Paano Gumawa ng AI Agent gamit ang Claude sa VPS

Ano ang ibig sabihin ng pagbuo ng agent gamit ang Claude

Ang pagbuo ng agent gamit ang Claude ay nangangahulugang ginagamit ang Claude bilang core para sa reasoning, habang nasa sarili mong server ang loop, mga tool, at data. Nagpapasya ang Claude kung ano ang gagawin; isinasagawa ito ng iyong VPS. Ipinapadala mo sa Claude ang task at kasalukuyang state. Tumutugon ang Claude gamit ang sagot o kahilingang gumamit ng isa sa iyong mga tool. Pinapatakbo ng iyong code ang tool at ipinapadala pabalik ang resulta. Nagpapatuloy ang loop hanggang matapos ang task. Ang intelligence ay isang service na tinatawagan mo sa internet. Ikaw ang may kontrol sa lahat ng nakapaligid dito.

Ito ang dahilan kung bakit kapaki-pakinabang ang paghahating ito. Nakakakuha ka ng reasoning na nasa frontier level nang hindi nagpapatakbo ng sarili mong model. Nananatili rin sa iyo ang ganap na kontrol sa maaaring ma-access ng agent, dahil tumatakbo ang mga tool sa hardware na pagmamay-ari mo. Kung nakabuo ka na ng unang Claude program, ipinapaliwanag ng guide sa unang Claude app sa VPS ang mga pangunahing hakbang na pinagbabatayan ng gabay na ito.

Si Claude ang brain: ang Messages API

Dumadaan sa iisang endpoint ang bawat tawag sa Claude: ang Messages API. Ipinapadala mo ang kasalukuyang conversation at ang listahan ng mga tool na maaaring gamitin ng agent; ibinabalik ni Claude ang susunod nitong message. Ang message na iyon ay maaaring final answer o request na tumawag ng tool. Para sa build-it-yourself na paraan, walang hiwalay na "agent API": feature ng iisang endpoint ang tool use, at ikaw ang nagpapatakbo ng loop sa paligid nito.

Stateless si Claude sa pagitan ng mga tawag, kaya wala itong sariling memorya. Kasama sa bawat request ang buong conversation. Hawak ng code mo ang history at ipinapadala ito sa bawat turn, kaya mas maraming token ang nagagastos sa bawat turn sa mahabang session kaysa sa naunang turn. Hindi ito gaanong limitation kundi design choice: dahil nasa server mo ang state, ikaw ang eksaktong nagpapasya kung ano ang nakikita ni Claude, at walang impormasyon tungkol sa task ang naiimbak sa lugar na hindi mo kontrolado. Nangangahulugan din ito na patuloy na humahaba ang prompt. Bagama't komportable itong sinasalo ng context window ni Claude, hindi ito kakayanin ng local model sa parehong loop. Kaya kailangang itaas ang num_ctx ng Ollama bago nito itigil ang pag-truncate ng mahahabang prompt.

Ang paggamit ng tool ang agent loop

Simple ilarawan ang agent loop gamit ang Claude. Nagpapadala ka ng request na naglalaman ng iyong mga tool. Binabasa ni Claude ang task at, kung kailangan nitong kumilos, nagpapadala ito ng tool-use request na tumutukoy sa isang tool at naglalaman ng mga input nito. Pinapatakbo ng iyong code ang tool, pagkatapos ay ipinapadala ang resulta kay Claude sa susunod na request. Binabasa ni Claude ang resulta at maaaring humingi ng isa pang tool o isulat ang final reply nito. Kapag hindi na ito humihingi ng mga tool, tapos na ang task.

Maaari mong isulat nang mano-mano ang loop na ito sa ilang linya, at marami ang gumagawa nito dahil madali itong makita at kontrolin. May tool runner din ang official SDKs na awtomatikong nagpapatakbo ng loop para sa iyo: ibinibigay mo ang mga function ng tool, at pinangangasiwaan ng SDK ang palitan ng request at response—ang pagtawag kay Claude, pagpapatakbo ng iyong mga tool, at pagpapadala ng mga resulta pabalik hanggang matapos si Claude. Pareho ang estruktura sa alinmang paraan. Iniiwasan ka lamang ng runner na ikaw mismo ang magsulat ng loop. Kung abstrakto pa rin ang loop, ang pinakamainam ay magsulat muna ng minimal na bersyon bago gumamit ng runner. Ito ang hakbang na pinagbabatayan ng lahat ng iba pa sa sunod-sunod na gabay para matutunan ang AI agents mula sa simula.

Tatlong paraan ng pagbuo, at kung alin ang angkop sa VPS

May tatlong paraan para bumuo ng Claude agent. Nagkakaiba ang mga ito sa dami ng machinery na kailangan mong patakbuhin.

Ang una ay ang sarili mong code na tumatawag sa Claude API gamit ang sarili mong tools. Isinusulat mo ang loop, o ginagamit ang tool runner ng SDK, at mina-manage mo ang buong application sa sarili mong VPS. Ito ang karaniwang pinipili dahil nagbibigay ito ng ganap na kontrol sa tools, data, at seguridad. Tumatakbo rin ito bilang ordinaryong program sa server mo. Karamihan sa guide na ito ay ipinapalagay ang ganitong paraan.

Ang ikalawa ay ang Claude Agent SDK. Ito ang Claude Code, ang coding agent, na naka-package bilang library na maaari mong gamitin bilang pundasyon. May kasama itong buong agent loop at built-in tools para magbasa at magsulat ng files, magpatakbo ng shell commands, at maghanap. Kaya hindi mo kailangang buuin ang mga ito mula sa simula. Tumatakbo rin ito sa sarili mong server, kaya angkop ito sa VPS kung gusto mo ng mahusay na file-and-shell agent nang hindi ikaw ang bubuo ng harness. Kailangang may containment muna ang agent na nagbabasa ng files at nagpapatakbo ng shell commands bago ito gumana nang unattended. Tinalakay sa ligtas na pagpapatakbo ng Claude Code sa server ang permission system, sandbox, at mga opsyon sa isolation.

Ang ikatlo ay ang Managed Agents, kung saan pinapatakbo ng Anthropic ang loop at mina-manage nito ang sandbox kung saan ine-execute ang tools ng agent. Ito ang hands-off na opsyon. Mas kaunti ang kailangan mong patakbuhin, pero nasa infrastructure ng Anthropic ang workspace ng agent sa halip na nasa VPS mo. Piliin ito kung gusto mo ng pinakamaliit na operational work at hindi kailangang tumakbo ang tools sa sarili mong machine. Para sa dalawa pang paraan, ang server mo ang tahanan ng agent. Ito ang tinatalakay ng natitirang bahagi ng guide na ito.

Pagkonekta ng mga tool gamit ang MCP

Anumang path ang piliin mo, kakailanganin mong ikonekta ang agent sa mga aktuwal na system. Ang Model Context Protocol ang maayos na paraan para gawin ito. Ang MCP ay isang open standard para ilantad ang mga tool at data sa isang agent. Sa halip na magsulat ng integration para sa bawat serbisyo, ituro si Claude sa isang MCP server na naihahanda na ang mga capability na ito bilang mga tool. Maaari mong patakbuhin ang mga MCP server bilang maliliit na serbisyo sa parehong VPS, at bigyan ang bawat isa ng access na kailangan lamang nito. Tinalakay ko ito sa pagpapatakbo ng mga MCP server sa isang VPS.

Pagpili ng model

May ilang model ang Claude, at ang pagpili sa mga ito ay nakabatay sa trade-off sa capability, bilis, at gastos. Sa kasalukuyan, ang mga pangunahing pagpipilian ay Claude Opus 4.8 (claude-opus-4-8), ang capable na default para sa mahihirap na reasoning task at mahahabang agent run; Claude Sonnet 5 (claude-sonnet-5), isang balanseng opsiyon na mas mura at mas mabilis habang nananatiling malapit sa Opus para sa maraming task; at Claude Haiku 4.5 (claude-haiku-4-5), ang pinakamabilis at pinakamura para sa simple at maramihang step. Mas mataas dito ang Claude Fable 5 (claude-fable-5), ang pinaka-capable na model para sa pinakamahihirap na gawain. Gamitin ang eksaktong model identifier sa iyong code at huwag itong dagdagan ng petsa.

Praktikal na paghaluin ang mga ito. Ipagawa sa mas murang model ang mga routine tool call, at gamitin ang mas malakas na model para sa mahihirap na desisyon. Dahil string lang ang model sa iyong request, isang linya lang ang kailangang baguhin para lumipat. Kaya magsimula sa isang capable na default at ibaba ang model kung mas mahalaga ang bilis o gastos kaysa sa kaunting dagdag na kalidad.

Patakbuhin ito bilang hardened service sa iyong VPS

Kapaki-pakinabang lamang ang isang agent kung patuloy itong tumatakbo, at ligtas lamang ito kung nakahiwalay ang saklaw nito. Sa isang VPS, makukuha ang dalawang ito sa pagpapatakbo sa agent bilang hardened system service sa halip na programang mano-mano mong sinimulan sa terminal. Bilang service, awtomatiko itong nagsisimula sa boot, nagre-restart kapag nag-crash, at nagsusulat ng logs sa journal. Kapag hardened, tumatakbo ito bilang unprivileged user na may access lamang sa mga kailangan nito, kaya may hangganan ang epekto ng bug o mapanganib na instruction. Maaari lamang limitahan ng service unit kung ano ang maaaring ma-access ng process, kaya ang natitira ay dapat nasa loob mismo ng agent harness. Ito ang tungkulin ng DeepSeek Harness plugins na sulit i-install sa ibang stack: spend caps, per-tool permission rules, at prompt-injection scanning.

Ang pinakamahalagang tuntunin ay panatilihing nasa server ang iyong Claude API key. Binabayaran at ina-authorize ng key ang bawat call, kaya dapat itong nasa file na ang user lamang ng agent ang makakabasa, i-load sa service bilang environment variable, at huwag kailanman ilagay sa code, repository, o anumang lokasyong maaabot ng browser. Bumuo rito ng kumpleto at hardened na service unit para sa iyong agent:

Pagkatapos, tapusin ang configuration ng server mismo. Gamitin lamang ang SSH keys at i-lock down ang account na ginagamit mo sa administration, gaya ng nasa SSH hardening sa isang VPS. Kung mas gusto mong patakbuhin ang agent mula sa interactive session habang binubuo mo ito, magandang kasabay ang pagpapatakbo ng Claude Code sa isang VPS gamit ang tmux. Kapag mayroon ka nang ikalawang session sa parehong server, maaaring magpasa ng trabaho ang dalawang ito sa isa’t isa sa halip na ikaw ang maglipat ng bawat instruction mula sa isang pane papunta sa isa pa. Kung gusto mo naman ang mga konseptong pinagbabatayan ng lahat ng ito nang hindi ito itinatali sa isang model, inilalatag ng sister guide tungkol sa pagbuo ng sarili mong AI agent sa isang VPS ang mga pundasyon.

Kung terminal coding assistant ang kailangan mo, sinasaklaw ng pagpapatakbo ng coding AI agent sa isang VPS ang Aider at Goose.

FAQ

Aling Claude model ang dapat kong gamitin para bumuo ng agent?

Magsimula sa Claude Opus 4.8 (claude-opus-4-8), ang may mataas na kakayahan na default, at mag-adjust mula roon. Mas mura at mas mabilis para sa karamihan ng trabaho ang Claude Sonnet 5 (claude-sonnet-5). Pinakamainam ang Claude Haiku 4.5 (claude-haiku-4-5) para sa simple at mataas ang volume na mga hakbang. Pinakamalakas naman para sa pinakamahihirap na task ang Claude Fable 5 (claude-fable-5). Karaniwang pattern ang paggamit ng mas murang model para sa mga routine na hakbang at mas malakas na model para sa mahihirap na desisyon, dahil isang linya lang ang kailangan para magpalit.

Buong agent ba ang pinapatakbo ko sa VPS ko, o Anthropic ang nagpapatakbo nito?

Depende ito sa approach. Kung sarili mong loop ang isusulat mo gamit ang Claude API, o gagamit ka ng Claude Agent SDK, buong agent ay tumatakbo sa VPS mo at ang model calls lamang ang ipinapadala sa Anthropic. Kung gagamit ka ng Managed Agents, Anthropic ang nagpapatakbo ng loop at nagho-host ng sandbox kung saan ine-execute ang mga tool, kaya mas kaunti ang tumatakbo sa server mo. Para sa agent na tumatakbo sa sarili mong machine, gamitin ang isa sa unang dalawang opsyon.

Ano ang pagkakaiba ng Claude API at Claude Agent SDK?

Ang Claude API ay ang raw Messages endpoint: nagpapadala ka ng conversation at mga tool, at ikaw ang nagsusulat ng agent loop sa paligid nito, o ginagamit mo ang tool runner ng SDK para patakbuhin ito. Ang Claude Agent SDK ay isang higher-level library, na naka-package ang Claude Code para gamitin sa pagbuo, at may kasamang buong loop at built-in na file, shell, at search tools. Gamitin ang API kung gusto mong ikaw ang magtakda ng lahat, at ang Agent SDK kung gusto mo ng may kakayahang agent nang hindi binubuo ang harness.

Paano ko mapapanatiling ligtas ang Claude API key ko sa server?

Panatilihin ito sa server at ilayo sa code. I-store ito sa file na mababasa lamang ng account kung saan tumatakbo ang agent, i-load ito sa service bilang environment variable, at huwag kailanman i-commit sa repository o ilantad sa browser. Dahil mula sa server mo nanggagaling ang bawat request papunta sa Claude, hindi kailangang mapunta ang key sa device ng user. Dahil dito, mas madaling i-secure ang agent na tumatakbo sa server kaysa sa agent na naka-embed sa isang client app.

Kailangan ko bang mag-self-host ng model para bumuo ng agent gamit ang Claude?

Hindi. Sa Claude, hosted service ang model na tinatawagan mo sa pamamagitan ng API, kaya walang kailangang patakbuhin sa GPU. Pinapatakbo ng VPS mo ang agent loop, mga tool, at data, habang sa side ng Anthropic nagaganap ang reasoning. Dahil dito, kayang magpatakbo ng may kakayahang agent ang isang modest na server. Kung gusto mo naman ng fully local na model, iyon ang self-hosted na path na saklaw ng kaugnay na guide tungkol sa pagbuo ng sarili mong AI agent.