Wat zijn Claude Managed Agents? Architectuur, hoe ze werken en wanneer ze te gebruiken

Het bouwen van een AI-agent is niet moeilijk omdat het aanroepen van een LLM moeilijk is. Het lastigere deel is alles rondom het model: de agent-loop, tool-uitvoering, sandbox, status, runtime en permissies die nodig zijn om een agent daadwerkelijk een taak te laten voltooien.

Claude Managed Agents verpakt deze infrastructuur in een beheerde agent-runtime, zodat ontwikkelaars een agent kunnen configureren en Anthropic het grootste deel van de onderliggende uitvoeringsinfrastructuur kunnen laten afhandelen.

Wat zijn Claude Managed Agents?

Claude Managed Agents is Anthropic’s kant-en-klare, configureerbare agent-harness die draait in een beheerde infrastructuur, ontworpen voor langlopende en asynchrone agent-workloads. Het geeft agents toegang tot tools, uitvoeringsomgevingen, sessies en andere infrastructuur die nodig is om meerstaps taken te voltooien.

De eenvoudigste manier om Managed Agents te begrijpen, is door het te vergelijken met Anthropic's Messages API.

Met de Messages API krijgt u directe toegang tot Claude. Uw applicatie is verantwoordelijk voor het bouwen van de agent-loop rond het model: de gespreksgeschiedenis bijhouden, beslissen wanneer tools moeten worden aangeroepen, die tools uitvoeren, resultaten terugsturen naar Claude en bepalen wanneer de taak is voltooid.

Met Claude Managed Agents levert Anthropic de agent-harness en de infrastructuur rond het model. In plaats van zelf de volledige uitvoeringsloop te implementeren, configureert u een agent en de bijbehorende omgeving, en maakt u vervolgens sessies aan waarin de agent werk kan uitvoeren.

Het verschil kan als volgt worden samengevat:

Alles draait achter de managed-agents-2026-04-01 beta-header, die de officiële SDK's automatisch voor u instellen. Toegang is standaard ingeschakeld op API-accounts, en de dienst is ook beschikbaar via Claude Platform op AWS, met enkele verschillen in functionaliteit en sessiegedrag. Anthropic heeft Notion, Rakuten en Sentry genoemd als enkele van de eerste teams die ermee bouwen.

Het belangrijkste woord in "Anthropic Managed Agents" is managed (beheerd). U krijgt geen nieuw model of een nieuwe functionaliteit - Claude kon al tools gebruiken. U krijgt het operationele team van een ander bedrijf.

Hoe werken Claude Managed Agents?

De levenscyclus bestaat uit vijf stappen, en het is de moeite waard om deze te begrijpen omdat elke stap gekoppeld is aan een bron die u aanmaakt en waarvoor u betaalt.

1. Maak een agent aan. Definieer het model, de systeem-prompt, tools, MCP-servers en vaardigheden. De agent wordt één keer aangemaakt en via een ID gerefereerd in elke sessie die er gebruik van maakt.
2. Maak een omgeving aan. Configureer waar sessies daadwerkelijk worden uitgevoerd - ofwel een door Anthropic beheerde cloud-sandbox, of een self-hosted sandbox die draait op infrastructuur die u beheert, wat voornamelijk bestaat voor nalevings- en dataresidentie-eisen.
3. Start een sessie. Een sessie is een actieve instantie van uw agent binnen een omgeving, die werkt aan één specifieke taak.
4. Stuur events en stream responsen. Uw applicatie stuurt gebruikersinvoer als events; Claude roept autonoom tools aan en streamt resultaten terug via server-sent events. Event-geschiedenis wordt aan de serverzijde opgeslagen en kan achteraf volledig worden opgehaald.
5. Stuur bij of onderbreek. U kunt halverwege de uitvoering extra gebruikers-events invoegen om de agent om te leiden, of deze volledig onderbreken.

Stap vijf is degene die vaak wordt onderschat. Een agent met een lange tijdshorizon die halverwege niet kan worden omgeleid, is in feite een batchjob met extra latentie.

De vier kernconcepten

Claude Managed Agents is gebouwd rond een paar kernconcepten die de agent-configuratie scheiden van de individuele taak die deze uitvoert.

Agent

Een Agent is de herbruikbare configuratie die bepaalt hoe de agent zich gedraagt. Het kan het Claude-model, de systeem-prompt, tools, MCP-servers en beschikbare vaardigheden voor de agent specificeren.

Een agent kan bijvoorbeeld als volgt worden geconfigureerd:

Research Agent
├── Model: Claude
├── System prompt: Research analyst
├── Tools
├── MCP servers
└── Skills

‍Zodra de agent is geconfigureerd, kunt u sessies aanmaken met behulp van die definitie, in plaats van de configuratie voor elke taak opnieuw op te bouwen.

Omgeving (Environment)

De omgeving is de plek waar de agent daadwerkelijk zijn werk uitvoert.

Dit is belangrijk omdat een agent een plek nodig heeft om commando's uit te voeren, bestanden te bewerken, code uit te voeren en te communiceren met tools. Managed Agents kan door Anthropic beheerde sandbox-omgevingen gebruiken, terwijl Anthropic ook ondersteuning biedt voor self-hosted sandbox-configuraties.

Dit scheidt de redenering van de agent van de omgeving waarin de acties worden uitgevoerd.

Sessie (Session)

Een sessie vertegenwoordigt een actieve instantie van een agent die een taak uitvoert.

In plaats van elke modelaanroep als een geïsoleerd verzoek te behandelen, geeft een sessie de agent een persistente uitvoeringscontext waarin hij een taak kan afwerken, met tools kan communiceren en de status kan behouden.

Een vereenvoudigde stroom ziet er als volgt uit:

Agent configuratie
       ↓
   Omgeving
       ↓
     Sessie
       ↓
 Agent voert werk uit
       ↓
Tools / bestanden / code / MCP

Dit op sessies gebaseerde model is met name relevant voor langlopende workloads waarbij een agent mogelijk veel acties moet uitvoeren voordat een eindresultaat wordt gegenereerd.

Events

Applicaties communiceren met Managed Agent-sessies via events. Deze kunnen gebruikersberichten, agent-activiteit, tool-resultaten en andere wijzigingen in de sessie vertegenwoordigen.

Hiermee kan een applicatie een agent-sessie starten en de voortgang streamen in plaats van de gehele orchestratie-loop zelf te implementeren.

Op hoofdlijnen:

Uw applicatie
      │ Start / stuur event
      ↓
Managed Agent sessie
      ├── Redeneren
      ├── Tool aanroepen
      ├── Code uitvoeren
      ├── Bestanden lezen / schrijven
      └── Verder werken
      ↓
Stream events terug
      ↓
Uw applicatie

Het resultaat is een scheiding tussen de applicatie die om werk verzoekt en de infrastructuur die de agent uitvoert.

Die scheiding is het kernidee achter Managed Agents: de ontwikkelaar definieert de agent en zijn mogelijkheden, terwijl de beheerde runtime een groot deel van het mechanisme afhandelt dat nodig is om de agent draaiende te houden.

Wat gebeurt er wanneer een Claude Managed Agent draait?

Zodra een agent, omgeving en sessie zijn geconfigureerd, handelt de Managed Agents-runtime de uitvoeringsloop af.

1. Uw applicatie stuur een taak naar de sessie.
2. De runtime richt de omgeving in waarin de agent zal werken.
3. Claude beslist welke acties te ondernemen op basis van de taak en de beschikbare tools.
4. Tools worden uitgevoerd binnen de geconfigureerde omgeving, en de resultaten worden teruggegeven aan Claude.
5. De loop gaat door totdat de agent de taak heeft voltooid, terwijl events naar uw applicatie kunnen worden gestreamd.

In vereenvoudigde vorm:

Taak
↓
Claude redeneert
↓
Tool aanroep
↓
Tool resultaat
↓
Claude redeneert opnieuw
↓
...
↓
Eindresultaat

Het belangrijkste verschil met het bouwen van een agent met de Messages API is dat uw applicatie niet elke modelaanroep en elk tool-resultaat zelf hoeft te orchestreren. Managed Agents beheert die loop en ontsluit de uitvoering via de sessie- en event-interfaces.

Wat is ingebouwd

De waarde van elke agent gateway of beheerde harness wordt gemeten aan de hand van wat u niet langer zelf hoeft te schrijven. Managed Agents wordt geleverd met:

• Een ingebouwde toolset. Bash voor shell-commando's in de sandbox; bestandsoperaties voor lezen, schrijven, bewerken, glob en grep; web-zoeken en -ophalen, optioneel beperkt tot een allowlist of blocklist van domeinen; en MCP-serververbindingen voor externe tool-providers.
• Veilige sandboxing. Uitvoeringsisolatie, authenticatie en secret management worden afgehandeld door Anthropic. Geen servers inrichten, geen container escape-logica schrijven.
• Statusvolle sessies met checkpointing. Persistente bestandssystemen en gespreksgeschiedenis over interacties heen, waarbij sessies na onderbrekingen of ontkoppelingen schoon worden hervat.
• Contextbeheer. Prompt-caching en -compactie maken deel uit van de harness, in plaats van iets dat u achteraf toevoegt wanneer uw token-factuur piekt.
• Geplande uitvoering. Terugkerende agent-runs op basis van een cron-schema via geplande deployments.
• Ingeperkte permissies en identiteit. Definieer welke tools en databronnen een specifieke agent kan bereiken, gekoppeld aan uitvoerings-tracing.
• Observability in de console. Sessie-tracing, integratie-analyses en probleemoplossing bevinden zich in de Claude Console, zodat u individuele tool-aanroepen, beslissingen en foutmodi kunt inspecteren.

Anthropic meldt dat in interne tests bij gestructureerde bestandsgeneratie, Managed Agents de succesratio van taken met maximaal 10 punten verbeterde ten opzichte van een standaard prompting-loop, met de grootste winst bij de moeilijkste problemen. Dat is een bewering over de harness, niet over het model, en het illustreert goed waarom de kwaliteit van de harness überhaupt van belang is.

Belangrijk om in gedachten te houden: verschillende van de belangrijkste functies zijn niet algemeen beschikbaar (GA). Coördinatie tussen meerdere agents, zelfevaluatie op basis van succescriteria, MCP-tunnels en dreaming bevinden zich in research preview achter een afzonderlijke toegangsaanvraag. Als uw architectuur afhankelijk is van agents die andere agents aanmaken en aansturen, is dat op dit moment een aanvraagformulier, geen API.

Claude Managed Agents vs Claude Agent SDK vs Zelf Bouwen

De meeste teams die dit evalueren, kiezen eigenlijk tussen drie opties op een spectrum. De Claude Agent SDK vergelijking gaat hier dieper op in, maar dit is het overzicht:

Het patroon is consistent: elke rij die u aan Anthropic overdraagt, levert u tijd op, maar kost u flexibiliteit. Voor een eerste agent is dat meestal de juiste afweging. Voor de twintigste agent, die draait over drie verschillende teams met uiteenlopende nalevingseisen, is dat meestal niet het geval.

Wanneer Managed Agents de juiste keuze is

Managed Agents werkt het beste wanneer:

• De taak echt een lange tijdshorizon heeft - minuten of uren aan uitvoering met veel tool-aanroepen, in plaats van een enkele request-response.
• Uw team gestandaardiseerd is op Claude en geen plannen heeft om op korte termijn open-source of multi-vendor modellen uit te voeren.
• U weinig of geen platform engineering-capaciteit heeft om te besteden aan agent-infrastructuur.
• Het werk asynchroon of gepland is - nachtelijke reconciliatie, terugkerend onderzoek, batchgewijze documentgeneratie.
• Sessies bestand moeten zijn tegen onderbrekingen, met een bestandssysteem en geschiedenis die behouden blijven tussen interacties.
• U binnen enkele dagen in productie moet zijn en u de architectuur liever herziet zodra de use case bewezen is.

Dat laatste is het eerlijke argument ervoor. Het huren van een harness om te valideren of een agent de moeite waard is om te bouwen, is een verstandige engineeringbeslissing.

Waar teams tegen grenzen aanlopen

Drie beperkingen komen herhaaldelijk naar voren zodra een agent van pilot naar echt productievolumeverkeer gaat.

De modelkeuze staat vast. De harness is specifiek gebouwd voor Claude, wat precies de reden is waarom het goed presteert en ook precies de reden waarom u de 80% van uw taken die geen grensverleggend model nodig hebben, niet kunt omleiden naar iets goedkopers. Bij een agent die duizenden keren per dag draait, is dat waar de kosten zich opstapelen.

Kosten bestaan uit twee onderdelen, niet één. U betaalt de standaard token-tarieven van Claude plus een op sessies gebaseerde vergoeding voor de beheerde runtime. Prijzen per sessie-uur worden veelvuldig geciteerd in artikelen van derden, maar controleer de huidige tarieven op de eigen prijzenpagina van Anthropic voordat u een model maakt. We ontleden het volledige beeld in onze Claude Managed Agents prijsanalyse.

Dataretentie is een echte drempel voor gereguleerde teams. Omdat Managed Agents ontworpen is om statusvol te zijn - sessies slaan gespreksgeschiedenis, sandbox-status en uitvoer server-side op - vermeldt de documentatie van Anthropic dat het momenteel niet in aanmerking komt voor Zero Data Retention (ZDR) of HIPAA Business Associate Agreement (BAA) dekking. U behoudt de controle in de zin dat u sessies en geüploade bestanden op elk moment via de API kunt verwijderen, maar als uw nalevingsbeleid ZDR of een BAA vereist, is dit een harde blokkade in plaats van een inkoopgesprek. De self-hosted sandbox-optie lost wel op waar de code wordt uitgevoerd, maar niet wat het platform bewaart.

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 een enkele modelprovider, kunt u met TrueForge uw eigen modellen, MCP-servers en infrastructuur meenemen, terwijl het de agent-loop, tool-uitvoering, contextbeheer, goedkeuringen en sandboxing afhandelt.

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

U 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 meegaande meermodel-laag. Dit betekent dat teams van model kunnen wisselen of workloads naar verschillende providers kunnen sturen zonder de agent zelf opnieuw te hoeven bouwen. In combinatie met TrueFoundry's AI Gateway kunnen teams ook model-routing en kostenbeheersing toepassen om te voorkomen dat dure topmodellen 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 ten opzichte van Claude Managed Agents behaalde TrueForge ongeveer dezelfde taaknauwkeurigheid, terwijl het slechts ongeveer 40% van het aantal tokens gebruikte wanneer beide op Opus 4.8 werden uitgevoerd, wat het ongeveer 30% goedkoper maakte per run. Toen dezelfde benchmark werd uitgevoerd met GLM-5.2 op TrueForge, behaalde het dezelfde taakscore van ~11/14 voor 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 Auto Routing in 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 het routeren 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 verkeer dat representatief is voor productieomgevingen bereikte de totale kostenverlaging zelfs 80%.

Deze twee lagen richten zich op verschillende onderdelen van het kostenvraagstuk. TrueForge verlaagt de overhead van het uitvoeren van de agent zelf, terwijl model-routing u in staat stelt om het gebruik van een duur model te vermijden wanneer de taak dat niet vereist. Voor teams die agents op schaal laten draaien, kunnen beide beheerelementen belangrijker zijn dan de prijs van het model alleen.

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

Als u Claude Managed Agents vergelijkt met een meer configureerbare architectuur, is TrueFoundry het overwegen waard wanneer modelflexibiliteit, controle over de infrastructuur en kostenoptimalisatie voor agents net zo belangrijk zijn als de agent-runtime zelf.

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

Draai productierijpe AI-agents op uw eigen infrastructuur met TrueForge, met uw eigen keuze aan modellen, tools en sandbox-providers.

Bekijk op GitHub

Documentatie

De laag die Managed Agents niet dekt

Managed Agents beheert de runtime van één agent erg goed. Wat het niet doet, is het beheren van een hele vloot agents - wat het probleem is dat de kop opsteekt rond agent nummer vijf, wanneer de financiële afdeling vraagt wat dit allemaal kost en security 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.
TrueFoundry's AI Gateway bevindt zich voor elke model- en MCP-aanroep die een agent doet. Het past gecentraliseerde modeltoegang, budgetten per team, rate limits, guardrails, beheer van inloggegevens en geünificeerde traces toe - ongeacht welke agents en frameworks uw teams gebruiken. Het ondersteunt 1.000+ LLM's via één enkele OpenAI-compatibele API, voegt slechts ongeveer 3–4 ms aan overhead toe en verwerkt 350+ RPS op een enkele vCPU, zodat het in het kritieke pad van een langlopende agent kan staan zonder de knelpunten te worden. Het draait in uw eigen VPC, on-premise of air-gapped.

Dit is met name handig wanneer een organisatie agents inzet over meerdere modellen in plaats van te vertrouwen op één enkele modelprovider.

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

AI Gateway: beheert modeltoegang, routing, beleid, observeerbaarheid en provider-abstractie.

Door deze scheiding kunnen teams modellen wijzigen of toevoegen zonder de agent zelf te hoeven herontwerpen.

Conclusie

Claude Managed Agents tilt agentontwikkeling naar een hoger niveau: in plaats van zelf de uitvoeringsinfrastructuur rondom Claude te bouwen, kunt u een beheerde harness gebruiken die is ontworpen voor langlopende, asynchrone agent-workloads.

Het belangrijke onderscheid zit tussen het model en alles eromheen. Het model verzorgt het redeneren, terwijl de agent-harness de loop, tools, sandbox, sessies en uitvoering beheert. Managed Agents bundelt een groot deel van die infrastructuur in het platform van Anthropic, terwijl opensource-benaderingen zoals TrueForge teams meer controle geven over de harness en runtime.

Voor productie-AI-systemen gaat de keuze daarom niet alleen over welk model u gebruikt. Het gaat ook over waar de agent runtime zich bevindt, wie deze beheert, hoeveel controle u nodig hebt en hoe u de modeltoegang regelt.

Naarmate agents bekwamer worden en toenemend complexe workflows afhandelen, zullen deze infrastructuurbeslissingen een steeds belangrijker onderdeel worden van het bouwen van betrouwbare productie-agents.

Veelgestelde vragen

V: Wat zijn Claude Managed Agents?

‍A: Claude Managed Agents is de reeks van samenstelbare API's van Anthropic voor het bouwen en uitvoeren van in de cloud gehoste AI-agents op het Claude Platform. Het biedt een kant-en-klare agent-harness — de tool-calling loop, gesandboxte uitvoering, sessiestatus, bereikgebonden machtigingen en tracing — zodat teams agents kunnen implementeren zonder hun eigen runtime te bouwen. Het is op 8 april 2026 gelanceerd in publieke bèta en is opgebouwd rond vier concepten: agents, environments, sessions en events.

V: Wat is het verschil tussen Claude Managed Agents en de Claude Agent SDK?

‍A: De Claude Agent SDK voert de agent-loop uit binnen uw eigen proces en infrastructuur; Claude Managed Agents voert deze uit op die van Anthropic. Met de SDK bent u eigenaar van de runtime, de sandbox en de operationele last. Met Managed Agents draagt u alle drie over aan Anthropic en krijgt u in ruil daarvoor productie-infrastructuur, persistentie en console-tracing. Beide zijn uitsluitend voor Claude.

V: Hoeveel kosten Claude Managed Agents?

‍A: De kosten bestaan uit twee delen: standaard Claude API-tokentarieven voor het model, plus een op sessies gebaseerde toeslag voor de beheerde runtime. Omdat agents gedurende langere periodes draaien en de harness zelf tokens verbruikt voor tool-calls en contextbeheer, domineert de token-kant meestal de factuur. Onze prijsspecificatie werkt de volledige berekening per run uit.

V: Kan ik TrueFoundry implementeren in mijn eigen VPC of on-premise?

‍A: Ja. TrueFoundry draait in uw VPC, on-premise, air-gapped, hybride of over meerdere clouds, en er verlaat geen data uw domein. Dit is de belangrijkste reden waarom gereguleerde ondernemingen hiervoor kiezen in plaats van SaaS-only gateways - bijzonder relevant hier, aangezien Managed Agents momenteel niet in aanmerking komt voor Zero Data Retention of HIPAA BAA-dekking.

V: Ondersteunt TrueFoundry MCP en AI-agents?

‍A: Ja. TrueFoundry bevat een MCP Gateway, Agent Gateway en een MCP & Agents Registry met toegangscontrole op tool-niveau. Agents gebouwd op LangGraph, CrewAI, AutoGen, de Claude Agent SDK of aangepaste frameworks kunnen allemaal centraal worden geïmplementeerd en beheerd.

V: Hoeveel LLM's ondersteunt TrueFoundry?

‍A: Meer dan 1.000 LLM's via een enkele OpenAI-compatibele API. U wisselt van model door de modelnaam in het verzoek te wijzigen — dezelfde URL, dezelfde inloggegevens — wat het routeren van goedkope taken naar goedkope modellen een configuratiewijziging maakt in plaats van een herschrijving.

Gerelateerde artikelen

• Claude Managed Agents-alternatieven de vijf opties die het evalueren waard zijn als beheerd niet de juiste keuze is
• TrueForge vs Claude Managed Agents: de benchmark volledige Enterprise-Bench-methodologie en kosten-per-run-cijfers
• Wat is Multi-Agent Orchestration? de laag boven een enkele agent runtime
• LLM Agents: architectuur en patronen de introductie achter dit artikel
• AI Agent Registry hoe u het overzicht behoudt over agents zodra u er meer dan een handvol gebruikt