Anthropic ci spiega in 37 minuti, cosa sono e come funzionano i Claude Managed Agents

Introduzione: di cosa parliamo

I Claude Managed Agents (agenti gestiti) sono un modo per far lavorare Claude in autonomia su compiti reali, senza che uno sviluppatore debba costruire da zero tutta l'infrastruttura tecnica che serve a un'IA per "agire" davvero: ricordare cosa sta facendo, usare strumenti, gestire errori, restare attiva anche per ore.

Pensa alla differenza tra chattare con Claude e avere un vero assistente digitale che, una volta che gli dai un compito, lo porta avanti da solo: controlla dati, usa strumenti, prende decisioni intermedie, e torna da te solo quando ha un risultato o ha bisogno del tuo ok. Questo è esattamente quello che permettono i Managed Agents.

Questa guida riprende e spiega in modo semplice un workshop tecnico ufficiale di Anthropic (l'azienda che sviluppa Claude), tenuto dal team Applied AI. Anthropic li ha creati perché costruire un "agente" affidabile, che funzioni in modo stabile anche in produzione (cioè usato davvero da persone, ogni giorno, senza rompersi), è complicato. I Managed Agents si occupano di tutta questa complessità al posto di chi li usa, lasciando all'utente solo la parte creativa: definire cosa l'agente deve fare e con quali strumenti.

Come ci siamo arrivati: tre tappe

Per capire perché i Managed Agents sono importanti, è utile vedere cosa c'era prima.

Tappa 1 – 2023, la Messages API. Quando Claude è stato rilasciato per la prima volta, l'unico modo per usarlo a livello tecnico era la Messages API: in pratica mandavi del testo a Claude e ricevevi del testo indietro. Semplice, ma tutto il resto (far ricordare a Claude il contesto, fargli usare strumenti, gestire conversazioni lunghe) doveva essere costruito da zero da chi sviluppava.

Tappa 2 – l'Agent SDK. Con l'evoluzione dei modelli, è arrivato l'Agent SDK, una sorta di "kit" che permette a Claude di usare Claude Code, cioè di avere accesso a un computer vero e proprio e agire su file e sistemi. Un grosso passo avanti, ma chi costruiva l'agente doveva comunque occuparsi di dove farlo girare, come farlo scalare (cioè gestire tanti utenti insieme) e come renderlo sicuro.

Tappa 3 – i Claude Managed Agents. Qui arriva il salto di qualità: è il primo sistema in cui è Anthropic stessa a occuparsi di tutta la parte infrastrutturale (dove gira l'agente, come scala, come resta sicuro, come osservarlo). Chi costruisce l'agente deve pensare solo a cosa deve fare l'agente e quali strumenti usare, tutto il resto è già pronto. Il risultato concreto: nei test interni, chi ha usato i Managed Agents è arrivato in produzione da 10 a 15 volte più velocemente.

Ogni tappa ha risolto il problema della precedente, fino ad arrivare a un sistema completamente gestito.

I tre pilastri: cervello, mani e collegamento

Un Managed Agent è costruito su tre elementi semplici da capire se li pensi come parti di una persona che lavora per te.

L'Agente (il cervello). È la parte che definisce chi è l'agente e cosa sa fare: quale modello di Claude usa, quali istruzioni segue (il "system prompt"), quali strumenti conosce. È il cervello che pensa a cosa fare.

L'Ambiente (le mani). È lo spazio in cui l'agente agisce davvero: un computer virtuale, dei permessi di rete, l'accesso a certi siti o sistemi. Se il cervello decide cosa fare, l'ambiente è ciò che gli permette di farlo concretamente.

La Sessione (il collegamento). È ciò che unisce cervello e mani in un'unica istanza attiva: quando avvii una sessione, stai dicendo "questo agente, con queste mani, inizia a lavorare ora". La sessione è anche ciò che permette di seguire in diretta cosa sta facendo l'agente, passo dopo passo, invece di aspettare una risposta finale tutta insieme.

I tre pezzi lavorano insieme: il cervello decide, le mani eseguono, la sessione li collega e mostra tutto in diretta.

Perché separare il cervello dalle mani

Una delle scelte tecniche più importanti dietro i Managed Agents è aver tenuto separato il "pensare" (l'agent loop, cioè il ciclo in cui l'agente decide cosa fare) dall'"agire" (l'esecuzione vera e propria degli strumenti). In molti sistemi precedenti, queste due cose erano incollate insieme nello stesso posto.

Perché conviene separarle? Due motivi concreti.

Sicurezza. Se il cervello dell'agente non ha accesso diretto alle tue credenziali (password, chiavi di accesso), puoi isolare meglio i dati sensibili. L'agente può decidere di fare qualcosa, ma non può toccare direttamente le chiavi di accesso senza passare da un sistema di sicurezza dedicato.

Velocità. Quando cervello e mani erano nello stesso posto, ogni volta che si avviava una sessione bisognava accendere un intero ambiente da zero, il che richiedeva tempo. Separandoli, il tempo necessario perché l'agente dia il primo segnale di risposta (in gergo tecnico "time to first token") si è ridotto di oltre il 90% nei casi più lenti misurati da Anthropic.

Lo stesso cambiamento tecnico porta anche più sicurezza, perché le credenziali restano lontane dal cervello dell'agente.

Un esempio pratico: costruire un agente che risolve guasti

Nella lezione da cui nasce questa guida, viene costruito passo passo un agente reale: un agente di "incident response", cioè un assistente che aiuta a capire perché un sistema si è rotto, al posto di uno sviluppatore che altrimenti verrebbe svegliato alle 3 di notte per risolvere il problema a mano.

Ecco i passaggi seguiti, semplificati:

1. Si definisce l'agente (il cervello). Gli si dà un'identità semplice: "sei un agente SR (site reliability), il tuo compito è fare il debug degli incidenti", e gli si danno degli strumenti: la possibilità di leggere metriche, vedere gli ultimi aggiornamenti pubblicati (deploy) e confrontare le differenze nel codice.

2. Si definisce l'ambiente (le mani). Si decide dove l'agente potrà agire, in questo caso nell'infrastruttura cloud di Anthropic, con accesso di rete configurabile (si può restringere a siti specifici se serve più sicurezza).

3. Si danno all'agente i dati da analizzare. Vengono caricati i log (i registri degli eventi) del sistema, così l'agente ha materiale concreto su cui indagare, esattamente come farebbe un umano.

4. Si crea la sessione. Si collega agente e ambiente, e si aggiunge la possibilità di vedere le risposte dell'agente in tempo reale, mentre lavora, non solo alla fine.

5. Si collegano gli strumenti veri. L'agente, da solo, sa di dover chiamare uno strumento chiamato "leggi metriche", ma serve collegare quello strumento a qualcosa di reale sul computer di chi lo usa, altrimenti l'agente non può davvero agire.

6. Si testa l'agente. Gli si chiede di analizzare l'incidente, e lui, da solo, controlla i log, guarda i recenti aggiornamenti, individua la causa (in questo caso, una modifica al codice che ha esaurito le risorse del database) e propone le azioni da fare per risolverlo.

Questo è un esempio volutamente semplice, ma lo stesso schema si applica a qualsiasi tipo di agente: un assistente per l'assistenza clienti, un agente che controlla campagne pubblicitarie, uno che gestisce contenuti social. Cambiano gli strumenti e le istruzioni, la struttura di base resta identica.

Ogni passaggio aggiunge un pezzo, dal cervello dell'agente fino al test finale che conferma che tutto funziona.

Come seguirlo davvero, passo dopo passo

Nel workshop originale non si resta sulla teoria: viene fornito un repository di codice vero da scaricare e completare in diretta, seguendo questi passaggi. Il repository ufficiale è su GitHub: anthropics/cwc-workshops, cartella ship-your-first-managed-agent.

1. Clonare il repository con git clone https://github.com/anthropics/cwc-workshops ed entrare nella cartella ship-your-first-managed-agent.

2. Creare un ambiente Python isolato e attivarlo (su Mac/Linux con python -m venv venv e source venv/bin/activate, su Windows con il comando equivalente).

3. Installare le dipendenze con pip install -r requirements.txt.

4. Copiare la propria chiave API di Anthropic nel file .env.

5. Avviare l'app con streamlit run app.py: si apre un'interfaccia nel browser dove si vede l'agente lavorare in tempo reale.

Una volta avviato il progetto, si lavora su due file: uno vuoto e uno già completo, usato come riferimento. Si copiano le parti una alla volta, così si vede subito l'effetto di ogni pezzo. In forma semplificata, il codice segue questa logica:

agente = Agente(
    modello = "claude-opus-4.7",
    istruzioni = "Sei un agente SRE: il tuo compito è fare il debug degli incidenti",
    strumenti = [leggi_metriche, ultimi_deploy, confronta_codice, leggi_log]
)

ambiente = Ambiente(
    piattaforma = "infrastruttura cloud di Anthropic",
    accesso_rete = "illimitato"  # oppure ristretto a siti specifici
)

sessione = Sessione(
    agente = agente,
    ambiente = ambiente,
    risorse = [file_di_log]
)

Una volta collegati gli strumenti veri (le funzioni che davvero leggono metriche, log e differenze di codice sul proprio computer), basta scrivere nella chat dell'app qualcosa come "Puoi fare il debug del mio incidente?": l'agente richiama da solo gli strumenti, legge i dati, individua la causa (nell'esempio del workshop: una modifica al codice che aveva esaurito le risorse del database) e propone le azioni correttive, in tempo reale e sotto gli occhi di chi lo sta costruendo.

Sotto il cofano: come "pensa" un agente gestito

Ci sono tre concetti tecnici che vale la pena conoscere, anche se non programmi tu stesso, perché spiegano perché questi agenti sono affidabili.

Eventi, non semplici domande e risposte. Una chat normale funziona così: tu scrivi, l'IA risponde, punto. Un Managed Agent invece lavora per "eventi": ogni azione (un tuo messaggio, una chiamata a uno strumento, una risposta dell'agente) viene registrata singolarmente. Questo rende tutto più trasparente: puoi vedere esattamente cosa ha fatto l'agente, passo dopo passo, non solo il risultato finale.

Gli stati della sessione. Ogni sessione di lavoro dell'agente ha uno stato preciso: inattiva (idle), in esecuzione (running), in attesa di riprovare se qualcosa è andato storto, oppure terminata. Questo significa che se un problema tecnico interrompe l'agente, il sistema sa esattamente da dove ripartire, senza perdere il lavoro già fatto.

Tutto resta salvato nel cloud. Se chiudi il computer o aggiorni la pagina, la conversazione con l'agente non sparisce: tutto è conservato automaticamente, comprese le sessioni passate. Non serve che tu (o chi sviluppa l'agente per te) ti preoccupi di salvare manualmente nulla.

Questi stati sono il motivo per cui, se qualcosa va storto, l'agente riparte da dove si era fermato invece di perdere tutto il lavoro fatto.

Oltre le basi: cosa si può aggiungere

Una volta costruito l'agente base, ci sono funzionalità aggiuntive pronte all'uso che lo rendono molto più potente. Eccole spiegate in parole semplici:

Sub-agenti (multi-agente). Un agente "capo" può delegare parti del lavoro ad altri agenti più piccoli, ognuno con il proprio spazio di lavoro. Come un manager che smista compiti al team invece di fare tutto da solo: il lavoro si fa in parallelo ed è più gestibile.

Memoria e "dreaming". È la capacità dell'agente di ricordare le tue preferenze e le correzioni che gli fai nel tempo, migliorando sessione dopo sessione. Il "dreaming" è il processo con cui l'agente rivede da solo i propri ricordi e decide cosa vale la pena tenere e cosa no, un po' come se ripassasse i propri appunti per capire cosa è davvero importante.

Outcomes (risultati attesi). Invece di dire all'agente solo cosa fare passo passo, puoi definire il risultato finale che vuoi ottenere (una specie di griglia di valutazione), e l'agente capirà da solo quali azioni servono per arrivarci.

Vault (cassaforte delle credenziali). È un sistema sicuro per gestire password e chiavi di accesso senza che l'agente le veda mai direttamente, proteggendo i tuoi dati sensibili anche quando l'agente lavora in autonomia.

Altre funzioni disponibili: i webhook (che permettono all'agente di reagire a eventi esterni, come una notifica in arrivo), permessi molto dettagliati su cosa l'agente può o non può fare, il collegamento a server MCP (per integrare strumenti esterni) e una dashboard dedicata per monitorare tutto quello che l'agente sta facendo.

Quattro moduli che puoi aggiungere all'agente base man mano che ne hai bisogno, senza dover ricostruire nulla da zero.

Conclusione: perché questo ti riguarda anche se non programmi

Non serve saper scrivere codice per capire il concetto chiave: i Managed Agents segnano il passaggio da un'IA che risponde quando le scrivi a un'IA che lavora per te in autonomia, con la stessa affidabilità di un software professionale.

Se segui il mondo dell'IA applicata al lavoro, questa è una delle direzioni più importanti da tenere d'occhio nei prossimi mesi: non chatbot più intelligenti, ma veri assistenti digitali capaci di gestire compiti complessi dall'inizio alla fine, quasi senza supervisione umana. Per chi lavora nel marketing, nella consulenza o nella formazione, capire questa differenza oggi significa saperla spiegare, e sfruttare, prima degli altri.

Fonte

Questa guida è basata sul workshop ufficiale Anthropic "Ship your first managed agent" (in inglese, circa 30 minuti). Se vuoi vedere tutto il processo dal vivo, con schermo e codice, puoi guardarlo qui: Ship your first managed agent — su YouTube puoi usare la funzione di traduzione audio dalle impostazioni e ascoltarlo direttamente in italiano.