Hoe Claude Managed Agents te gebruiken: een stapsgewijze handleiding

Het bouwen van een AI-agent omvat meer dan alleen het aanroepen van een model. Je moet de agent-loop beheren, tools uitvoeren, een runtime-omgeving bieden, de sessiestatus bijhouden, machtigingen afhandelen en observeren wat de agent doet.

Claude Managed Agents neemt een groot deel van deze infrastructuur voor zijn rekening. In plaats van je eigen agent-runtime te bouwen en te beheren, definieer je de agent, configureer je waar deze draait en maak je sessies aan om taken uit te voeren. De beheerde runtime handelt de modelaanroepen en tool-uitvoeringen af, terwijl je applicatie via events met de agent communiceert.

In deze handleiding tonen we je stapsgewijs hoe je Claude Managed Agents gebruikt, van het maken van je eerste agent en het configureren van de omgeving tot het uitvoeren van een sessie, het toevoegen van tools en MCP-servers en het verwerken van agent-events.

Als je eerst de theoretische basis wilt begrijpen, raadpleeg dan onze gids over wat Claude Managed Agents zijn en hoe de architectuur werkt. Deze handleiding gaat ervan uit dat je klaar bent om te bouwen.

Vereisten

Voordat je een Managed Agent aanmaakt, heb je het volgende nodig:

1. Een Claude Console-account
2. Een Anthropic API-sleutel
3. De Anthropic SDK
4. Python, TypeScript of een andere ondersteunde taal

Stap 1: Installeer de CLI en SDK

Installeer de SDK voor Python:

Stel vervolgens je API-sleutel in als omgevingsvariabele:

Anthropic biedt ook een ant CLI voor het beheren van Managed Agent-resources.

De SDK leest de sleutel uit je omgeving, dus je hoeft deze niet rechtstreeks in je applicatiecode op te nemen.

Schakel de Managed Agents API in

Claude Managed Agents is momenteel beschikbaar via de beta-API van Anthropic. De Managed Agents beta wordt aangeduid met de:

managed-agents-2026-04-01beta header.

Wanneer je de officiële SDK gebruikt, regelt de SDK deze header automatisch wanneer je de Managed Agents-API's aanroept.

Je basisinstelling van de client ziet er als volgt uit:

Op dit punt is je applicatie klaar om te werken met de Managed Agents API.

De volgende stap is het maken van de agent zelf — waarbij je definieert welk Claude-model deze gebruikt, welke instructies hij volgt en tot welke tools hij toegang heeft.

Stap 2: Definieer je agent

Een agent is een Markdown-bestand. De frontmatter bevat de configuratie van de agent, terwijl de body de systeem-prompt bevat.

Hier is een voorbeeld van een agent die release-notities opstelt vanuit een repository:‍


De agent_toolset_20260401 toolset geeft de agent toegang tot de vooraf gebouwde tools van Anthropic, waaronder functionaliteiten zoals shell-commando's en bestandsoperaties. Je kunt ook afzonderlijke tools configureren als je niet de volledige toolset nodig hebt. Zie de tools-referentie voor de beschikbare opties.

Sla de configuratie op als release-notes-agent.md en pas deze toe met de ant CLI:

ant apply release-notes-agent.md


Dit maakt de agent aan en retourneert de ID.

De agent is een permanente resource. Je maakt deze één keer aan en verwijst naar de ID wanneer je een sessie start die de agent gebruikt — je hoeft de agent niet voor elke taak opnieuw aan te maken.

Vervolgens maak je de omgeving (environment) aan waarin je agent-sessies worden uitgevoerd.

Stap 3: Maak een omgeving aan

De omgeving definieert de sandbox waarin je agent-sessies worden uitgevoerd.

Maak een environment.yaml-bestand aan:‍


Pas dit vervolgens toe:

ant apply environment.yaml


Je kunt de agent en de omgeving ook samen toepassen:

De instelling networking: unrestricted geeft de sandbox onbeperkte netwerktoegang. Voor agents die met interne systemen of gevoelige gegevens werken, gebruik je een strengere netwerkconfiguratie.

Je hebt nu de twee resources die nodig zijn om een agent uit te voeren:

• Agent: definieert wat de agent is en wat deze kan doen.
• Environment: definieert waar de agent draait.

Vervolgens maak je een sessie aan die deze twee verbindt.

Stap 4: Start een sessie

Een sessie is één actieve instantie van je agent die aan een specifieke taak werkt.

Maak een sessie aan door de ID's van je agent en omgeving door te geven:

De sessie-ID identificeert deze specifieke uitvoering. Je gebruikt deze om berichten te sturen, events te streamen en de interactie met de agent voort te zetten.

Dezelfde agent kan meerdere sessies hebben. Bijvoorbeeld, je Release Notes Agent zou voor elke release een afzonderlijke sessie kunnen uitvoeren met behoud van dezelfde agentconfiguratie.

Stap 5: Stuur een bericht en stream de respons

Terwijl de sessie actief is, stuur je een taak naar de agent.

Open eerst de event-stream en stuur vervolgens het gebruikersbericht:‍


Achter deze aanroep richt de beheerde runtime de sandbox in op basis van je omgevingsconfiguratie, start de agent-loop, laat Claude tools selecteren en uitvoeren, en streamt events terug naar je applicatie.

De drie bovenstaande event-typen zijn de types die je meestal als eerste verwerkt:

• agent.message — de agent stuurt een antwoord.
• agent.tool_use — de agent gebruikt een tool.
• session.status_idle — de agent heeft zijn huidige werk afgerond.

Voor de volledige lijst van events, inclusief statusveranderingen en fouten, zie de events- en streaming-referentie.

Op dit punt heb je een werkende Managed Agent: je hebt deze gedefinieerd, een uitvoeringsomgeving gegeven, een sessie gestart en een taak gestuurd.

Vervolgens kijken we naar het bijsturen van een actieve agent en het afhandelen van langdurige sessies.

Stap 6: Stuur een actieve agent bij

Je hoeft niet te wachten tot een agent klaar is voordat je de richting ervan aanpast.

Je kunt een user.interrupt event sturen om de huidige beurt te stoppen, gevolgd door een user.message met de nieuwe instructie:

De onderbreking (interrupt) stopt de huidige respons van het model en geeft de controle terug aan de sessie. Als de agent bezig is met een tool-aanroep, kan het langer duren voordat de onderbreking van kracht wordt, omdat die tool eerst wordt afgerond. Zodra de onderbreking is verwerkt, keert de sessie terug naar idle en start het volgende user.message de nieuwe beurt.

Dit is handig voor langdurige taken wanneer je merkt dat de agent de verkeerde kant op gaat. In plaats van de sessie te beëindigen en opnieuw te beginnen, kun je dezelfde sessie hergebruiken en omleiden met aanvullende context.

Je kunt een actieve sessie ook onderbreken zonder onmiddellijk een nieuwe instructie te sturen:‍


De sessie blijft beschikbaar na de onderbreking, zodat je kunt inspecteren wat er is gebeurd en kunt beslissen wat je vervolgens stuurt.

Vervolgens wil je afhandelen wat er gebeurt als je applicatie de verbinding met een actieve sessie verliest.

Stap 7: Verbindingen herstellen en sessies hervatten

Een streaming-verbinding kan wegvallen terwijl een agent nog aan het werk is. Dat betekent niet dat de sessie of het werk verloren is gegaan.

Managed Agents bewaart de event-historie van de sessie aan de serverzijde, zodat je applicatie opnieuw verbinding kan maken met dezelfde sessie in plaats van de taak opnieuw te starten.

Het is belangrijk om de sessie-ID op te slaan wanneer je de sessie aanmaakt:‍

Als je applicatie de verbinding verliest, gebruik je dezelfde session_id om opnieuw te verbinden en de interactie met de sessie voort te zetten.

Dit is van belang voor langlopende agents. Het sluiten van een browsertabblad, het herstarten van een proces of een tijdelijke netwerkstoring mag er niet toe leiden dat de agent de taak vanaf nul moet herstarten.

Behandel voor productie-applicaties de sessie-ID als permanente applicatiestatus: sla deze ergens op waar je applicatie deze kan ophalen na een herstart van het proces, in plaats van deze alleen in het geheugen te bewaren.

De event-stream is slechts de verbinding tussen je applicatie en de actieve sessie. De sessie zelf blijft onafhankelijk van die verbinding bestaan.

Vervolgens kijken we hoe je je agent extra functionaliteiten geeft met MCP-servers en tools.

Uitvoeren op je eigen infrastructuur

De cloud-sandbox is de standaardoptie, en dat is de reden waarom sommige teams dit niet in productie kunnen nemen. Als dataresidentie of compliance een door Anthropic gehoste uitvoering uitsluit, zorgen self-hosted sandboxes ervoor dat sessies kunnen draaien op infrastructuur die je zelf beheert, terwijl Anthropic nog steeds de agent-loop aanstuurt.

Let op wat wel en niet verplaatst: de uitvoering verhuist naar jouw infrastructuur, maar de orchestratie blijft bij Anthropic.

Periodieke runs inplannen

Voor agents die op een vast ritme moeten draaien in plaats van op aanvraag, voeren scheduled deployments een sessie uit op basis van een cron-schema. Een nachtelijke triage-run of een wekelijks rapport past hier uitstekend bij, zonder dat je zelf een scheduler hoeft op te zetten.

Kosten onder controle houden

Claude Managed Agents factureert op twee dimensies: model-tokens, plus runtime-kosten van ongeveer $0,08 per sessie-uur voor de container-tijd.

Drie dingen die handig zijn om vroeg te weten:

Inactieve tijd is gratis, dus een sessie die wacht op menselijke invoer genereert geen runtime-kosten. Er is geen volumekorting voor batchverwerking, dus werk dat je normaal gesproken in batch zou uitvoeren kost hier hetzelfde. En zoeken op het web wordt afzonderlijk van de toolset gefactureerd.

De kosten per sessie-uur vormen meestal het kleinste deel. Tokenkosten overheersen, en hoeveel tokens een run verbruikt hangt af van hoe de harness met de context omgaat, niet van je eigen instellingen. We hebben de volledige kostenstructuur gedetailleerd beschreven in Claude Managed Agents pricing.

Waar teams op limieten stuiten

Twee beperkingen komen vaak naar voren nadat het prototype werkt. Het model is van Anthropic, dus je kunt niet overstappen op een goedkoper model als je volume groeit. En de loop wordt beheerd door Anthropic, waardoor de contextstrategie geen instelling is die je zelf kunt aanpassen.

Als je opties aan het evalueren bent, biedt Claude Managed Agents alternatives een overzicht van de markt.

TrueForge: Een open-source alternatief voor Claude Managed Agents, tot 75% goedkoper

TrueForge is de open-source, leveranciersneutrale agent-harness van TrueFoundry voor teams die meer controle willen over hoe hun agents in productie draaien. In plaats van de runtime te koppelen aan één enkele modelprovider, kun je met TrueForge je eigen modellen, MCP-servers en infrastructuur meenemen, terwijl het platform de agent-loop, tool-uitvoering, contextbeheer, goedkeuringen en sandboxing afhandelt.

Waar een self-hosted agent zoals Hermes een groot deel van de productie-infrastructuur overlaat aan de ontwikkelaar, biedt TrueForge het omringende controlepaneel dat nodig is om agents over teams en omgevingen heen te beheren. Dit omvat gecentraliseerde MCP-toegang en inloggegevens, human-in-the-loop goedkeuringen, sandbox-uitvoering, observabiliteit en governance.

Je kunt het lokaal uitvoeren met npx @truefoundry/trueforge of implementeren voor een team met Docker Compose of Helm.

TrueForge scheidt ook de agent-runtime van de modellaag. Dit betekent dat teams van model kunnen wisselen of workloads naar verschillende providers kunnen routeren zonder de agent zelf opnieuw te hoeven bouwen. Gecombineerd met de AI Gateway van TrueFoundry kunnen teams ook modelroutering en kostenbeheersing toepassen om te voorkomen dat dure geavanceerde modellen worden gebruikt voor taken die dat niet vereisen. Het resultaat is een middenweg tussen een volledig beheerde runtime en het zelf bouwen van de gehele agent-infrastructuur: een open-source agent-harness met de operationele functies die nodig zijn om productie-agents op schaal te laten draaien.‍

In de benchmark van TrueFoundry vergeleken met Claude Managed Agents behaalde TrueForge ongeveer dezelfde taaknauwkeurigheid terwijl het slechts circa 40% van het aantal tokens verbruikte toen beide op Opus 4.8 draaiden, wat het ongeveer 30% goedkoper maakte per run. Toen dezelfde benchmark werd uitgevoerd met GLM-5.2 op TrueForge, behaalde het dezelfde ~11/14 taakscore tegen ongeveer $2,90 per run vergeleken met $11,80 voor Claude Managed Agents, wat neerkomt op ongeveer 75% lagere kosten.

TrueFoundry biedt ook een tweede mogelijkheid om modelkosten te verlagen via de Auto Routing van de AI Gateway. In plaats van elk verzoek naar een duur topmodel te sturen, classificeert Auto Routing verzoeken op basis van complexiteit en stuurt ze naar verschillende modelniveaus. In de benchmark van TrueFoundry over 550 prompts verlaagde de routering tussen Haiku, Sonnet en Opus de kosten met 69%, terwijl 98% van de basiskwaliteit behouden bleef en de gemiddelde latentie daalde van 7,6 seconden naar 4,0 seconden. Bij realistisch productie-verkeer liep de totale kostenverlaging zelfs op tot 80%.

Deze twee lagen pakken verschillende onderdelen van de kosten op. TrueForge vermindert de overhead van het uitvoeren van de agent zelf, terwijl modelroutering voorkomt dat je een duur model gebruikt wanneer de taak dat niet vereist. Voor teams die agents op schaal inzetten, kunnen beide beheervormen belangrijker zijn dan de prijs van het model alleen.

TrueForge is open source en gelicentieerd onder de MIT-licentie, terwijl de AI Gateway van TrueFoundry de operationele laag toevoegt die teams nodig hebben bij de overstap van individuele agents naar productie: gecentraliseerde modeltoegang, budgetten, guardrails, beheer van inloggegevens en geünificeerde traces.

Als je Claude Managed Agents vergelijkt met een flexibeler aanpasbare architectuur, is TrueFoundry het overwegen waard wanneer modelflexibiliteit, controle over de infrastructuur en het optimaliseren van agent-kosten even belangrijk zijn als de agent-runtime zelf.

Een open-source alternatief voor Claude Managed Agents, tot 75% goedkoper

Laat productieklare AI-agents draaien op je eigen infrastructuur met TrueForge, waarbij je zelf je modellen, tools en sandbox-providers kiest.

Bekijk op GitHub

Documentatie

De laag die Managed Agents niet dekt

Managed Agents regelt de runtime van één enkele agent uitstekend. Wat het echter niet doet, is het beheren van een hele vloot agents — het probleem dat rond de vijfde agent ontstaat, wanneer de financiële afdeling vraagt wat dit allemaal kost en de beveiligingsafdeling vraagt wie de inloggegevens heeft goedgekeurd.

Een agent-harness beheert hoe een agent werkt. Een AI Gateway beheert hoe die agent toegang krijgt tot modellen.

Een organisatie kan bijvoorbeeld agents uitvoeren met behulp van Claude Managed Agents of TrueForge, terwijl modelverzoeken via een AI Gateway worden geleid.
De AI Gateway van TrueFoundry bevindt zich voor elke model- en MCP-aanroep die een agent doet, en past gecentraliseerde modeltoegang, budgetten per team, rate limits, guardrails, beheer van inloggegevens en geünificeerde traces toe — ongeacht welke agents en frameworks je teams gebruiken. Het ondersteunt meer dan 1.000 LLM's via één OpenAI-compatibele API, voegt slechts zo'n 3–4 ms overhead toe en verwerkt meer dan 350 RPS op een enkele vCPU, zodat het in het kritieke pad van een langlopende agent kan staan zonder een knelpunt te worden. Het draait in je eigen VPC, on-premise of air-gapped.

Dit is bijzonder nuttig wanneer een organisatie agents over meerdere modellen laat draaien in plaats van te vertrouwen op één enkele modelprovider.

Agent-runtime: beheert de agent-loop, tools, status en uitvoering.

AI Gateway: beheert modeltoegang, routering, beleid, observabiliteit en provider-abstractie.

Deze scheiding stelt teams in staat om modellen te wijzigen of toe te voegen zonder de agent zelf opnieuw te hoeven ontwerpen.

Veelgestelde vragen (FAQ)

V: Hoe gebruik je Claude Managed Agents?

A: Installeer de ant CLI en de Anthropic SDK, definieer een agent in een Markdown-bestand met het model, de systeem-prompt en de tools, declareer een omgeving in YAML voor de sandbox, maak vervolgens een sessie aan die naar beide verwijst en stream de events. Agents en omgevingen worden eenmalig aangemaakt en hergebruikt; sessies zijn per taak. Het hele proces duurt ongeveer tien minuten.

V: Heb je de ant CLI nodig, of kun je alles vanuit de SDK doen?

A: De CLI is een handige optie, maar niet verplicht. Anthropic documenteert cURL- en native SDK-paden voor elke stap in de snelstartgids, voor Python, TypeScript, Java, Go, C#, Ruby en PHP. Wat de CLI toevoegt is ant apply en claude-lock.json, waarmee de ID's van agents en omgevingen samen met je code in versiebeheer blijven in plaats van ergens in een configuratie te worden geplakt.

V: Kan Claude Managed Agents op je eigen infrastructuur draaien?

A: Gedeeltelijk. Met self-hosted sandboxes kunnen sessies worden uitgevoerd op infrastructuur die je zelf beheert, wat meestal voldoende is voor vereisten rondom dataresidentie. De orchestratielaag blijft in beide gevallen bij Anthropic, dus dit is niet hetzelfde als het volledig zelf beheren van de gehele stack.

V: Integreert het met mijn bestaande observabiliteits-stack?

A: De gateway-laag van TrueFoundry is OpenTelemetry-compliant en sluit direct aan op Grafana, Datadog, Prometheus of wat je momenteel gebruikt, waarbij elk verzoek wordt getraceerd van prompt tot tool- en model-uitvoering. Dat is essentieel zodra agents uit verschillende frameworks op één centrale plek moeten worden gemonitord.

V: Hoe beheer ik modellen en MCP-servers over een groot aantal agents?

A: Via een gateway, zodra API-sleutels per team niet langer schaalbaar zijn. De AI Gateway van TrueFoundry plaats meer dan 1.000 LLM's achter één OpenAI-compatibele API met ongeveer 3 tot 4 ms extra latentie en meer dan 350 RPS op een enkele vCPU, inclusief RBAC, budgetten, guardrails en rotatie van inloggegevens. Agents op Claude Managed Agents, LangGraph of een ander platform worden op dezelfde manier beheerd.

Gerelateerde artikelen

• Wat zijn Claude Managed Agents?: de architectuur achter de bovenstaande stappen
• Prijzen van Claude Managed Agents: de volledige kostenanalyse met een uitgewerkt voorbeeld
• Claude Agent SDK vs Claude Managed Agents: welke optie je in productie moet gebruiken
• Alternatieven voor Claude Managed Agents: het overzicht, als je nog aan het evalueren bent
• Best practices voor agent-harnesses: tien regels die gelden voor elk gekozen framework

Conclusie

Weten hoe je Claude Managed Agents gebruikt komt neer op het begrijpen van vier objecten en de volgorde waarin je ze aanmaakt: agent, environment, session, events. De configuratie is zeer snel. De onderdelen die extra aandacht verdienen zijn de zaken die de snelstartgids vluchtig behandelt, zoals het afhandelen van verbroken verbindingen, de netwerkconfiguratie van je omgeving en het inzicht in welk deel van de rekening je daadwerkelijk kunt beïnvloeden.

Als je het punt bereikt waarop modelkeuze en contextstrategie belangrijker worden dan de opzetsnelheid, is dat het signaal om naar een open framework te kijken. npx @truefoundry/trueforge draait lokaal binnen een minuut, of plan een demonstratie als je het liever op jouw eigen workload toegepast ziet.