Los Agentes Gestionados de Anthropic son diferentes (te explicamos por qué)
원제 · Anthropic's Managed Agents Are Different (Here's Why)
핵심 요약
Los agentes gestionados de Anthropic automatizan tareas complejas mediante una infraestructura escalable que separa la memoria de la sesión del motor de ejecución, permitiendo crear herramientas seguras sin código por 8 centavos la hora de actividad.
하이라이트
Los agentes gestionados de Anthropic permiten crear automatizaciones personalizadas sin escribir código a través de lenguaje natural en la consola de Claude.
La arquitectura separa el almacenamiento de la sesión del motor de ejecución para que el sistema recupere el contexto exacto si ocurre un fallo.
El uso de estos agentes tiene un costo de 8 centavos por hora de sesión activa más el consumo de tokens según los precios estándar de la API de Claude.
Las credenciales de servicios externos como Slack o GitHub se almacenan en una bóveda segura y se inyectan en tiempo de ejecución sin que el modelo tenga acceso directo a ellas.
Es posible integrar repositorios privados de GitHub mediante herramientas predefinidas como read, glob y grep para analizar datos sensibles como historiales médicos.
타임라인
Naturaleza de los agentes gestionados de Anthropic
Esta herramienta elimina la necesidad de configurar servidores propios o escribir scripts complejos para tareas de investigación o atención al cliente. Mientras herramientas como OpenClaw requieren gestión manual de hardware y modelos, esta opción gestionada asume la responsabilidad de la infraestructura. El objetivo principal es facilitar el despliegue de agentes listos para producción que se integren con Slack o bases de conocimientos.
- Los agentes gestionados representan la evolución del SDK de agentes hacia un entorno sin código.
- La ejecución ocurre directamente en la infraestructura de Anthropic para garantizar escalabilidad y seguridad.
- El sistema funciona de forma análoga a un ecosistema cerrado donde el usuario define objetivos en inglés sencillo.
Proceso de creación y despliegue técnico
Un ejemplo práctico es la creación de un agente médico que lee archivos Markdown desde un repositorio privado de GitHub. Al configurar el agente, se restringen los permisos a lectura para evitar modificaciones accidentales en los datos. El sistema sugiere automáticamente el modelo más apto, aunque el usuario puede optar por Claude 3.5 Sonnet para optimizar los costos frente a la potencia de Opus.
- La creación se realiza mediante comandos de lenguaje natural en la consola o a través de habilidades en el SDK de TypeScript.
- El asistente guía la configuración en tres etapas: herramientas, repositorios y entorno de identidad.
- La definición del agente genera dos archivos principales que controlan la configuración del entorno y el tiempo de ejecución.
Validación funcional e interfaz de usuario
Tras la ejecución del archivo de configuración, se obtienen IDs únicos para el entorno y el agente que se vinculan con aplicaciones externas como Slack. En las pruebas, el agente detectó correctamente una alergia a las gambas para desaconsejar el consumo de calamares tras leer el historial médico privado. La interfaz administrativa facilita el ajuste de parámetros sin necesidad de reiniciar el código base del bot.
- La consola de Claude permite monitorear cada sesión activa y ver las llamadas específicas a herramientas en tiempo real.
- El agente puede razonar sobre datos complejos, como verificar alergias alimentarias cruzando información de un repositorio.
- Los cambios en el prompt del sistema o el modelo se aplican instantáneamente creando nuevas versiones del agente en la interfaz.
Arquitectura interna y modelo de costos
El arnés actúa como un enrutador sin estado que dirige las llamadas a herramientas y recursos sin conocer las claves de API, las cuales se extraen de una bóveda segura solo cuando es estrictamente necesario. Esta separación garantiza que, si un componente falla, el nuevo motor de ejecución pueda leer la historia de la sesión y continuar desde el último punto. El costo se limita estrictamente al tiempo que la sesión permanece activa, evitando cobros por periodos de inactividad.
- La arquitectura se divide en tres componentes: sesión (memoria), arnés (ejecución) y orquestación (gestión).
- El orquestador reinicia el arnés en caso de error utilizando los registros de solo adición de la sesión para no perder el progreso.
- El sistema de facturación es independiente de las suscripciones Claude Pro o Team y requiere créditos de API.
Comparativa y limitaciones del sistema
Aunque el sistema es robusto para usuarios que prefieren no programar, presenta rigideces en comparación con OpenClaw, que es totalmente abierto y soporta más canales de comunicación. Existe una desconexión entre el modelo de suscripción de consumo individual y la facturación de nivel desarrollador para estos agentes. Para funcionalidades fuera de las integraciones predefinidas, el usuario debe recurrir a escribir código propio o solicitar asistencia de Claude para generarlo.
- La facilidad de conexión con servidores MCP y herramientas integradas como Notion es la principal ventaja competitiva.
- Los suscriptores de planes Pro no pueden aplicar sus límites de uso actuales a esta plataforma de agentes.
- Las integraciones con canales no oficiales como WhatsApp o Telegram requieren programación personalizada adicional.
설명
Anthropic acaba de lanzar Claude Managed Agents (Agentes Gestionados), una forma de crear agentes de IA personalizados que se ejecutan íntegramente en la infraestructura de Anthropic, sin necesidad de código. En este video, analizo cómo funcionan internamente estos agentes (harness, sesión, orquestador), muestro cómo construir un agente médico personal usando Claude Code que se conecta a Slack y explico por qué esto es fundamentalmente diferente de herramientas como OpenClaw. Cubriremos la arquitectura que hace que estos agentes sean escalables y estén listos para producción, y compartiré mi opinión honesta sobre las limitaciones actuales, incluyendo el modelo de precios basado solo en API y el soporte limitado de plataformas. Tanto si estás construyendo tu primer agente como si estás evaluando si Managed Agents es la opción adecuada para tu próximo proyecto, este video tiene todo lo que necesitas. 🔗 Enlaces relevantes Artículo de Anthropic - [https://www.anthropic.com/engineering/managed-agents](https://www.anthropic.com/engineering/managed-agents) Precios de Managed Agents - [https://platform.claude.com/docs/en/about-claude/pricing#claude-managed-agents-pricing](https://platform.claude.com/docs/en/about-claude/pricing#claude-managed-agents-pricing) ❤️ Más sobre nosotros Un stack de observabilidad radicalmente mejor: [https://betterstack.com/](https://betterstack.com/) Tutoriales escritos: [https://betterstack.com/community/](https://betterstack.com/community/) Proyectos de ejemplo: [https://github.com/BetterStackHQ](https://github.com/BetterStackHQ) 📱 Redes sociales Twitter: [https://twitter.com/betterstackhq](https://twitter.com/betterstackhq) Instagram: [https://www.instagram.com/betterstackhq/](https://www.instagram.com/betterstackhq/) TikTok: [https://www.tiktok.com/@betterstack](https://www.tiktok.com/@betterstack) LinkedIn: [https://www.linkedin.com/company/betterstack](https://www.linkedin.com/company/betterstack)
