Claude वापरून VPS वर AI agent कसे बनवायचे

Claude वापरून agent तयार करणे म्हणजे काय

Claude वापरून agent तयार करणे म्हणजे Claude ला reasoning core (तर्कसंगत केंद्र) म्हणून वापरणे, तर loop, tools आणि data तुमच्या स्वतःच्या server वर असणे. Claude काय करायचे ते ठरवते; तुमचा VPS ते कार्यान्वित करतो. तुम्ही Claude ला task आणि current state पाठवता, Claude उत्तर किंवा एखादे tool वापरण्याची विनंती पाठवतो, तुमचा code tool चालवतो आणि निकाल परत पाठवतो, आणि जोपर्यंत काम पूर्ण होत नाही तोपर्यंत ही प्रक्रिया (loop) सुरू राहते. Intelligence ही इंटरनेटवरून कॉल केली जाणारी एक service आहे. त्याच्या आसपासचे सर्व घटक तुमचे आहेत.

ही विभागणी (split) या पद्धतीचे वैशिष्ट्य आहे. तुम्हाला model चालवण्याची गरज पडत नाही आणि उच्च दर्जाचे reasoning मिळते, तसेच agent कशावर काम करू शकतो यावर तुमचे पूर्ण नियंत्रण राहते, कारण tools तुमच्या स्वतःच्या hardware वर चालतात. जर तुम्ही आधीच Claude प्रोग्राम तयार केला असेल, तर first Claude app on a VPS guide मध्ये यातील पायाभूत गोष्टींची माहिती दिली आहे.

Claude हा मेंदू आहे: Messages API

Claude ला केलेला प्रत्येक call एकाच endpoint द्वारे जातो, तो म्हणजे Messages API. तुम्ही आतापर्यंत झालेली conversation आणि agent वापरू शकणाऱ्या tools ची यादी पाठवता; Claude त्याचे पुढील message परत पाठवतो. ते message एक अंतिम उत्तर असते किंवा tool कॉल करण्याची विनंती असते. स्वतःचे build-it-yourself मॉडेल वापरणाऱ्यांसाठी कोणताही वेगळा "agent API" नाही: tool use हे या single endpoint चे एक feature आहे, आणि त्याभोवतीचा loop चालवणे तुमच्यावर अवलंबून आहे.

Claude calls मध्ये stateless असतो, याचा अर्थ त्याला स्वतःहून काहीही आठवत नाही. प्रत्येक request मध्ये संपूर्ण conversation पाठवावी लागते. तुमचा code history जपतो आणि प्रत्येक वेळी तो पाठवतो, ज्यामुळे why each turn in a long session costs more tokens than the last हे घडते. ही मर्यादा नसून एक design choice आहे: state तुमच्या server वर असल्याने, Claude ला नक्की काय दिसायला हवे हे तुम्ही ठरवू शकता, आणि task बद्दलची कोणतीही माहिती तुम्ही नियंत्रित न केलेल्या ठिकाणी साठवली जात नाही.

Tool use हा agent loop आहे

Claude सोबतचा agent loop स्पष्ट करणे सोपे आहे. तुम्ही तुमच्या tools सह एक request पाठवता. Claude task वाचतो आणि जर त्याला कृती करण्याची गरज असेल, तर तो tool चे नाव आणि त्याचे inputs भरून tool-use request पाठवतो. तुमचा code ते tool चालवतो आणि नंतर पुढच्या request मध्ये निकाल Claude ला परत पाठवतो. Claude निकाल वाचतो आणि एकतर दुसऱ्या tool साठी विचारतो किंवा त्याचे अंतिम उत्तर लिहितो. जेव्हा तो tools साठी विचारणे थांबवतो, तेव्हा task पूर्ण होतो.

तुम्ही हा loop काही ओळींमध्ये स्वतः लिहू शकता, आणि अनेक लोक तसे करतात, कारण तो समजायला आणि नियंत्रित करायला सोपा आहे. अधिकृत SDKs मध्ये एक tool runner देखील असतो जो तुमच्यासाठी loop चालवतो: तुम्ही tool functions पुरवता आणि SDK Claude ला कॉल करणे, तुमचे tools चालवणे आणि Claude पूर्ण होईपर्यंत निकाल परत पाठवणे या प्रक्रियेचे व्यवस्थापन करतो. दोन्ही पद्धतींमध्ये रचना सारखीच आहे. runner फक्त तुम्हाला स्वतःहून loop लिहिण्यापासून वाचवतो.

Build करण्याचे तीन मार्ग आणि VPS साठी कोणते योग्य आहेत

Claude agent तयार करण्याचे तीन मार्ग आहेत आणि ते तुम्ही किती machinery चालवता यावर अवलंबून आहेत.

पहिली पद्धत म्हणजे तुमच्या स्वतःच्या tools सह Claude API कॉल करणारा तुमचा स्वतःचा code. तुम्ही loop लिहिता किंवा SDK च्या tool runner चा वापर करता आणि सर्व काही तुमच्या VPS वर host करता. ही एक सामान्य निवड आहे, कारण यामुळे तुम्हाला tools, data आणि security वर पूर्ण नियंत्रण मिळते आणि ते तुमच्या server वर एक सामान्य program म्हणून चालते. या मार्गदर्शकाचा बहुतेक भाग या पद्धतीवर आधारित आहे.

दुसरी पद्धत Claude Agent SDK आहे. हे Claude Code आहे, जे एक coding agent आहे आणि लायब्ररी म्हणून उपलब्ध आहे. यामध्ये पूर्ण agent loop आणि files वाचण्यासाठी, लिहिण्यासाठी, shell commands चालवण्यासाठी आणि search करण्यासाठी built-in tools असतात, त्यामुळे तुम्हाला ते शून्यापासून तयार करण्याची गरज नाही. हे देखील तुमच्या स्वतःच्या server वर चालते, ज्यामुळे तुम्हाला स्वतःला harness तयार न करता एक सक्षम file-and-shell agent हवा असल्यास VPS साठी हे अत्यंत उपयुक्त ठरते. Files वाचणारा आणि shell commands चालवणारा agent स्वयंचलितपणे चालवण्यासाठी containment (मर्यादा) आवश्यक असते, आणि running Claude Code safely on a server मध्ये permission system, sandbox आणि isolation options ची माहिती दिली आहे.

तिसरी पद्धत Managed Agents आहे, जिथे Anthropic loop चालवते आणि एक sandbox host करते ज्यामध्ये agent चे tools कार्यान्वित होतात. ही hands-off पद्धत आहे: तुम्हाला कमी काम करावे लागते, परंतु agent चा workspace तुमच्या VPS ऐवजी Anthropic च्या infrastructure वर असतो. जेव्हा तुम्हाला कमीत कमी operational work हवा असतो आणि tools तुमच्या स्वतःच्या machine वर चालवण्याची गरज नसते, तेव्हा याचा वापर करा. इतर दोन पद्धतींमध्ये, तुमचा server हा agent चे घर असतो, ज्याबद्दल या मार्गदर्शकाचा उर्वरित भाग आहे.

MCP द्वारे tools जोडणे

तुम्ही कोणताही मार्ग निवडला तरी, तुम्हाला agent ला real systems शी जोडण्याची गरज पडेल आणि Model Context Protocol (MCP) हे ते करण्यासाठी एक सुटसुटीत साधन आहे. MCP हे agent ला tools आणि data प्रदान करण्यासाठी एक open standard आहे. प्रत्येक service साठी वेगळे integration hand-code करण्याऐवजी, तुम्ही Claude ला अशा MCP server कडे निर्देशित करता जे आधीच ती क्षमता tools म्हणून सादर करते. तुम्ही MCP servers एकाच VPS वर लहान services म्हणून चालवू शकता, ज्यामध्ये प्रत्येकाकडे फक्त आवश्यक access असेल, ज्याबद्दल मी running MCP servers on a VPS मध्ये माहिती दिली आहे.

Model निवडणे

Claude मध्ये अनेक models आहेत आणि एक निवडणे म्हणजे capability, speed आणि cost यांचा समतोल राखणे होय. या लेखनाच्या वेळी, मुख्य निवडींमध्ये Claude Opus 4.8 (claude-opus-4-8) (कठीण reasoning आणि लांब agent runs साठी सक्षम default), Claude Sonnet 5 (claude-sonnet-5) (अनेक tasks मध्ये Opus च्या जवळ राहून स्वस्त आणि जलद पर्याय), आणि Claude Haiku 4.5 (claude-haiku-4-5) (साध्या, high-volume steps साठी सर्वात जलद आणि स्वस्त) यांचा समावेश आहे. त्यांच्या वर Claude Fable 5 (claude-fable-5) आहे, जे सर्वात कठीण कामांसाठी सर्वात सक्षम model आहे. तुमच्या code मध्ये date न जोडता exact model identifier वापरा.

एक व्यावहारिक पद्धत म्हणजे त्यांची मिक्सिंग करणे. साध्या tool calls साठी स्वस्त model वापरा आणि कठीण निर्णयांसाठी अधिक शक्तिशाली model वापरा. कारण model तुमच्या request मध्ये फक्त एक string असतो, त्यामुळे स्विच करणे म्हणजे फक्त एक ओळीचा बदल आहे, म्हणून सक्षम default ने सुरुवात करा आणि जिथे speed किंवा cost महत्त्वाचे आहे तिथे कमी मॉडेलकडे वळा.

तुमच्या VPS वर एक hardened service म्हणून चालवा

Agent तेव्हाच उपयुक्त ठरतो जेव्हा तो चालू राहतो, आणि तो तेव्हाच सुरक्षित असतो जेव्हा तो contained असतो. VPS वर, या दोन्ही गोष्टी terminal मध्ये मॅन्युअली सुरू केलेल्या program ऐवजी agent ला एक hardened system service म्हणून चालवल्यामुळे साध्य होतात. एक service म्हणून, ते boot झाल्यावर सुरू होते, crash झाल्यास restart होते आणि journal मध्ये logs नोंदवते. Hardened स्वरूपात, ते फक्त आवश्यक access असलेल्या unprivileged user म्हणून चालते, ज्यामुळे bug किंवा चुकीच्या instruction ची मर्यादा (ceiling) राहते.

सर्वात महत्त्वाचा नियम म्हणजे तुमची Claude API key server-side वर ठेवणे. ही key प्रत्येक call साठी पैसे भरते आणि authorize करते, म्हणून ती फक्त agent च्या user ला वाचता येईल अशा file मध्ये असावी, service मध्ये environment variable म्हणून लोड केलेली असावी, आणि ती कधीही code, repository किंवा ब्राउझर पोहोचू शकेल अशा ठिकाणी ठेवू नये. तुमच्या agent साठी एक पूर्ण, hardened service unit येथे तयार करा:

त्यानंतर स्वतः server पूर्ण करा. SSH hardening on a VPS प्रमाणे, फक्त keys वर SSH ठेवा आणि तुम्ही ज्या account मधून व्यवस्थापन करता ते lock करा. जर तुम्हाला build करताना agent ला interactive session मधून चालवायचे असेल, तर running Claude Code on a VPS with tmux हा एक चांगला पर्याय आहे. आणि जर तुम्हाला या सर्वांमागील संकल्पना समजून घ्यायच्या असतील, तर building your own AI agent on a VPS मधील मार्गदर्शक तत्त्वे पायाभूत माहिती देतात.

जर तुम्हाला terminal coding assistant हवा असेल, तर running a coding AI agent on a VPS मध्ये Aider आणि Goose बद्दल माहिती दिली आहे.

FAQ

agent तयार करण्यासाठी मी कोणता Claude model वापरला पाहिजे?

Claude Opus 4.8 (claude-opus-4-8) ने सुरुवात करा, जो सक्षम default आहे, आणि तिथून बदल करा. Claude Sonnet 5 (claude-sonnet-5) बहुतेक कामांसाठी स्वस्त आणि जलद आहे, Claude Haiku 4.5 (claude-haiku-4-5) साध्या high-volume steps साठी सर्वोत्तम आहे, आणि Claude Fable 5 (claude-fable-5) सर्वात कठीण कामांसाठी सर्वात सक्षम आहे. एक सामान्य पद्धत म्हणजे routine steps साठी स्वस्त model आणि कठीण निर्णयांसाठी अधिक शक्तिशाली model वापरणे, कारण स्विच करणे म्हणजे फक्त एक ओळीचा बदल आहे.

मी संपूर्ण agent माझ्या VPS वर चालवतो की Anthropic कडून?

हे तुमच्या दृष्टिकोनावर अवलंबून आहे. जर तुम्ही Claude API विरुद्ध स्वतःचा loop लिहिला किंवा Claude Agent SDK वापरला, तर agent पूर्णपणे तुमच्या VPS वर चालतो आणि फक्त model calls Anthropic कडे जातात. जर तुम्ही Managed Agents वापरले, तर Anthropic loop चालवते आणि sandbox host करते जिथे tools कार्यान्वित होतात, त्यामुळे तुमच्या server वर कमी गोष्टी राहतात. तुमच्या स्वतःच्या machine वर चालणाऱ्या agent साठी, पहिल्या दोनपैकी एक पद्धत वापरा.

Claude API आणि Claude Agent SDK मध्ये काय फरक आहे?

Claude API हा raw Messages endpoint आहे: तुम्ही conversation आणि tools पाठवता आणि त्याच्याभोवती agent loop लिहिता, किंवा तो चालवण्यासाठी SDK च्या tool runner चा वापर करता. Claude Agent SDK ही एक उच्च-स्तरीय (higher-level) library आहे, जी Claude Code चे packaging आहे, ज्यामध्ये पूर्ण loop आणि built-in file, shell आणि search tools असतात. जेव्हा तुम्हाला सर्व काही स्वतः परिभाषित करायचे असते तेव्हा API वापरा आणि जेव्हा तुम्हाला harness तयार न करता सक्षम agent हवा असतो तेव्हा Agent SDK वापरा.

मी server वर माझी Claude API key सुरक्षित कशी ठेवीन?

ती server-side वर आणि तुमच्या code च्या बाहेर ठेवा. ती फक्त agent ज्या account ने चालवला जातो त्याला वाचता येईल अशा file मध्ये साठवा, ती service मध्ये environment variable म्हणून लोड करा, आणि ती कधीही repository मध्ये commit करू नका किंवा ब्राउझरला उघडी पडू देऊ नका. कारण Claude कडे जाणारा प्रत्येक request तुमच्या server कडून जातो, त्यामुळे key ला वापरकर्त्याच्या device पर्यंत पोहोचण्याची गरज नसते, ज्यामुळे client app मध्ये एम्बेड केलेल्या agent पेक्षा server-run agent सुरक्षित करणे सोपे जाते.

Claude वापरून agent तयार करण्यासाठी मला model self-host करण्याची गरज आहे का?

नाही. Claude मध्ये model ही एक hosted service आहे जी तुम्ही API द्वारे कॉल करता, त्यामुळे GPU वर काहीही चालवण्याची गरज नाही. तुमचा VPS agent loop, tools आणि data चालवतो, आणि reasoning Anthropic कडून होते. यामुळेच एक सामान्य server सक्षम agent चालवू शकतो. जर तुम्हाला त्याऐवजी पूर्णपणे local model हवे असेल, तर ती self-hosted पद्धत आहे जी 'building your own AI agent' या मार्गदर्शकात दिली आहे.