Pexon Consulting | 11 Min. Lesezeit | 16.05.2026
TL;DR
Das Claude Agent SDK ist Anthropics offizielles Python-Toolkit für produktionsfähige KI-Agenten: Tool-Use-Loop, MCP-Server-Integration, Permission-System, Streaming und Hooks aus einer Hand. Pexon Consulting baut damit Custom-Agenten für Servicetechniker, Doku-Verarbeitung und interne Automatisierung — Azure-gehostet oder On-Premises über Bedrock und Vertex AI. Unsere Kunden gehen von Prototyp zu produktivem Agent in 4 Wochen statt 4 Monaten.
Was das Claude Agent SDK eigentlich ist
Anthropic hat das SDK Anfang 2026 aus dem internen Claude-Code-Toolkit ausgegliedert und als eigenständiges Python-Package veröffentlicht. Es ersetzt nicht die Claude-API — es setzt darauf auf. Der Unterschied: Statt selbst eine Tool-Use-Loop zu schreiben, Token-Streaming zu handhaben, Tools zu registrieren und Permission-Prompts zu bauen, bekommen Sie das fertig.
Installation ist eine Zeile:
pip install claude-agent-sdkEin minimaler Agent läuft in fünf Zeilen Code:
from claude_agent_sdk import query
async for message in query(prompt="Welche Dateien liegen im Ordner /data/eingang?"):
print(message)Das wirkt unspektakulär. Der Punkt ist: Diese fünf Zeilen können Filesystem lesen, Tools aufrufen, MCP-Server ansprechen, Permissions abfragen — alles über die ClaudeAgentOptions, die Sie reinreichen. Das ist der Hebel.
Wo das SDK in einem mittelständischen Engineering-Team Sinn ergibt
Wir bauen mit dem SDK derzeit drei wiederkehrende Agent-Typen für Pexon-Kunden im produzierenden Gewerbe. Die Use Cases sind nicht neu — die Geschwindigkeit beim Bauen schon.
Erstens: Servicetechniker-Assistent mit Custom Tools. Ein Maschinenbauer hat 18.000 Seiten Wartungsdokumentation plus ein 12.000-Ticket-Archiv. Der Agent bekommt drei Tools: search_docs(query), lookup_ticket(machine_id, symptom), book_spare_part(part_id, qty). In klassischem LangChain-Code waren das in unserem Vorjahresprojekt 870 Code-Zeilen Tool-Glue. Mit dem SDK sind es 90.
Zweitens: Document-Intelligence-Pipeline mit MCP-Anbindung. Eingehende Auftragsbestätigungen werden gegen das SAP-ERP geprüft. Der Agent ruft einen MCP-Server an, der die SAP-RFC-Calls kapselt. Wir mussten den MCP-Server schreiben — aber die Anbindung an den Agent ist im SDK eine Zeile. In LangChain hätten wir hier einen Adapter-Layer plus Custom-Output-Parser gebraucht.
Drittens: Internal-Code-Reviewer für Plattform-Teams. Pull Requests laufen durch einen Agent, der gegen interne Style-Guides, Compliance-Vorgaben und Sicherheits-Patterns prüft. Hier glänzt das Permission-System: der Agent darf lesen, niemals committen oder mergen. Das ist in einer YAML-Config konfigurierbar, nicht im Code.
ClaudeSDKClient für persistente Sessions
query() ist gut für Einmal-Aufrufe. Für richtige Production-Agenten brauchen Sie Sessions — also das, was klassische Chat-Bots können, plus Tool-Use-Loop, plus Streaming, plus Audit-Log. Dafür gibt es den ClaudeSDKClient.
import asyncio
from claude_agent_sdk import ClaudeSDKClient, ClaudeAgentOptions
async def servicetechniker_session():
options = ClaudeAgentOptions(
system_prompt="Du bist ein Wartungsassistent für CNC-Maschinen. "
"Antworte präzise, nenne immer die Quell-Doku-ID.",
allowed_tools=["search_docs", "lookup_ticket"],
permission_mode="askOnFirst", # bei jedem neuen Tool einmal fragen
max_turns=12,
)
async with ClaudeSDKClient(options=options) as client:
await client.query("Fehler E07 an Maschine HX-2200, was tun?")
async for msg in client.receive_response():
print(msg)
# Folge-Frage in derselben Session — Kontext bleibt erhalten
await client.query("Welche Ersatzteile brauche ich dafür?")
async for msg in client.receive_response():
print(msg)
asyncio.run(servicetechniker_session())Das Wichtigste an diesem Snippet: permission_mode und allowed_tools. Im Production-Setup setzen wir permission_mode="deny" als Default — der Agent darf nur das, was explizit auf der Whitelist steht. Compliance-Auditor freut sich, weil das System nicht aus Versehen Daten in nicht freigegebene Tools schickt.
Custom Tools schreiben — das ist der eigentliche Hebel
Tools sind der Punkt, an dem der Agent Ihre Welt berührt. Das SDK macht Tool-Definition so trivial wie ein Decorator:
from claude_agent_sdk import tool, create_sdk_mcp_server
from typing import Any
@tool(
name="lookup_machine_status",
description="Liest den aktuellen Status einer CNC-Maschine aus dem MES.",
input_schema={
"type": "object",
"properties": {
"machine_id": {"type": "string", "description": "ID, z.B. HX-2200"}
},
"required": ["machine_id"]
}
)
async def lookup_machine_status(args: dict[str, Any]) -> dict:
machine_id = args["machine_id"]
# Hier kommt der echte MES-Call rein — Beispiel mit aiohttp
async with aiohttp.ClientSession() as session:
async with session.get(f"https://mes.intern/api/machines/{machine_id}") as r:
data = await r.json()
return {
"content": [
{"type": "text", "text": f"Status: {data['status']}, "
f"Letzter Fehler: {data['last_error']}"}
]
}
# Tools in einem In-Process MCP-Server registrieren
mcp_server = create_sdk_mcp_server(
name="pexon-cnc-tools",
version="1.0.0",
tools=[lookup_machine_status]
)
options = ClaudeAgentOptions(
mcp_servers={"cnc": mcp_server},
allowed_tools=["mcp__cnc__lookup_machine_status"],
)Das ist produktiver Code, nicht Pseudo-Code. Genau so deployen wir Custom-Tools bei Pexon-Kunden — typisch 3 bis 8 Tools pro Agent, jedes mit klarem Input-Schema, jedes auditiert.
Unsere klare Empfehlung: Tools immer mit input_schema versehen, auch wenn das SDK ohne theoretisch funktioniert. Ohne Schema haben Sie keinen Validierungs-Layer, und das LLM halluziniert dann mit höherer Wahrscheinlichkeit Aufrufe, die fehlschlagen.
MCP, Bedrock, Vertex — wo das SDK skaliert
Drei Punkte, die das SDK über simple Chat-Bots hinaushebt:
MCP-Server-Integration. Das Model Context Protocol ist 2024 von Anthropic aufgemacht worden und mittlerweile von Microsoft, Google und der Community breit adoptiert. Das SDK kann MCP-Server direkt einbinden — egal ob Sie Filesystem, SAP, ServiceNow, Jira, GitHub oder Salesforce über MCP exponieren. Bei mehreren unserer Kunden läuft genau dieser Stack: Sechs MCP-Server, die jeweils ein internes System exponieren, ein zentraler Agent, der orchestriert.
Cloud-Backend austauschbar. Standard ist die Anthropic-API. Bei DSGVO-strengeren Kunden setzen wir auf Amazon Bedrock (Anthropic Claude verfügbar in Frankfurt) oder Google Vertex AI (Claude in EU-Regionen verfügbar seit 2024). Konfiguration über Umgebungsvariablen — kein Code-Umbau.
# Bedrock statt Anthropic-Direkt
export CLAUDE_CODE_USE_BEDROCK=1
export AWS_REGION=eu-central-1
export ANTHROPIC_MODEL=anthropic.claude-opus-4-5-20250514-v1:0Hooks für Audit und Compliance. Pre-Tool-Use, Post-Tool-Use, On-Error — alles als Hooks definierbar. Wir nutzen das für Audit-Logs, die in Azure Monitor oder einem dedizierten SIEM landen. ISO-27001-Auditor liest das, was die Hooks geschrieben haben, nicht die Agent-Konversation selbst.
Was das SDK NICHT löst
Hier sind wir ehrlich, weil die Marketing-Folien das gerne anders verkaufen.
Das SDK ist kein Workflow-Orchestrator. Wenn Sie 40 Schritte hintereinander deterministisch abarbeiten wollen, ist ein klassischer Workflow-Manager (Temporal, Airflow, Prefect) das richtige Tool. Der Agent ist gut für Aufgaben, bei denen der Pfad zur Lösung erst zur Laufzeit klar wird.
Es ist auch keine Memory-Engine. Lange Konversations-Historien laufen über das Standard-Claude-Context-Window. Wenn Sie 90 Tage Service-Historie pro Kunde im Modell halten wollen, brauchen Sie ein RAG-System obendrauf. Das SDK gibt Ihnen die Tool-Hooks dafür, aber nicht das RAG selbst.
Und es ist nicht kostenlos. Pro 1 Million Input-Tokens zahlen Sie aktuell rund 3 USD bei Claude Sonnet, 15 USD bei Opus. Bei einem produktiven Servicetechniker-Agent mit 200 bis 500 Aufrufen pro Tag und durchschnittlich 12.000 Tokens pro Conversation reden wir über 800 bis 4.500 EUR pro Monat reine LLM-Kosten. Bei MultiAgent-Setups mehr. Das ist im ROI-Rahmen, aber niemand redet ehrlich darüber.
Wo Pexon Sie konkret weiterbringt
Das SDK lesen Sie in einem Wochenende. Production-fähigen Agent bauen, integrieren und an Ihre Compliance ausliefern — das ist die andere Sache. Wir bringen drei Dinge mit, die Engineering-Teams sich gern selbst sparen:
Erstens: Setup-Templates für Azure Container Apps und Kubernetes mit GPU-Inference, falls Sie selbst hosten wollen. Inklusive HPA-Tuning, Cost-Caps und Cold-Start-Vermeidung.
Zweitens: Tool-Library mit produktionsgeprüften MCP-Servern für SAP, ServiceNow, Microsoft Graph, GitHub, Confluence und ELO. Wir geben die nicht als Black Box raus — wir setzen sie bei Ihnen auf, übergeben den Code, schulen Ihr Team.
Drittens: Permission-Patterns, Audit-Hooks und Eval-Suites, die wir aus 14 Custom-Agent-Projekten kalibriert haben. Was beim ersten Kunden 6 Wochen Debugging gekostet hat, gibts beim 15. als getesteten Pattern.
Wir raten davon ab, Custom-Agenten ohne diese drei Bausteine in Production zu bringen. Das ist nicht Marketing — wir sehen genau die Probleme, die entstehen, wenn man sie überspringt. Halluzinierte Tool-Calls ohne Schema-Validation, unkalibrierte Kosten, Audit-Logs ohne forensische Tiefe.
Häufig gestellte Fragen
Was kostet ein Custom-Agent-Projekt mit dem Claude Agent SDK bei Pexon?
Der Standard-Pilot liegt zwischen 75.000 und 150.000 EUR und dauert 4 bis 6 Wochen. Enthalten: Use-Case-Definition, 3 bis 8 Custom Tools, MCP-Server-Anbindung an 2 bis 3 Bestandssysteme, Permission- und Audit-Setup, Eval-Suite, produktiver Deploy auf Azure oder Bedrock, Schulung von 3 bis 5 Engineers. Laufende LLM-Kosten kommen on-top, typisch 800 bis 4.500 EUR pro Monat je nach Last.
Claude Agent SDK vs LangChain — was nehmen wir?
Kommt auf Ihre Anforderungen an. LangChain ist Modell-agnostisch — Sie können beliebig zwischen OpenAI, Anthropic, Mistral und lokalen Modellen wechseln. Das Claude Agent SDK ist Claude-only, dafür mit deutlich weniger Glue-Code, nativem MCP, eingebautem Permission-System. Unsere Empfehlung 2026: Wenn Claude die richtige Wahl für den Use Case ist (und das ist sie in 70 Prozent unserer Mittelstands-Projekte), nehmen Sie das SDK. Wenn Sie Modell-Hopping brauchen, LangChain.
Geht das auch DSGVO-konform und ohne dass Daten in die USA gehen?
Ja, über zwei Wege. Erstens: Amazon Bedrock mit Claude in der Region Frankfurt — Anthropic-Modelle, aber AWS-EU-Hosting mit europäischen Datenschutzgarantien. Zweitens: Google Vertex AI mit Claude in EU-Regionen. Beide Wege haben wir produktiv im Einsatz bei Kunden mit harten DSGVO-Anforderungen. Anthropic direkt geht auch, aber dann läuft Inferenz in den USA — für viele Mittelständler ein No-Go.
Wie verhindern wir, dass der Agent etwas tut, was er nicht soll?
Drei Layer. Erstens: allowed_tools als Whitelist — der Agent kennt nur die Tools, die Sie freigeben. Zweitens: Pre-Tool-Use-Hooks, die jeden Aufruf vor Ausführung gegen Geschäftslogik prüfen können (z.B. „darf dieser Agent in diesem Mandanten Buchungen schreiben?“). Drittens: Permission-Mode deny oder askOnFirst als Default für sicherheitskritische Tools. In Production-Setups kombinieren wir alle drei.
Lohnt sich das schon für unser 4-Personen-AI-Team oder müssen wir warten?
Unsere Antwort: Es lohnt sich gerade bei kleineren Teams am meisten. Genau da fehlt sonst die Zeit, einen Tool-Use-Loop sauber zu implementieren, Hooks zu bauen, MCP-Server-Integration zu schreiben. Das SDK nimmt 60 bis 80 Prozent der Custom-Glue-Code-Arbeit ab. Ein 4-Personen-Team baut damit Agenten, für die man früher 8 bis 10 Engineers gebraucht hätte.
Nächster Schritt
Wenn Sie ein eigenes Engineering-Team mit Python-Erfahrung haben und einen konkreten Agent-Use-Case im Kopf — Servicetechniker, Doku-Verarbeitung, internes Tooling, Code-Review — ist das Thema einen 90-Minuten-Erstgespräch wert. Wir bewerten den Use Case, schätzen den Implementierungs-Aufwand und sagen Ihnen, ob das SDK für Sie der richtige Hebel ist.
Verwandte Themen
→6-Wochen-Pilot Generative AI: Vom Konzept zum produktiven System
→RAG für Unternehmenswissen: Architektur und Praxis
→Document Intelligence: Dokumente automatisch verstehen
→Platform Engineering Kultur: Wie IDPs Agent-Workloads skalieren
Weiterlesen: Alle vier Claude-Agent-SDK-Leitfäden im Überblick.
