet TrueForge die notwendige Steuerungsebene, um Agenten team- und umgebungsübergreifend zu betreiben. Dies umfasst zentralisierten MCP-Zugriff und Anmeldedaten, Genehmigungsprozesse mit menschlicher Beteiligung (Human-in-the-Loop), Sandbox-Ausführung, Beobachtbarkeit und Governance.

Sie können es lokal ausführen mit npx @truefoundry/trueforge oder es für ein Team mit Docker Compose oder Helm bereitstellen.

TrueForge trennt zudem die Agent-Laufzeitumgebung von der Modellebene. Das bedeutet, dass Teams Modelle wechseln oder Arbeitslasten an verschiedene Anbieter weiterleiten können, ohne den Agenten selbst neu erstellen zu müssen. In Kombination mit dem AI Gateway von TrueFoundry können Teams außerdem Modell-Routing und Kostenkontrollen anwenden, um zu vermeiden, dass teure Frontier-Modelle für Aufgaben verwendet werden, die diese nicht erfordern. Das Ergebnis ist ein Mittelweg zwischen einer vollständig verwalteten Laufzeitumgebung und dem Aufbau der gesamten Agenten-Infrastruktur in Eigenregie: ein Open-Source-Agenten-Framework mit den operativen Kontrollmöglichkeiten, die für den produktiven Einsatz von Agenten in großem Maßstab erforderlich sind.‍

Im Benchmark von TrueFoundry gegen Claude Managed Agents erreichte TrueForge bei Verwendung von Opus 4.8 in beiden Fällen eine nahezu identische Aufgabengenauigkeit, verbrauchte dabei jedoch nur etwa 40 % der Token, was die Kosten pro Durchlauf um etwa 30 % senkt. Als derselbe Benchmark mit GLM-5.2 auf TrueForge durchgeführt wurde, erzielte er das gleiche Ergebnis von ca. 11/14 Punkten bei Kosten von etwa 2,90 $ pro Durchlauf gegenüber 11,80 $ bei Claude Managed Agents, was einer Ersparnis von etwa 75 % entspricht.

TrueFoundry bietet zudem einen zweiten Hebel zur Senkung der Modellkosten durch das Auto-Routingdes AI Gateways. Anstatt jede Anfrage an ein Frontier-Modell zu senden, klassifiziert das Auto-Routing Anfragen nach Komplexität und leitet sie an verschiedene Modell-Tiers weiter. Im Benchmark von TrueFoundry über 550 Prompts hinweg reduzierte das Routing zwischen Haiku, Sonnet und Opus die Kosten um 69 %, während 98 % der ursprünglichen Qualität erhalten blieben und die durchschnittliche Latenz von 7,6 Sekunden auf 4,0 Sekunden sank. Bei produktionsnahem Datenverkehr erreichte die Gesamtkostensenkung sogar 80 %.

Diese beiden Ebenen adressieren unterschiedliche Teile der Kostengleichung. TrueForge reduziert den Overhead beim Betrieb des Agenten selbst, während Modell-Routing es Ihnen ermöglicht, den Einsatz teurer Modelle zu vermeiden, wenn die Aufgabe dies nicht erfordert. Für Teams, die Agenten in großem Maßstab betreiben, kann die Kombination beider Kontrollmechanismen wichtiger sein als der reine Preis des Modells.

TrueForge ist Open Source und unter der MIT-Lizenz verfügbar, während das AI Gateway von TrueFoundry die operative Ebene bietet, die Teams benötigen, wenn sie von einzelnen Agenten zur Produktion übergehen: zentralisierter Modellzugriff, Budgets, Leitplanken, Anmeldedatenverwaltung und einheitliche Traces.

Wenn Sie Claude Managed Agents mit einer konfigurierbareren Architektur vergleichen, ist TrueFoundry eine Überlegung wert, wenn Modellflexibilität, Infrastrukturkontrolle und die Optimierung der Agentenkosten neben der Agenten-Laufzeit selbst eine Rolle spielen.

An Open-Source Alternative to Claude Managed Agents, Up to 75% Cheaper

Run production-ready AI agents on your own infrastructure with TrueForge, using your choice of models, tools, and sandbox providers.

View on GitHub

Docs

Die Ebene, die Managed Agents nicht abdeckt

Managed Agents steuert die Laufzeit eines einzelnen Agenten sehr gut. Was es jedoch nicht leistet, ist die Steuerung einer Flotte von Agenten – genau das Problem, das ab dem fünften Agenten auftritt, wenn die Finanzabteilung nach den Kosten fragt und die Sicherheitsabteilung wissen will, wer die Anmeldedaten genehmigt hat.

Ein Agent-Harness steuert, wie ein Agent funktioniert. Ein AI Gateway steuert, wie dieser Agent auf Modelle zugreift.

Ein Unternehmen könnte beispielsweise Agenten mit Claude Managed Agents oder TrueForge betreiben und gleichzeitig Modellanfragen über ein AI Gateway leiten.
Das AI Gateway von TrueFoundry schaltet sich vor jeden Modell- und MCP-Aufruf, den ein Agent tätigt. Es wendet zentralisierten Modellzugriff, teambezogene Budgets, Ratenbegrenzungen, Leitplanken, Anmeldedatenverwaltung und einheitliche Traces an – unabhängig davon, welche Agenten und Frameworks Ihre Teams verwenden. Es unterstützt über 1.000 LLMs über eine einzige OpenAI-kompatible API, fügt etwa 3–4 ms Overhead hinzu und verarbeitet über 350 RPS auf einer einzelnen vCPU. Dadurch kann es im kritischen Pfad eines langlebigen Agenten eingesetzt werden, ohne zum Flaschenhals zu werden. Es läuft in Ihrer eigenen VPC, On-Premise oder in isolierten Umgebungen (Air-Gapped).

Dies ist besonders nützlich, wenn ein Unternehmen Agenten über mehrere Modelle hinweg betreibt, anstatt sich auf einen einzigen Modellanbieter zu verlassen.

Agenten-Laufzeit: verwaltet die Agentenschleife, Tools, den Status und die Ausführung.

AI-Gateway: verwaltet Modellzugriff, Routing, Richtlinien, Observability und Provider-Abstraktion.

Diese Trennung ermöglicht es Teams, Modelle auszutauschen oder hinzuzufügen, ohne den Agenten selbst neu konzipieren zu müssen.

Fazit

Claude Managed Agents hebt die Agentenentwicklung auf eine neue Stufe: Anstatt die Ausführungsinfrastruktur für Claude selbst aufzubauen, können Sie ein verwaltetes Framework nutzen, das speziell für langlebige, asynchrone Agenten-Workloads konzipiert ist.

Der entscheidende Unterschied liegt zwischen dem Modell und allem, was es umgibt. Das Modell liefert die Logik, während das Agenten-Framework die Schleife, Tools, Sandbox, Sitzungen und die Ausführung verwaltet. Managed Agents bündelt einen Großteil dieser Infrastruktur auf der Plattform von Anthropic, während Open-Source-Ansätze wie TrueForge Teams mehr Kontrolle über das Framework und die Laufzeitumgebung geben.

Bei KI-Systemen für den produktiven Einsatz geht es daher nicht nur um die Wahl des Modells. Es geht auch darum, wo die Agenten-Laufzeitumgebung gehostet wird, wer sie betreibt, wie viel Kontrolle Sie benötigen und wie Sie den Modellzugriff steuern.

Da Agenten immer leistungsfähiger werden und zunehmend komplexe Arbeitsabläufe bewältigen, werden diese Infrastrukturentscheidungen zu einem immer wichtigeren Bestandteil beim Aufbau zuverlässiger produktiver Agenten.

FAQ

F: Was sind Claude Managed Agents?

‍A: Claude Managed Agents ist die Suite von Anthropic aus kombinierbaren APIs für die Erstellung und Ausführung von cloudbasierten KI-Agenten auf der Claude-Plattform. Sie bietet ein vorgefertigtes Agenten-Framework – inklusive Tool-Calling-Schleife, Sandbox-Ausführung, Sitzungsstatus, bereichsspezifischen Berechtigungen und Tracing –, sodass Teams Agenten bereitstellen können, ohne eine eigene Laufzeitumgebung entwickeln zu müssen. Es wurde am 8. April 2026 als öffentliche Betaversion eingeführt und basiert auf vier Konzepten: Agenten, Umgebungen, Sitzungen und Ereignisse.

F: Was ist der Unterschied zwischen Claude Managed Agents und dem Claude Agent SDK?

‍A: Das Claude Agent SDK führt die Agent-Schleife innerhalb Ihres eigenen Prozesses und Ihrer Infrastruktur aus; Claude Managed Agents führt sie auf der Infrastruktur von Anthropic aus. Mit dem SDK besitzen Sie die Laufzeitumgebung, die Sandbox und tragen den operativen Aufwand. Bei Managed Agents übergeben Sie all dies an Anthropic und erhalten im Gegenzug Produktionsinfrastruktur, Persistenz und Konsolen-Tracing. Beide sind exklusiv für Claude.

Q: Was kosten Claude Managed Agents?

‍A: Die Kosten setzen sich aus zwei Teilen zusammen: den standardmäßigen Claude-API-Token-Preisen für das Modell sowie einer sitzungsbasierten Gebühr für die verwaltete Laufzeitumgebung. Da Agenten über lange Zeiträume laufen und das System selbst Token für Tool-Aufrufe und Kontextverwaltung verbraucht, macht der Token-Anteil in der Regel den Großteil der Rechnung aus. Unsere Preisübersicht erläutert die vollständige Berechnung pro Lauf.

Q: Kann ich TrueFoundry in meiner eigenen VPC oder On-Premise bereitstellen?

‍A: Ja. TrueFoundry läuft in Ihrer VPC, On-Premise, in isolierten Umgebungen (Air-Gapped), hybrid oder über mehrere Clouds hinweg, und es verlassen keine Daten Ihren Bereich. Dies ist der Hauptgrund, warum regulierte Unternehmen es gegenüber reinen SaaS-Gateways bevorzugen – besonders relevant hier, da Managed Agents derzeit nicht für Zero Data Retention oder HIPAA BAA-Abdeckung qualifiziert sind.

Q: Unterstützt TrueFoundry MCP und KI-Agenten?

‍A: Ja. TrueFoundry umfasst ein MCP-Gateway, ein Agent-Gateway sowie eine MCP- & Agenten-Registry mit Zugriffskontrolle auf Tool-Ebene. Agenten, die auf LangGraph, CrewAI, AutoGen, dem Claude Agent SDK oder benutzerdefinierten Frameworks basieren, können zentral bereitgestellt und verwaltet werden.

Q: Wie viele LLMs unterstützt TrueFoundry?

‍A: Über 1.000 LLMs über eine einzige OpenAI-kompatible API. Sie wechseln die Modelle, indem Sie einfach den Modellnamen in der Anfrage ändern – gleiche URL, gleiche Anmeldedaten. Das macht das Routing einfacher Aufgaben an kostengünstige Modelle zu einer Konfigurationsänderung statt einer kompletten Neuentwicklung.

Weiterführende Lektüre

• Alternativen zu Claude Managed Agents die fünf Optionen, die eine Prüfung wert sind, falls Managed Agents nicht die richtige Lösung ist
• TrueForge vs. Claude Managed Agents: der Benchmark vollständige Enterprise-Bench-Methodik und Kosten-pro-Lauf-Zahlen
• Was ist Multi-Agent-Orchestrierung? die Ebene über einer einzelnen Agenten-Laufzeitumgebung
• LLM-Agenten: Architektur und Muster die Grundlage für diesen Beitrag
• KI-Agenten-Verzeichnis wie man den Überblick über Agenten behält, sobald man mehr als eine Handvoll betreibt