Claude Managed Agents — $0.08 в час за инфраструктуру, которую вы строили бы три месяца
Claude Managed Agents — $0.08 в час за инфраструктуру, которую вы строили бы три месяца
TL;DR: Anthropic запустила Claude Managed Agents: облачная инфраструктура для продакшен-агентов. Описываете агента (текстом или YAML), задаёте инструменты и ограничения, всё остальное поднимается автоматически. Стоимость: стандартные токены API + $0.08 за час активного runtime. Мульти-агентная оркестрация пока в research preview.
8 апреля Anthropic перестала быть просто продавцом моделей. Claude Managed Agents принимает описание агента, поднимает облачное окружение, изолирует выполнение кода, хранит credentials отдельно от песочницы и логирует каждое действие. Notion, Rakuten, Asana и Sentry уже подключились. Запуск продакшен-агента сокращается с месяцев до дней, если верить Anthropic.
Зачем вообще managed-сервис? Любой, кто пытался вывести AI-агента в продакшен, знает этот список: sandbox для безопасного исполнения кода, checkpoint'ы на случай обрыва сети, credential management с изоляцией от prompt injection, scoped permissions, end-to-end трейсинг. Ничего из этого не интересно. Всё это необходимо. И на это уходят месяцы.
Архитектура: мозг отдельно, руки отдельно
Самое интересное в Managed Agents не "что", а "как". Anthropic разделила агента на три независимых компонента:
- Brain (мозг): Claude + harness (логика tool-вызовов и контекст-менеджмент)
- Hands (руки): sandbox, где агент выполняет код и редактирует файлы
- Session (журнал): append-only лог событий, живёт отдельно от первых двух
Каждый компонент может упасть и подняться заново. Если sandbox умирает, harness перехватывает ошибку как обычный tool-call failure. Если падает сам harness, новый экземпляр стартует по wake(sessionId), считывает журнал через getSession(id) и продолжает с последнего события. Контейнер стал "скотом" вместо "питомца" (pets vs cattle в терминологии Anthropic): потерять не жалко, поднять дёшево.
Раньше всё жило в одном контейнере. Контейнер падал, сессия терялась. Для отладки приходилось открывать shell внутри, но в нём лежали данные пользователя. Отладить нельзя, потерять можно. Замкнутый круг.
Разделение дало конкретный результат: time-to-first-token (TTFT) упал на 60% для p50 и более чем на 90% для p95 (по данным Anthropic, независимых замеров пока нет). Раньше каждая сессия ждала поднятия контейнера, клонирования репо и запуска окружения. Теперь inference стартует моментально, а контейнер поднимается только когда агент впервые вызывает инструмент.
Архитектура масштабируется в обе стороны: несколько brain'ов подключаются к одним hands, один brain управляет несколькими sandbox'ами. Интерфейс одинаковый: execute(name, input) → string. Harness'у всё равно, sandbox это контейнер, телефон или эмулятор Покемонов (да, Anthropic буквально написала это в своём инженерном блоге).
Credentials вне песочницы
После утечки исходников Claude Code тема безопасности credentials звучит особенно остро. В старой архитектуре токены лежали в том же контейнере, где Claude генерировал и запускал код. Prompt injection мог прочитать переменные окружения.
В Managed Agents credentials хранятся в Vaults, отдельном хранилище за пределами sandbox. Git-токен подставляется при клонировании репо и прописывается в git remote, но агенту напрямую недоступен. MCP-инструменты вызываются через прокси: агент отправляет запрос, прокси достаёт credentials из Vault, делает вызов к внешнему сервису и возвращает результат. Claude не видит ни одного токена.
# Vault для конечного пользователя vault = client.beta.vaults.create( display_name="Production user", metadata={"internal_user_id": "u_001"} ) # Привязываем credential к MCP-серверу credential = client.beta.vaults.credentials.create( vault_id=vault.id, display_name="GitHub", auth={ "type": "static_bearer", "mcp_server_url": "https://api.githubcopilot.com/mcp/", "token": GITHUB_TOKEN # хранится в Vault, агент не видит } ) # Создаём сессию — агент получает доступ без прямого контакта с токеном session = client.beta.sessions.create( environment_id=env.id, agent={"type": "agent", "id": agent.id, "version": agent.version}, vault_ids=[vault.id] )
Аудит привязан к vault'у: всегда ясно, от имени какого пользователя агент действовал.
Что видит разработчик
Четыре сущности, четыре API-вызова:
- Agent: модель + system prompt + инструменты. Создаётся один раз, версионируется. Каждый
update()увеличивает версию, конкурентные обновления блокируются - Environment: шаблон контейнера. Какие pip-пакеты установить, какой уровень сети (unrestricted или allowlist)
- Session: запущенный агент в окружении. Сюда монтируются файлы, сюда отправляются сообщения
- Events: поток между приложением и агентом. SSE для real-time, webhook'и для продакшена
Минимальный пример из официального cookbook'а. Агент-аналитик получает CSV и возвращает HTML-отчёт с plotly-графиками:
from anthropic import Anthropic client = Anthropic() # Окружение с pandas и plotly env = client.beta.environments.create( name="analyst-env", config={ "type": "cloud", "networking": {"type": "unrestricted"}, "packages": {"type": "packages", "pip": ["pandas", "plotly"]} } ) # Агент: 8 инструментов (bash, read, write, edit, glob, grep, web_fetch, web_search) agent = client.beta.agents.create( name="data-analyst", model="claude-sonnet-4-6", system="You are a senior data analyst producing publication-quality reports...", tools=[{ "type": "agent_toolset_20260401", "default_config": {"enabled": True, "permission_policy": {"type": "always_allow"}}, "configs": [ {"name": "web_search", "enabled": False}, {"name": "web_fetch", "enabled": False} ] }] ) # Загружаем CSV, создаём сессию, отправляем задачу with open("sales.csv", "rb") as f: dataset = client.beta.files.upload(file=("sales.csv", f, "text/csv")) session = client.beta.sessions.create( environment_id=env.id, agent={"type": "agent", "id": agent.id, "version": agent.version}, resources=[{ "type": "file", "file_id": dataset.id, "mount_path": "/mnt/session/uploads/sales.csv" }] ) client.beta.sessions.events.send(session.id, events=[ {"type": "user.message", "content": [ {"type": "text", "text": "Проанализируй этот CSV: revenue по категориям, повторные клиенты, аномалии."} ]} ])
Агент запускается в облаке, пишет Python-скрипты, генерирует plotly-графики и сохраняет report.html в /mnt/session/outputs/. Забираете результат через Files API. Весь процесс занимает несколько минут.
Кто уже запустился
- Notion встроила Claude в рабочие пространства через Custom Agents (пока закрытая альфа). Инженеры кодят, остальные генерируют презентации и внутренние сайты
- Rakuten за неделю развернула агентов в продажах, маркетинге, финансах и HR. Агенты подключены к Slack и Teams, отдают готовые таблицы
- Asana сделала AI Teammates: агенты работают рядом с людьми внутри проектных задач
- Sentry скрестила свой дебаг-агент Seer с агентом на Claude, который пишет патчи и открывает PR'ы
Объединяет все кейсы одно: это не чат-боты. Это агенты, которые работают с реальными системами (Git, Slack, Jira) и возвращают артефакты: файлы, отчёты, pull request'ы.
Цены: дёшево, пока агентов мало
- Токены модели: стандартный прайс Claude API. Sonnet 4.6 стоит $3/$15 за 1M in/out, Opus 4.6 обойдётся в $5/$25
- Активный runtime: $0.08/час, тарификация посекундная. Время простоя (ожидание ввода или ответа инструмента) бесплатно
- Web search: $10 за 1000 запросов
Один агент, час работы: $0.08 сверх токенов. 24 агента по 8 часов в день: $15.36 только за runtime. Для enterprise это копейки. Для стартапа с сотней параллельных агентов считайте заранее.
Подводные камни
Мульти-агентная оркестрация в research preview. Самый мощный сценарий, когда один агент запускает другие и параллелит работу, доступен только по отдельному запросу. Self-evaluation (агент ставит цель и итерирует до достижения) тоже закрыт флагом. Notion и Rakuten используют эти фичи, для нового аккаунта они недоступны. Два ключевых selling point из анонса не работают у большинства пользователей.
Lock-in: только Claude. Managed Agents запускает исключительно модели Anthropic. Нельзя подключить GPT-5.4, Gemini, open-source. Anthropic на прошлой неделе выкинула OpenClaw из подписки, показав, что условия могут меняться быстро. Миграция с Managed Agents потребует переписать оркестрацию полностью.
Данные проходят через Anthropic. Каждый tool call, каждый файл, каждый вывод агента обрабатывается на серверах Anthropic. Enterprise-контракт включает privacy commitments, но для юридических документов, финансовых данных и медицинских записей это может быть blocker. Вопрос не "доверяете ли вы Anthropic", а "разрешает ли комплаенс отправлять эти данные в чужое облако".
Web search по $10 за 1000 запросов. Агент-ресёрчер, который делает 50 запросов за сессию, тратит $0.50 на поиск. При 100 сессиях в день это $50/день сверх всего остального. Для research-heavy сценариев эта строчка в прайсе может оказаться дороже самих токенов.
Альтернативы
- Microsoft Agent Framework 1.0 (вышел 3 апреля): open-source SDK для .NET и Python, объединивший Semantic Kernel и AutoGen. Коннекторы к Claude, GPT, Gemini, Bedrock. MCP + A2A протоколы, graph-based workflows. Бесплатный и мульти-модельный, но инфраструктуру поднимаете сами. Доступен на aka.ms/AgentFramework
- AWS Bedrock AgentCore: managed-агенты от Amazon с любой моделью на Bedrock (Claude, Llama, Titan). VPC peering из коробки, IAM-интеграция. Дороже и сложнее в настройке, зато мульти-модельный и работает внутри вашего AWS-аккаунта
- Multica (open-source, Go + TypeScript): агенты отображаются как члены команды с Kanban-досками и навыками. Поддерживает Claude Code, OpenCode, Codex CLI. Нет sandbox-изоляции уровня Managed Agents, но мульти-модельный и полностью бесплатный при self-hosting
Вердикт
Для команды, которая строит продакшен-агента на Claude и не хочет возиться с инфраструктурой, Managed Agents реально ускорит запуск. Архитектура brain/hands/session сделана грамотно: fault tolerance через разделение компонентов, безопасность через Vaults, 90% снижение TTFT на p95. Для прототипа или внутреннего инструмента на 5-10 агентов $0.08/час вообще незаметно.
Не стоит, если ваш сценарий требует мульти-модельности, данные не могут покидать VPC, или вы рассчитываете на мульти-агентную оркестрацию прямо сейчас (она в research preview). Lock-in в одного вендора при нынешней скорости смены лидеров в AI рискованнее, чем кажется.
Как попробовать
- Установите SDK:
pip install "anthropic>=0.91.0" - Получите API-ключ в Console и задайте
ANTHROPIC_API_KEY - Создайте Environment + Agent по примеру из статьи или по cookbook'у data analyst
- Запустите сессию, отправьте задачу, мониторьте прогресс в Console → Sessions
- Пять готовых cookbook'ов на все случаи: data analyst, Slack-бот, fix failing tests, issue-to-PR и human-in-the-loop
