O que são os Claude Managed Agents? Arquitetura, como funcionam e quando usá-los

Criar um agente de IA não é difícil porque chamar um LLM seja difícil. A parte mais complexa é tudo o que envolve o modelo: o loop do agente, execução de ferramentas, sandbox, estado, tempo de execução e permissões necessários para permitir que um agente realmente conclua uma tarefa.

O Claude Managed Agents empacota essa infraestrutura em um tempo de execução de agente gerenciado, para que os desenvolvedores possam configurar um agente e deixar que a Anthropic cuide de grande parte da infraestrutura de execução subjacente.

O que são os Claude Managed Agents?

Claude Managed Agents é a estrutura de agentes pré-configurada da Anthropic que roda em infraestrutura gerenciada, projetada para cargas de trabalho de agentes de longa duração e assíncronas, dando aos agentes acesso a ferramentas, ambientes de execução, sessões e outras infraestruturas necessárias para concluir tarefas de várias etapas.

A maneira mais fácil de entender os Managed Agents é compará-los com a Messages API da Anthropic.

Com a Messages API, você obtém acesso direto ao Claude. Sua aplicação é responsável por construir o loop do agente em torno do modelo: manter o histórico da conversa, decidir quando chamar ferramentas, executar essas ferramentas, passar os resultados de volta para o Claude e determinar quando a tarefa está concluída.

ComClaude Managed Agents, a Anthropic fornece a estrutura do agente e a infraestrutura em torno do modelo. Em vez de implementar o loop de execução completo por conta própria, você configura um agente e seu ambiente e, em seguida, cria sessões nas quais o agente pode realizar o trabalho.

A distinção pode ser resumida como:

Tudo roda atrás do cabeçalho managed-agents-2026-04-01 beta, que os SDKs oficiais configuram para você. O acesso é habilitado por padrão em contas de API, e o serviço também está disponível através da Claude Platform na AWS, com algumas diferenças na disponibilidade de recursos e no comportamento das sessões. A Anthropic citou Notion, Rakuten e Sentry entre as primeiras equipes a desenvolverem com essa tecnologia.

A palavra que mais faz o trabalho pesado em "Anthropic Managed Agents" é gerenciado. Você não está recebendo um novo modelo ou uma nova capacidade — o Claude já conseguia usar ferramentas. Você está recebendo a equipe de operações de outra pessoa.

Como funcionam os Claude Managed Agents?

O ciclo de vida consiste em cinco etapas, e vale a pena entendê-lo, pois cada uma delas corresponde a um recurso que você cria e pelo qual paga.

1. Crie um agente. Defina o modelo, o prompt do sistema, as ferramentas, os servidores MCP e as habilidades. O agente é criado uma única vez e referenciado por ID em todas as sessões que o utilizam.
2. Crie um ambiente. Configure onde as sessões são executadas — seja em um sandbox na nuvem gerenciado pela Anthropic ou em um sandbox auto-hospedado em uma infraestrutura sob seu controle, que existe principalmente para atender a requisitos de conformidade e residência de dados.
3. Inicie uma sessão. Uma sessão é uma instância em execução do seu agente dentro de um ambiente, trabalhando em uma tarefa específica.
4. Envie eventos e transmita respostas. Sua aplicação envia as interações do usuário como eventos; o Claude chama ferramentas de forma autônoma e transmite os resultados de volta via server-sent events. O histórico de eventos é persistido no servidor e pode ser recuperado na íntegra posteriormente.
5. Direcione ou interrompa. Você pode injetar eventos adicionais do usuário durante a execução para redirecionar o agente ou interrompê-lo completamente.

A quinta etapa é a que as pessoas subestimam. Um agente de longo prazo que não pode ser redirecionado no meio do caminho é apenas um processo em lote com latência extra.

Os quatro conceitos principais

O Claude Managed Agents foi desenvolvido em torno de alguns conceitos fundamentais que separam a configuração do agente da tarefa individual que ele executa.

Agente

Um(a)Agente é a configuração reutilizável que define como o agente se comporta. Ele pode especificar o modelo Claude, o prompt do sistema, as ferramentas, os servidores MCP e as habilidades disponíveis para o agente.

Por exemplo, um agente pode ser configurado como:

Agente de Pesquisa
├── Modelo: Claude
├── Prompt do sistema: Analista de pesquisa
├── Ferramentas
├── Servidores MCP
└── Habilidades

‍Uma vez configurado o agente, você pode criar sessões usando essa definição em vez de refazer a configuração para cada tarefa.

Ambiente

Oambiente é onde o agente realmente realiza seu trabalho.

Isso é importante porque um agente precisa de um local para executar comandos, manipular arquivos, rodar código e interagir com ferramentas. Agentes Gerenciados podem usar ambientes sandbox gerenciados pela Anthropic, e a Anthropic também oferece suporte para configurações de sandbox auto-hospedadas.

Isso separa o raciocínio do agente do ambiente no qual suas ações são executadas.

Sessão

Um(a)sessão representa uma instância em execução de um agente realizando uma tarefa.

Em vez de tratar cada chamada de modelo como uma solicitação isolada, uma sessão oferece ao agente um contexto de execução persistente no qual ele pode processar uma tarefa, interagir com ferramentas e manter o estado.

Um fluxo simplificado parece com isto:

Configuração do agente
       ↓
   Ambiente
       ↓
     Sessão
       ↓
 O agente realiza o trabalho
       ↓
Ferramentas / arquivos / código / MCP

Este modelo baseado em sessão é particularmente relevante para cargas de trabalho de longa duração, onde um agente pode precisar realizar muitas ações antes de produzir um resultado final.

Eventos

As aplicações interagem com as sessões do Managed Agent por meio de eventos. Eles podem representar mensagens do usuário, atividade do agente, resultados de ferramentas e outras alterações na sessão.

Isso permite que uma aplicação inicie uma sessão de agente e transmita seu progresso em vez de implementar todo o loop de orquestração por conta própria.

Em resumo:

Sua aplicação
      │ Iniciar / enviar evento
      ↓
Sessão do Managed Agent
      ├── Raciocinar
      ├── Chamar ferramenta
      ├── Executar código
      ├── Ler / gravar arquivos
      └── Continuar trabalhando
      ↓
Transmita eventos de volta
      ↓
Sua aplicação

O resultado é uma separação entre a aplicação que solicita o trabalhoea infraestrutura que executa o agente.

Essa separação é a ideia central por trás dos Managed Agents: o desenvolvedor define o agente e suas capacidades, enquanto o runtime gerenciado cuida de grande parte da estrutura necessária para manter o agente em funcionamento.

O que acontece quando um Claude Managed Agent é executado?

Once an agent, environment, and session are configured, the Managed Agents runtime handles the execution loop.

1. Your application sends a task to the session.
2. The runtime provisions the environment where the agent will work.
3. Claude decides what actions to take based on the task and available tools.
4. Tools execute inside the configured environment, and their results are returned to Claude.
5. The loop continues until the agent completes the task, while events can be streamed back to your application.

In simplified form:

Task
↓
Claude reasons
↓
Tool call
↓
Tool result
↓
Claude reasons again
↓
...
↓
Final result

The key difference from building an agent with the Messages API is that your application doesn't have to orchestrate each model call and tool result itself. Managed Agents handles that loop and exposes the execution through the session and event interfaces.

What's Built In

The value of any agent gateway or managed harness is measured by what you no longer have to write. Managed Agents ships with:

• A built-in tool set. Bash for shell commands inside the sandbox; file operations for read, write, edit, glob and grep; web search and fetch, optionally constrained to a domain allowlist or blocklist; and MCP server connections for external tool providers.
• Secure sandboxing. Execution isolation, authentication and secret management are handled by Anthropic. No servers to provision, no container escape logic to write.
• Stateful sessions with checkpointing. Persistent filesystems and conversation history across interactions, with sessions resuming cleanly after pauses or disconnects.
• Context management. Prompt caching and compaction are part of the harness rather than something you bolt on when your token bill spikes.
• Scheduled execution. Recurring agent runs on a cron schedule through scheduled deployments.
• Scoped permissions and identity. Define which tools and data sources a given agent can reach, with execution tracing attached.
• Console observability. Session tracing, integration analytics and troubleshooting live in the Claude Console, so you can inspect individual tool calls, decisions and failure modes.

Anthropic reports that in internal testing on structured file generation, Managed Agents improved task success by up to 10 points over a standard prompting loop, with the largest gains on the hardest problems. That is a claim about the harness, not the model and it's a fair illustration of why harness quality matters at all.

Worth keeping separate in your head: several of the headline capabilities are not generally available. Multi-agent coordination, self-evaluation against success criteria, MCP tunnels and dreaming sit in research preview behind a separate access request. If your architecture depends on agents spawning and directing other agents, that's a request form today, not an API.

Claude Managed Agents vs the Claude Agent SDK vs Building Your Own

Most teams evaluating this are really choosing between three points on a spectrum. The Claude Agent SDK comparison goes deeper, but here's the shape of it:

The pattern is consistent: every row you hand to Anthropic buys you time and costs you optionality. For a first agent, that's usually the right trade. For the twentieth, running across three teams with different compliance requirements, it usually isn't.

When Managed Agents Is the Right Call

Managed Agents works best when:

• The task is genuinely long-horizon - minutes or hours of execution with many tool calls, not a single request-response.
• Your team has already standardised on Claude and has no near-term plan to run open or multi-vendor models.
• You have little or no platform engineering capacity to spend on agent infrastructure.
• The work is asynchronous or scheduled - overnight reconciliation, recurring research, batch document generation.
• Sessions need to survive interruption, with a filesystem and history that persist between interactions.
• You need to be in production in days, and you'd rather revisit the architecture once the use case is proven.

That last one is the honest case for it. Renting a harness to validate whether an agent is worth building is a reasonable engineering decision.

Where Teams Hit Limits

Three constraints come up repeatedly once an agent moves from pilot to real traffic.

The model choice is made for you. The harness is purpose-built for Claude, which is exactly why it performs well and exactly why you can't route the 80% of your tasks that don't need a frontier model to something cheaper. On an agent running thousands of times a day, that's where the bill lives.

Cost has two components, not one. You pay standard Claude token rates plus a session-based charge for the managed runtime. Session-hour pricing is widely quoted in third-party write-ups, but check current rates against Anthropic's own pricing page before you model it. We break the full picture down in our Claude Managed Agents pricing analysis.

Data retention is a real gate for regulated teams. Because Managed Agents is stateful by design - sessions store conversation history, sandbox state and outputs server-side.- Anthropic's documentation states it is not currently eligible for Zero Data Retention or HIPAA Business Associate Agreement coverage. You retain control in the sense that you can delete sessions and uploaded files through the API at any time, but if your compliance posture requires ZDR or a BAA, this is a hard blocker rather than a procurement conversation. The self-hosted sandbox option addresses where code executes, not what the platform retains.

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

TrueForge is TrueFoundry's open-source, vendor-neutral agent harness for teams that want more control over how their agents run in production. Instead of tying the runtime to a single model provider, TrueForge lets you bring your own models, MCP servers, and infrastructure while handling the agent loop, tool execution, context management, approvals, and sandboxing.

Where a self-hosted agent like Hermes leaves much of the production infrastructure to the developer, TrueForge provides the surrounding control plane needed to operate agents across teams and environments. This includes centralized MCP access and credentials, human-in-the-loop approvals, sandboxed execution, observability, and governance.

You can run it locally with npx @truefoundry/trueforge or deploy it for a team with Docker Compose or Helm.

TrueForge also separates the agent runtime from the model layer. This means teams can switch models or route workloads to different providers without rebuilding the agent itself.Combined with TrueFoundry's AI Gateway, teams can also apply model routing and cost controls to avoid using expensive frontier models for tasks that don't require them. The result is a middle ground between a fully managed runtime and building the entire agent infrastructure yourself: an open-source agent harness with the operational controls needed to run production agents at scale.‍

In TrueFoundry's benchmark against Claude Managed Agents, TrueForge reached roughly the same task accuracy while using about 40% as many tokens when both were run on Opus 4.8, making it about 30% cheaper per run. When the same benchmark was run with GLM-5.2 on TrueForge, it achieved the same ~11/14 task score at about $2.90 per run versus $11.80 for Claude Managed Agents, roughly 75% lower cost.

TrueFoundry also provides a second lever for reducing model costs through AI Gateway's Auto Routing. Instead of sending every request to a frontier model, Auto Routing classifies requests by complexity and routes them to different model tiers. In TrueFoundry's benchmark across 550 prompts, routing between Haiku, Sonnet, and Opus reduced cost by 69% while retaining 98% of baseline quality, and mean latency dropped from 7.6 seconds to 4.0 seconds. On production-shaped traffic, the overall cost reduction reached 80%.

These two layers address different parts of the cost equation. TrueForge reduces the overhead of running the agent itself, while model routing lets you avoid using an expensive model when the task doesn't require one. For teams running agents at scale, having both controls can matter more than the price of the model alone.

TrueForge is open source and MIT licensed,enquanto o AI Gateway da TrueFoundry adiciona a camada operacional que as equipes precisam ao passar de agentes individuais para a produção: acesso centralizado a modelos, orçamentos, proteções (guardrails), gerenciamento de credenciais e rastreamento unificado.

Se você está comparando o Claude Managed Agents com uma arquitetura mais configurável, vale a pena considerar a TrueFoundry quandoflexibilidade de modelo, controle de infraestrutura e otimização de custos de agentesimportam tanto quanto o próprio tempo de execução do agente.

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

O que os Agentes Gerenciados de Camada não cobrem

Os Agentes Gerenciados controlam muito bem o tempo de execução de um único agente. O que eles não fazem é controlar uma frota , que é o problema que surge por volta do quinto agente, quando o financeiro pergunta quanto tudo isso custa e a segurança pergunta quem aprovou as credenciais.

Um ambiente de agente controla como um agente funciona. Um Gateway de IA controla como esse agente acessa modelos.

Por exemplo, uma organização pode executar agentes usando o Claude Managed Agents ou o TrueForge enquanto roteia as solicitações de modelo por meio de um Gateway de IA.
OGateway de IA fica à frente de cada chamada de modelo e de MCP que um agente faz, aplicando acesso centralizado a modelos, orçamentos por equipe, limites de taxa, diretrizes de segurança, gerenciamento de credenciais e rastreamento unificado — independentemente dos agentes e frameworks que suas equipes estejam executando. Ele suporta mais de 1.000 LLMs por meio de uma única API compatível com OpenAI, adiciona cerca de 3 a 4 ms de sobrecarga e lida com mais de 350 RPS em uma única vCPU, para que possa permanecer no caminho crítico de um agente de longa execução sem se tornar um gargalo. Ele é executado em sua própria VPC, localmente ou em ambientes isolados (air-gapped).

Isso se torna particularmente útil quando uma organização executa agentes em vários modelos, em vez de depender de um único provedor de modelos.

Tempo de execução do agente: gerencia o loop, as ferramentas, o estado e a execução do agente.

Gateway de IA: gerencia o acesso a modelos, roteamento, políticas, observabilidade e abstração de provedores.

Essa separação permite que as equipes alterem ou adicionem modelos sem precisar reprojetar o agente em si.

Conclusão

O Claude Managed Agents eleva o nível do desenvolvimento de agentes: em vez de construir você mesmo a infraestrutura de execução em torno do Claude, você pode usar um ambiente gerenciado projetado para cargas de trabalho de agentes assíncronas e de longa duração.

A distinção importante está entre o modelo e tudo o que o cerca. O modelo fornece o raciocínio, enquanto o ambiente do agente gerencia o loop, as ferramentas, o sandbox, as sessões e a execução. Os Agentes Gerenciados empacotam grande parte dessa infraestrutura na plataforma da Anthropic, enquanto abordagens de código aberto, como o TrueForge dê às equipes mais controle sobre o harness e o runtime.

Para sistemas de IA em produção, a escolha, portanto, não se resume apenas a qual modelo usar. Trata-se também de onde o runtime do agente reside, quem o opera, quanto controle você precisa e como você governa o acesso ao modelo.

À medida que os agentes se tornam mais capazes e lidam com fluxos de trabalho cada vez mais complexos, essas decisões de infraestrutura se tornarão uma parte cada vez mais importante da construção de agentes de produção confiáveis.

Perguntas frequentes

P: O que é o Claude Managed Agents?

‍R: O Claude Managed Agents é o conjunto de APIs componíveis da Anthropic para criar e executar agentes de IA hospedados na nuvem na plataforma Claude. Ele fornece um harness de agente pré-construído — o loop de chamada de ferramentas, execução em sandbox, estado de sessão, permissões com escopo definido e rastreamento — para que as equipes implantem agentes sem precisar criar seu próprio runtime. Ele foi lançado em versão beta pública em 8 de abril de 2026 e é estruturado em torno de quatro conceitos: agentes, ambientes, sessões e eventos.

P: Qual é a diferença entre o Claude Managed Agents e o Claude Agent SDK?

‍R: O Claude Agent SDK executa o loop do agente dentro do seu próprio processo e infraestrutura; o Claude Managed Agents o executa na infraestrutura da Anthropic. Com o SDK, você é responsável pelo runtime, pelo sandbox e pela carga operacional. Com o Managed Agents, você transfere tudo isso para a Anthropic e, em troca, obtém infraestrutura de produção, persistência e rastreamento via console. Ambos são exclusivos para o Claude.

P: Quanto custa o Claude Managed Agents?

‍R: O custo é composto por duas partes: as taxas padrão de token da API do Claude para o modelo, mais uma cobrança baseada em sessão pelo runtime gerenciado. Como os agentes são executados por longos períodos e o próprio harness consome tokens para chamadas de ferramentas e gerenciamento de contexto, o custo dos tokens geralmente domina a fatura. Nossa análise de preços detalha todo o cálculo por execução.

P: Posso implantar o TrueFoundry na minha própria VPC ou on-premise?

‍R: Sim. O TrueFoundry é executado em sua VPC, on-premise, em ambientes isolados (air-gapped), híbridos ou em várias nuvens, e nenhum dado deixa o seu domínio. Este é o principal motivo pelo qual empresas regulamentadas o escolhem em vez de gateways apenas SaaS — o que é particularmente relevante aqui, já que o Managed Agents não é elegível atualmente para Zero Data Retention ou cobertura HIPAA BAA.

P: O TrueFoundry oferece suporte a MCP e agentes de IA?

‍R: Sim. O TrueFoundry inclui um MCP Gateway, um Agent Gateway e um Registro de MCP e Agentes com controle de acesso em nível de ferramenta. Agentes criados no LangGraph, CrewAI, AutoGen, Claude Agent SDK ou frameworks personalizados podem ser implantados e governados centralmente.

P: Quantos LLMs a TrueFoundry suporta?

‍R: Mais de 1.000 LLMs por meio de uma única API compatível com OpenAI. Você alterna os modelos alterando o nome do modelo na solicitação — mesma URL, mesmas credenciais — o que torna o roteamento de tarefas baratas para modelos baratos uma simples alteração de configuração, em vez de uma reescrita.

Leituras relacionadas

• Alternativas ao Claude Managed Agents as cinco opções que vale a pena avaliar se o modelo gerenciado não for a escolha ideal
• TrueForge vs Claude Managed Agents: o benchmark metodologia completa do Enterprise-Bench e números de custo por execução
• O que é Orquestração Multi-Agente? a camada acima de um runtime de agente único
• Agentes de LLM: arquitetura e padrões a base por trás desta publicação
• Registro de Agentes de IA como acompanhar os agentes quando você estiver executando mais do que apenas alguns