Managed Agents & opschalen

Agents die 24/7 op Anthropic's infrastructuur draaien.

Doel: je agent 24/7 laten draaien zonder dat je zelf de infrastructuur beheert, en meerdere
agents laten samenwerken. Dit is hoe je van "draait op mijn laptop" naar "draait altijd" gaat.

Bijbehorende code: code/managed_agent_setup.py.

Het probleem met je eigen lus

De agents uit module 04–06 draaien op jouw computer, in jouw script. Dat is perfect om te leren en te testen, maar voor een echt bedrijf wil je:

• 24/7 beschikbaarheid (ook als je laptop uit staat).
• Een veilige sandbox waarin de agent bestanden kan lezen/schrijven en code kan draaien.
• Geen serverbeheer — geen Linux-servers, geen uptime-zorgen.

Hiervoor bestaan Managed Agents: Anthropic draait de agent-lus én een sandbox-container voor je. Jij stuurt berichten in en krijgt een stroom gebeurtenissen terug.

Hoe Managed Agents werken

Er zijn drie kernbegrippen:

⚠️ De gouden volgorde: maak de Agent één keer aan (in een setup-script), bewaar zijn
id, en start daarna bij elke run alleen een Session die naar dat id verwijst. Maak nooit
bij elke run een nieuwe agent aan — dat is de meestgemaakte fout.

SETUP (één keer)                    RUNTIME (elke keer)
┌────────────────────┐             ┌──────────────────────────┐
│ environments.create │            │ sessions.create(          │
│ agents.create       │  ── id ──▶ │   agent=AGENT_ID,         │
│   → bewaar AGENT_ID │            │   environment_id=ENV_ID)  │
└────────────────────┘             │ events.send(...)          │
                                   │ events.stream(...)        │
                                   └──────────────────────────┘

Wat een Managed Agent extra kan

• Ingebouwde toolset (agent_toolset_20260401): bash, bestanden lezen/schrijven/bewerken,

zoeken in bestanden, web search, web fetch — kant-en-klaar.

• Een echte werkmap (container) waarin de agent bestanden maakt (rapporten, Excel, code).
• Skills: kant-en-klare expertise (bijv. xlsx, docx, pptx, pdf) die de agent

automatisch inzet wanneer nodig.

• MCP-servers: koppel externe diensten (GitHub, je eigen tools) met veilige credential-opslag

(vaults).

• Persistent geheugen (memory stores) dat sessies overleeft.
• Automatische compaction & prompt caching — lange taken blijven betaalbaar.

Een Managed Agent opzetten (code)

Zie code/managed_agent_setup.py voor een volledig voorbeeld. De kern:

import anthropic
client = anthropic.Anthropic()

# 1. SETUP — één keer. Bewaar deze id's (in je .env, config of database).
environment = client.beta.environments.create(
    name="mijn-bedrijf-env",
    config={"type": "cloud", "networking": {"type": "unrestricted"}},
)

agent = client.beta.agents.create(
    name="Onderzoeks- en rapportage-agent",
    model="claude-opus-4-8",
    system="Je bent een grondige marktonderzoeker. Je levert beknopte, onderbouwde rapporten.",
    tools=[{"type": "agent_toolset_20260401"}],   # bash, files, web search, etc.
    skills=[{"type": "anthropic", "skill_id": "xlsx"}],  # kan Excel-bestanden maken
)
print("Bewaar deze:", agent.id, environment.id)

# 2. RUNTIME — elke keer dat je werk wilt laten doen.
session = client.beta.sessions.create(
    agent=AGENT_ID,                 # het bewaarde id
    environment_id=ENV_ID,
    title="Marktonderzoek meubeltrends",
)

# Open eerst de stream, stuur dan je opdracht (stream-first!).
stream = client.beta.sessions.events.stream(session_id=session.id)
client.beta.sessions.events.send(
    session_id=session.id,
    events=[{"type": "user.message",
             "content": [{"type": "text", "text": "Onderzoek de top 5 meubeltrends van dit jaar en maak een Excel-overzicht."}]}],
)

for event in stream:
    if event.type == "agent.message":
        for block in event.content:
            if block.type == "text":
                print(block.text, end="", flush=True)
    elif event.type == "session.status_idle":
        break

De agent zoekt zelf op het web, maakt een Excel-bestand in zijn container, en jij downloadt het resultaat achteraf via de Files-API. Geen server, geen onderhoud.

Outcomes: laat de agent doorwerken tot het écht af is

Een krachtig patroon voor bedrijfswerk is een outcome: je beschrijft wat "klaar" betekent met een toetsbare rubriek, en een aparte beoordelaar laat de agent net zo lang itereren en verbeteren tot het resultaat voldoet (of een limiet bereikt).

client.beta.sessions.events.send(
    session_id=session.id,
    events=[{
        "type": "user.define_outcome",
        "description": "Maak een DCF-waarderingsmodel voor bedrijf X in Excel.",
        "rubric": {"type": "text", "content": RUBRIEK_MARKDOWN},
        "max_iterations": 5,
    }],
)

Voor diensten met een duidelijke "definitie van klaar" (rapporten, modellen, analyses) verhoogt dit de kwaliteit enorm — de agent levert pas op als de checklist groen is.

Meerdere agents laten samenwerken

Voor grotere operaties laat je een coördinator-agent delegeren aan gespecialiseerde sub-agents (elk met eigen model, prompt en tools):

orchestrator = client.beta.agents.create(
    name="Operations-lead",
    model="claude-opus-4-8",
    system="Jij coördineert. Delegeer onderzoek en schrijfwerk aan je specialisten.",
    tools=[{"type": "agent_toolset_20260401"}],
    multiagent={"type": "coordinator", "agents": [onderzoeker.id, schrijver.id]},
)

Begin hier níet mee. Eén agent die één ding goed doet is bijna altijd het juiste startpunt. Multi-agent is voor als je een bewezen proces wilt opschalen.

Wanneer gebruik je wat?

Jouw opdracht

1. Lees managed_agent_setup.py door (draaien vereist API-toegang tot de Managed Agents-beta).
2. Beslis: heeft jouw bedrijf 24/7-draaien nodig, of is een geplande run op je eigen machine

(bijv. via een cron-job of de cloud-taakplanner) voorlopig genoeg?

1. Schets welke ingebouwde tools/skills jouw agent zou gebruiken.

💡 Je hoeft Managed Agents niet meteen te gebruiken. Veel winstgevende agent-bedrijven draaien
prima op een geplande run van een eigen script. Stap over wanneer je het écht nodig hebt.