பெரிய பணியின் பகுதிகளைப் பல முகவர்களுக்கு ஒதுக்கி, அவர்களின் கண்டறிதல்களைச் சேகரித்து ஒன்றிணைக்கும் workflow நிரலை Claude Managed Agents இப்போது எழுத முடியும். இந்த அம்சம் பீட்டாவில் உள்ளது. ஆவணக் கோப்புறையை மதிப்பாய்வு செய்து சரிபார்க்கப்பட்ட கண்டறிதல் கோப்பை உருவாக்க விரும்பும் மென்பொருள் உருவாக்குநருக்கான ஆவணப்படுத்தப்பட்ட அமைப்பு இதோ.

இது Anthropic-இன் Claude Platform API மற்றும் CLI-ஐப் பயன்படுத்துகிறது. BIG CHANGE தற்போதைய ஆவணங்களைப் பார்த்தது; அமைப்பை இயக்கவோ workflow-ஐச் சோதிக்கவோ இல்லை.

Workflow என்ன செய்கிறது

ஒரு dynamic workflow என்பது ஒரு இயக்கத்திற்கான ஒரே நிரல். அது பணியைப் பல கட்டங்களாகப் பிரிக்கவும், முகவர் threads-ஐ இணையாகத் தொடங்கவும், கட்டங்களுக்கு இடையில் முடிவுகளை அனுப்பவும், தோல்வியுற்ற கிளையை மீண்டும் முயற்சிக்கவோ கையாளவோ, முடிவுகளை ஒன்றிணைக்கவோ முடியும். எடுத்துக்காட்டாக, முதல் கட்டம் தனித்தனி கோப்புகளை ஆய்வு செய்யலாம்; பிந்தைய கட்டம் கண்டறிதல்களை ஒப்பிட்டு ஒருங்கிணைக்கலாம். முதன்மை முகவர் இயக்கத்தைத் தொடங்குகிறது; சேவையகம் அதை பின்னணியில் செயல்படுத்துகிறது.

முதன்மை முகவரிடம் தனித்தனி இயக்கங்களை உருவாக்கச் சொல்வதிலிருந்து இது வேறுபடுகிறது. ஒரு workflow இயக்கம் ஒரே இயக்கத்திற்குள் child threads-ஐ ஒருங்கிணைத்து, அதைத் தொடங்கிய முகவருக்கே முடிவைத் திருப்பி அளிக்கிறது. வழக்கமான session செய்தி மட்டும் ஓர் இயக்கத்தைத் தொடங்காது; பணி மற்றும் system prompt-ஐக் கொண்டு எப்போது தொடங்குவது என்பதை முகவர் தீர்மானிக்கிறது. Anthropic கூறுவதன்படி, ஒரு session-இல் பல இயக்கங்கள் திறந்திருக்கலாம்; ஆனால் ஒவ்வொன்றுக்கும் தனித்த கட்டங்களும் முடிவும் உண்டு.

தொடங்குவதற்கு முன்

உங்களுக்கு Claude Console கணக்கு, API key, Claude Managed Agents அணுகல் ஆகியவை தேவை. API கணக்குகளுக்கு இது இயல்பாகவே இயக்கப்பட்டிருக்கும் என Anthropic கூறுகிறது. Agent மற்றும் workflow endpoint-களுக்கு managed-agents-2026-04-01 beta header தேவை. Anthropic-இன் SDK அந்த header-ஐத் தானாக அமைக்கிறது; SDK இல்லாமல் API-ஐ அழைத்தால் அதை நீங்களே சேர்க்கவும்.

தற்போதைய ஆவணங்களில் Managed Agents இன்னும் பீட்டாஎனக் குறிக்கப்பட்டுள்ளது. Anthropic-இன் வெளியீட்டுக் குறிப்புகள் பொது பீட்டாவை 2026 ஏப்ரல் 9 என்றும், multiagent orchestration-ஐ மே 11 என்றும், dynamic workflows-ஐ அக்டோபர் 9 என்றும் தேதியிடுகின்றன. Dynamic workflows-மும் பீட்டாவில்தான் உள்ளன. தேதி முக்கியம்: “1,000 முகவர்கள்” என்பது ஒரு workflow இயக்கத்திற்கான தற்போதைய வரம்பு; ஒரே நேரத்தில் 1,000 முகவர்களைத் தொடங்கும் புதிய திறன் அல்ல.

Session உரையாடல் வரலாறு, sandbox நிலை, வெளியீடுகளைத் தளத்தில் சேவையகம் சேமிக்கிறது. Managed Agents தற்போது Zero Data Retention அல்லது HIPAA Business Associate Agreement பாதுகாப்புக்குத் தகுதி பெறவில்லைஎன Anthropic கூறுகிறது. பொருந்தும் தரவு விதிகளையும் அமைப்பையும் உங்கள் நிறுவனம் உறுதிப்படுத்தாத வரை, கட்டுப்பாட்டுக்குட்பட்ட அல்லது ரகசியப் பொருட்களை session-இல் வைக்க வேண்டாம்.

1. CLI மற்றும் SDK-ஐ நிறுவுங்கள்

உங்கள் இயக்க முறைமைக்கான முறையைப் பயன்படுத்தி Anthropic-இன் ant CLI-ஐ Managed Agents விரைவு தொடக்க வழிகாட்டியின்படி நிறுவுங்கள். எடுத்துக்காட்டாக, ஆவணப்படுத்தப்பட்ட macOS கட்டளை:

Terminal
brew install anthropics/tap/ant

Python-க்காக SDK-ஐ நிறுவி, API key-ஐ மூலக் கோப்பில் வைக்காமல் சூழல் வழியாக வழங்குங்கள்:

Terminal
pip install anthropic
export ANTHROPIC_API_KEY="your-api-key"

மேலுள்ள key ஒரு placeholder. உண்மையான மதிப்பை வழக்கமான secret manager-இல் அல்லது பாதுகாக்கப்பட்ட சூழல் அமைப்பில் வைத்திருங்கள்.

2. Workflow பயன்படுத்தக்கூடிய முகவரை வரையறுக்கவும்

உருவாக்குங்கள் document-reviewer.md. multiagent block அக்டோபரில் அறிமுகமான workflow வகையை இயக்குகிறது. Subagent-களை முடக்குவது ஒப்படைப்பு வழியைத் தெளிவாக்குகிறது: இந்த முகவர், ஒருமுறை subagent-க்கு ஒப்படைப்பதற்குப் பதிலாக dynamic workflows-ஐப் பயன்படுத்துகிறது.

YAML
---
name: document-reviewer
model: claude-sonnet-5-5
tools:
  - type: agent_toolset_20260401
multiagent:
  type: multiagent_20261001
  subagents:
    type: disabled
  workflows:
    type: enabled
---

You review documents for a user-defined checklist.

When a request contains more than 20 independent files, use a dynamic workflow.
Make one phase that checks the files independently and a later phase that
reconciles duplicate findings. Do not infer missing facts. Save the final
machine-readable results to report.json and a concise explanation to summary.md.
Include the source filename and a short evidence excerpt for every finding.
If a file cannot be read or a worker fails, record that file as unresolved;
do not silently omit it. The final response must report the number of files
reviewed, unresolved files, and whether every output file was written.

Threshold மற்றும் மதிப்பாய்வு வழிமுறைகள் உங்கள் கொள்கைத் தேர்வுகள்; Anthropic-இன் இயல்புநிலைகள் அல்ல. பணிக்கும் பிழைகளின் செலவுக்கும் ஏற்ப மாற்றுங்கள். claude-sonnet-5-5 என்பது எடுத்துக்காட்டு model ID; உங்கள் கணக்கில் தற்போது கிடைக்கும், பட்ஜெட்டுக்குள் பொருந்தும் model-ஐத் தேர்ந்தெடுங்கள்.

முகவரை உருவாக்கி அது திருப்பிய ID-ஐ வைத்திருங்கள்:

Terminal
ant apply document-reviewer.md

CLI முகவர் ID-ஐ அச்சிட்டு claude-lock.jsonஇல் பதிவு செய்கிறது. Managed Agents, மீண்டும் பயன்படுத்தக்கூடிய முகவர் வரையறையை (model, வழிமுறைகள், கருவிகள்) session இயங்கும் சூழலிலிருந்து பிரிக்கிறது.

3. Sandbox-ஐ அமைக்கவும்

Session-கள் எங்கு இயங்கும் என்பதை environment கட்டுப்படுத்துகிறது: Anthropic நிர்வகிக்கும் cloud sandbox-இலா, உங்கள் கட்டமைப்பில் self-hosted sandbox-இலா என்பதை. விரைவு தொடக்கத்தின் cloud எடுத்துக்காட்டு கட்டுப்படுத்தப்பட்ட network-ஐப் பயன்படுத்தி package manager-களை அனுமதிக்கிறது:

YAML
# environment.yaml
name: document-review
config:
  type: cloud
  networking:
    type: limited
    allow_package_managers: true

இதை ant apply environment.yamlகொண்டு பயன்படுத்துங்கள்; அதன் ID-யும் claude-lock.json. முகவருக்கு network access தேவைப்பட்டால், தேவையான host-களை மட்டும் allowed_hostsஇல் பட்டியலிடுங்கள். Network கட்டுப்படுத்தப்பட்டிருந்தால், அந்த host பட்டியல் Managed Agents-இன் web search மற்றும் fetch கருவிகளையும் கட்டுப்படுத்தும். Package manager-களை அனுமதிக்கும் அமைப்பு இணையதளங்களை allowlist-இல் சேர்க்காது.

முதல் இயக்கத்திற்கு சிறிய, உணர்வுப்பூர்வமற்ற கோப்புறையையும் அதற்குத் தேவையான கருவிகளையும் மட்டும் பயன்படுத்துங்கள். உள்ளமைந்த முகவர் கருவித் தொகுப்பில் shell மற்றும் file செயல்பாடுகள் உள்ளன; கருவிகளைச் சேர்ப்பது முகவரின் திறன்களை விரிவாக்கலாம். வெளிப்புற அமைப்புகள் அல்லது சான்றுகளுக்கான அணுகலை வழங்கும் முன் ஆவணப்படுத்தப்பட்ட permission policy மற்றும் sandbox controls-ஐச் சரிபார்க்கவும்.

4. Session-ஐத் தொடங்கி வரம்பிட்ட பணியை அனுப்புங்கள்

Python SDK-ஐப் பயன்படுத்தி முகவர் மற்றும் சூழல் ID-களுடன் session உருவாக்குங்கள்:

Python
import anthropic

client = anthropic.Anthropic()
session = client.beta.sessions.create(
    agent="AGENT_ID_FROM_CLAUDE_LOCK",
    environment_id="ENVIRONMENT_ID_FROM_CLAUDE_LOCK",
    title="Small document review",
)
print(session.id)

இரண்டு ID placeholder-களையும் claude-lock.jsonஇல் உள்ள மதிப்புகளால் மாற்றுங்கள். பின்னர் session event stream வழியாகத் தெளிவான பணியை அனுப்புங்கள். நிகழ்வை அனுப்புவதற்கு முன் stream-ஐத் தொடங்குங்கள்; அப்போதுதான் இயக்கத்தையும் அதன் முன்னேற்றத்தையும் வரும்போதே காணலாம்:

Python
with client.beta.sessions.events.stream(session.id) as stream:
    client.beta.sessions.events.send(
        session.id,
        events=[{
            "type": "user.message",
            "content": [{
                "type": "text",
                "text": (
                    "Review each Markdown file in /review-set for a missing "
                    "owner, deadline, or acceptance criterion. Quote evidence; "
                    "do not infer missing details. Reconcile duplicate findings "
                    "and write /mnt/session/outputs/report.json plus "
                    "/mnt/session/outputs/summary.md. In report.json, use "
                    "a files array with one record per input: path, status "
                    "(reviewed or unresolved), and findings; each finding has "
                    "a check, evidence excerpt, and source location. Include "
                    "input, reviewed, and unresolved counts."
                ),
            }],
        }],
    )
    open_runs = {}
    run_results = {}
    for event in stream:
        if event.type == "workflow_run.created":
            open_runs[event.workflow_run_id] = event.name
            print(f"Run started: {event.name}")
        elif event.type == "workflow_run.status_ended":
            run_results[event.workflow_run_id] = event.result.type
            open_runs.pop(event.workflow_run_id, None)
            print(f"Run ended: {event.result.type}")
        elif event.type == "workflow_run.error":
            print(f"Run error: {event.error}")
        elif event.type == "agent.message":
            for block in event.content:
                if block.type == "text":
                    print(block.text)
        elif event.type == "session.status_idle":
            if event.stop_reason.type == "end_turn" and not open_runs:
                break

    # Inspect the child threads associated with completed workflow runs.
    for thread in client.beta.sessions.threads.list(session.id):
        if thread.workflow_run_id in run_results:
            print(f"Thread {thread.id}: {thread.status}")
            for thread_event in client.beta.sessions.threads.events.list(
                thread.id, session_id=session.id
            ):
                if thread_event.type == "session.error":
                    print(f"Thread error: {thread_event}")

இந்த எடுத்துக்காட்டு, அமைத்துள்ள session input முறை கோப்புகளை /review-setஇல் காட்டும் எனக் கருதுகிறது. முகவரிடம் மதிப்பாய்வு கேட்பதற்கு முன் ஆவணப்படுத்தப்பட்ட input முறையைப் பயன்படுத்தி கோப்புகளை session sandbox-இல் வைக்கவும். வெளியீடுகளை /mnt/session/outputs/இன் கீழ் எழுதுமாறு முகவரிடம் கூறுங்கள்; Managed Agents கோப்பு ஆவணங்கள் session-க்கு உட்பட்ட கோப்புகளை எப்படிப் பட்டியலிடுவது மற்றும் பதிவிறக்குவது என்பதை விளக்குகின்றன. Python SDK-இல் ஆவணப்படுத்தப்பட்ட readback வடிவம்:

Python
files = client.beta.files.list(
    scope_id=session.id,
    betas=["managed-agents-2026-04-01"],
)
for report in files:
    if report.filename == "report.json":
        content = client.files.download(report.id)
        content.write_to_file("report.json")
        break

Session idle ஆன பிறகு கோப்பு தோன்ற சில வினாடிகள் ஆகலாம்; காணவில்லை என்றால் சிறிது நேரம் கழித்து மீண்டும் பட்டியலிடுங்கள். பாதுகாப்பான முதல் முயற்சிக்காக, எதிர்பார்க்கும் கண்டறிதல்களை நீங்களே சரிபார்க்கக்கூடிய சில ஆவணங்களுடன் test folder உருவாக்குங்கள். எடுத்துக்காட்டு prompt மதிப்பாய்வு பணியை வரையறுக்கிறது; ஒவ்வொரு சிக்கலையும் முகவர் கண்டுபிடிப்பார் என உத்தரவாதம் அளிக்காது.

வெளியீட்டு ஒப்பந்தம் audit செய்யும் அளவுக்கு கடுமையாக இருக்க வேண்டும். எடுத்துக்காட்டாக:

JSON
{
  "files": [
    {
      "path": "requirements.md",
      "status": "reviewed",
      "findings": [
        {
          "check": "deadline",
          "evidence_excerpt": "...",
          "source_location": "requirements.md, section 2"
        }
      ]
    }
  ],
  "input_count": 1,
  "reviewed_count": 1,
  "unresolved_count": 0
}

இது உங்கள் workflow-க்கான பரிந்துரைக்கப்பட்ட schema; Anthropic வழங்கிய schema அல்ல. தீர்க்கப்படாத அல்லது படிக்க முடியாத கோப்புகளைப் பதிவுகளாக வைத்திருங்கள்; முடிவு இல்லாதது சுத்தமான மதிப்பாய்வு எனத் தவறாகத் தோன்றக்கூடாது.

5. இயக்கத்தையும் அதன் வெளியீட்டையும் சரிபார்க்கவும்

Workflow தொடங்கும்போது event stream workflow_run.createdஎன அறிவிக்கிறது; இதில் run ID மற்றும் workflow அறிவித்த கட்டங்கள் அடங்கும். பொருந்தும் workflow_run.status_endedவரும் வரை ஒவ்வொரு run ID-யையும் திறந்தே வைத்திருக்கும் எடுத்துக்காட்டு; முதன்மை session idle ஆனது மட்டும் பின்னணி workflow முடிந்ததைக் காட்டாது. முதன்மை stream child thread-களின் நிலையைச் சுருக்குகிறது; thread-இன் சொந்த event பட்டியலில் அதன் செய்திகள் மற்றும் பிழைகள் இருக்கும். எடுத்துக்காட்டு thread-களை workflow_run_id அடிப்படையில் பட்டியலிட்டு session.error நிகழ்வுகளைக் காட்டுகிறது. முடிந்துபோன retry முயற்சிகள் ( retry_status.type == "exhausted"உட்பட) அல்லது பிற child பிழைகளைத் தேடி அந்த நிகழ்வுகளைப் பாருங்கள்; பாதிக்கப்பட்ட கோப்புகளைத் தீர்க்கப்படாதவை எனக் குறியிடுங்கள்.

“Completed” என்ற சொல்லை அல்ல, வெளியீட்டு கோப்பையே வழங்க வேண்டிய பொருளாகக் கருதுங்கள். Thread-இன் வேலை தோல்வியுற்றாலும் அல்லது thread உருவாக்க முடியாவிட்டாலும் run completed என முடிவடையலாம் என்று Anthropic வெளிப்படையாக எச்சரிக்கிறது. report.json ஐத் திறந்து ஒவ்வொரு input கோப்புக்கும் கண்டறிதல்கள் அல்லது தெளிவான தீர்க்கப்படாத நிலை உள்ளதா, ஆதாரப் பகுதிகள் சரியான source file-ஐச் சுட்டுகிறதா, எண்ணிக்கைகள் வழங்கிய கோப்புகளுடன் பொருந்துகிறதா எனப் பாருங்கள். பெரிய corpus-இல் பயன்படுத்துவதற்கு முன் சிறிய test folder-ஐ உங்கள் எதிர்பார்க்கும் முடிவுகளுடன் ஒப்பிடுங்கள்.

Client துண்டிக்கப்பட்டால், புதிய event stream திறந்தபின் உருவான நிகழ்வுகளையே அது அனுப்பும். ஆவணப்படுத்தப்பட்ட event-type filters மற்றும் pagination கொண்டு பழைய session events-ஐப் பட்டியலிட்டு run நிலையை மீண்டும் உருவாக்குங்கள். முதன்மை முகவர் idle ஆனதால் run முடிந்துவிட்டது என நினைக்க வேண்டாம்; child thread-கள் இன்னும் வேலைசெய்யலாம். கவனித்த அனைத்து run-களும் முடிந்ததும் session-scope கோப்புகளைப் பட்டியலிட்டு, ஆவணப்படுத்தப்பட்ட Files API மூலம் /mnt/session/outputs/report.json மற்றும் summary.md பதிவிறக்குங்கள். வழங்கிய ஒவ்வொரு கோப்புக்கும் reviewed அல்லது unresolved பதிவு உள்ளதா, எண்ணிக்கைகள் பொருந்துகின்றனவா எனச் சரிபாருங்கள். எடுத்துக்காட்டு event loop அறிக்கையைத் தானாகப் பதிவிறக்கவோ சரிபார்க்கவோ இல்லை.

வடிவமைப்பை மாற்றும் வரம்புகள்

Anthropic-இன் workflow-run வரம்புகள் தற்போது ஒரு run-இல் ஒரே நேரத்தில் பணிபுரியும் 64 workflow thread-கள் வரை குறிப்பிடுகின்றன; ஆனால் அந்த concurrency-க்கு API உத்தரவாதம் அளிக்காது, மதிப்பு மாறலாம். 1,000-agent வரம்பு முழு run காலத்திலும் தொடங்கப்பட்ட முகவர்களை எண்ணுகிறது; ஒரே நேரத்தில் இயங்கும் thread-களை அல்ல. அந்த மொத்தத்தை அடைந்த பிறகு மற்றொரு முகவரைத் தொடங்க workflow கேட்டால், run thread_limit_errorஎன முடியும்; தோல்வியுற்ற முகவர்களை மீண்டும் முயல்வது கூடுதல் thread-களை உருவாக்கலாம்.

ஒரு run இயல்பாக 24 மணிநேரம் நீடிக்கும்; அதன் முகவர் குறைவான காலத்தை அமைத்தால் அதற்கும் குறையும். உங்கள் client-க்காகக் காத்திருக்கும் நேரமும் கணக்கில் வரும்; pause செய்யப்பட்ட run-மும் timeout ஆகலாம். ஒரு session-இல் idle run-களையும் சேர்த்து இயல்பாக 10 திறந்த run-கள் இருக்கும். Session usage budget அனைத்து workflow முகவர்களுக்கும் பொருந்தும்; அதை அடைந்தால் budget உயர்த்தப்படும் அல்லது நீக்கப்படும் வரை திறந்த run-கள் நிறுத்தப்படும். சிறிய பணிப் பகுதிகளைத் திட்டமிடுங்கள், checkpoints-ஐ கோப்புகளில் சேமியுங்கள், மதிப்பாய்வு செய்ததாகப் பாசாங்கு செய்யாமல் முடிக்காதவற்றை reconciliation கட்டம் தெரிவிக்கச் செய்யுங்கள்.

தோல்வி ஏற்பட்டால் workflow_run.error மற்றும் பாதிக்கப்பட்ட thread-ஐப் பாருங்கள். program_error என்பது workflow code அல்லது child தோல்வியடைந்ததைக் குறிக்கலாம்; thread_limit_error 1,000-agent வரம்பைக் குறிக்கிறது; timeout_error run கால வரம்பைக் குறிக்கிறது. Session budget-ஐ run அடைந்தால், தொடர budget-ஐ உயர்த்துங்கள் அல்லது நீக்குங்கள். Workflow-ஐ நிறுத்த, அதன் run-களை நிறுத்துமாறு முதன்மை முகவரிடம் கேளுங்கள்; session turn-ஐ interrupt செய்வது மட்டும் run-ஐ ரத்து செய்யும் கட்டளை அல்ல.

செலவு

Anthropic-இன் விலை ஆவணங்கள் தேர்ந்தெடுத்த model-இன் token விகிதங்களிலும் session runtime-க்கும் Managed Agents கட்டணம் விதிக்கின்றன: இயங்கும் session-ஒன்றுக்கு ஒரு மணிநேரம் $0.08. Session status runningஆக இருக்கும்போது runtime சேரும்; idle, rescheduling, terminated நேரம் கணக்கில் வராது. Workflow run-க்கு தனிக் கட்டணம் இல்லை; ஆனால் thread-களின் token பயன்பாடு session கட்டணத்தில் சேரும். Session-க்குள் தொடங்கும் web search-க்கு 1,000 தேடலுக்கு $10 எனப் பட்டியலிடப்பட்டுள்ளது. சரியான மொத்தம் model, input/output tokens, கருவிகள், session நீளம் ஆகியவற்றைப் பொறுத்தது; 1,000-agent வரம்பிலிருந்து கணிக்காமல் Console-இல் usage-ஐப் பாருங்கள்.

நடைமுறையில், சில கோப்புகளுடன் தொடங்கி, ஒவ்வொன்றுக்கும் workflow வெளியீடு கணக்கு காட்டுகிறதா என உறுதிசெய்து, தோல்வியுற்ற thread-களைப் பார்த்து, மதிப்பாய்வு கொள்கையும் செலவும் ஏற்றதாக இருந்தால் மட்டுமே input-ஐ விரிவாக்குங்கள். Managed workflow-கள் ஒத்திசைவற்ற இணைப் பணியை ஒருங்கிணைக்க வழி தருகின்றன; கண்டறிதல்களை அவை சான்றளிக்காது.

பெரிய மாற்றம்

அக்டோபர் 9 முதல், Managed Agents முகவர் பல agent thread-கள் மற்றும் கட்டங்களில் server இயக்கும் workflow நிரலை எழுத முடியும். முதன்மை session முன்னேற்றத்தைக் கண்காணிக்கும்போது, வரம்பிட்டும் audit செய்யக்கூடியதுமான fan-out பணிக்கு உருவாக்குநர்கள் இந்த வழியைப் பயன்படுத்தலாம். அம்சம் இன்னும் பீட்டாவில் உள்ளது; வெளியிடப்பட்ட வரம்புகள் ஒவ்வொரு run-மும் அதிகபட்ச concurrency-ஐ எட்டும் அல்லது சரியான கண்டறிதல்களை உருவாக்கும் என உறுதி அளிக்கவில்லை.

ஆதாரங்களும் மேலதிக வாசிப்பும்