Hvad er underagenter i Claude Code? Hvad du behøver at vide

Underagenter (ofte skrevet underagenter or underagenter) er et af de klareste praktiske fremskridt inden for agentudviklerværktøjer: de giver dig mulighed for at sammensætte et lille team af specialiserede AI-assistenter indeni Claude kode, hver med sin egen rolle, værktøjer og kontekstvindue. Ideen er enkel, men effektiv – i stedet for at bede én generalistmodel om at gøre alt, definerer du kompakte agenter med ét formål, som den primære orkestrator delegerer arbejde til (enten automatisk eller når du eksplicit anmoder om dem). Dette ændrer, hvordan du administrerer kontekst, værktøjer og afvejninger mellem omkostninger og latenstid i komplekse arbejdsgange.

Hvad er underagenter?

Kort definition. En underagent er en prækonfigureret, opgavespecialiseret AI-"personlighed", som Claude Code kan delegere en opgave til. Hver underagent har sin egen systemprompt, sit eget (isolerede) kontekstvindue, eksplicit tildelte værktøjer og eventuelt et modelvalg. Underagenter kan oprettes på projekt- eller brugerniveau og kaldes automatisk af Claude eller eksplicit af brugeren.

Nøgleegenskaber ved en underagent

• Specialiseret formål og systemprompt. Du beskriver underagentens rolle, begrænsninger og tilgang i dens systemprompt, så den opfører sig forudsigeligt for sit snævre domæne (for eksempel, kodeanmelder, debugger, dataforsker).
• Isoleret kontekstvindue. Hver underagent beholder sin egen samtalehistorik og kontekst, hvilket forhindrer hovedtrådens kontekst i at blive forurenet med detaljer på lavt niveau. Dette er centralt for at skalere arbejdsgange, der ellers udtømmer en enkelt samtales kontekst.
• Værktøjsomfang og tilladelser. Du kan tildele eller begrænse, hvilke interne værktøjer eller eksterne Model Context Protocol (MCP)-værktøjer en underagent må bruge. Dette er en afgørende sikkerheds- og styringsfunktion.
• Konfigurer som kode. Underagenter defineres som Markdown-filer med YAML-forside (navn, beskrivelse, værktøjer, model) og gemmes enten på projektniveau (.claude/agents/) eller brugerniveau (~/.claude/agents/Projektdefinitioner har forrang.

Hvad er automatisk delegering og eksplicit kald

Claude Code kan automatisk uddeleger opgaver til underagenter, når din prompt eller underagenten description matcher opgaven — eller du kan udtrykkeligt anmode om en agent (f.eks. > Use the code-reviewer subagent to check my recent changes). Gør description handlingsorienteret ("Use PROACTIVELY", "MUST BE USED") for at skubbe automatisk delegering, to komplementære måder at bruge underagenter i Claude Code:

1. Automatisk delegering — Claude inspicerer anmodningen og delegerer proaktivt matchet arbejde til en underagent.
2. Eksplicit påkaldelse — du kalder en underagent ved navn i din prompt/kommando (for eksempel, Use the code-reviewer subagent to check my changes).

Begge tilgange har forskellige afvejninger inden for brugeroplevelse og teknik. Nedenfor uddyber jeg hver af dem.

Automatisk delegering

Hvordan det ser ud for brugerne. Du udsteder en kommando på højt niveau (f.eks. "Forbered en sikkerhedsrevision for dette nye bibliotek"), og Claude registrerer, at en eller flere underagenter passer godt sammen baseret på description felt i deres konfigurationer. Hvis den er konfigureret til proaktiv brug, sendes underagenten automatisk og returnerer resultater som strukturerede output.

Hvorfor bruger holdene det.

• Det sænker den kognitive belastning — du behøver ikke at huske eller skrive navnene på alle underagenter.
• Det skaber en mere gnidningsløs onboarding for delte arbejdsgange, hvor bestemte opgaver altid bør håndteres af den samme specialist.

Forbehold.

• Du skal konstruere description og systemprompten bevidst, så Claude pålideligt vælger den korrekte underagent.
• Overdreven delegering kan øge tokenbrug og støj, hvis mange underagenter aktiveres til lignende opgaver; design dine beskrivelser konservativt.

Eksplicit påkaldelse

Hvordan det ser ud for brugerne. Du kalder eksplicit en underagent: > Use the test-runner subagent to run the project testsOrkestreringen er deterministisk: Claude kalder den navngivne underagent med dens forudkonfigurerede tilladelser og prompt.

Hvorfor bruger holdene det.

• Fuld kontrol: Du bestemmer præcis, hvilken specialist der skal køre, hvilket forenkler fejlfinding og reproducerbarhed.
• Nemmere at ræsonnere om omkostninger og værktøjsadgang i CI eller automatiserede scripts.

Forbehold.

• Mere indtastning og disciplin: Udviklere eller automatiseringsmedarbejdere skal kende de rigtige navne på underagenter.
• Mindre opportunistisk: du mister noget af den bekvemmelighed, hvor hovedagenten automatisk ville have registreret en god underagent.

Sådan fungerer underagenter – den tekniske oversigt

Nedenfor er et praktisk, implementeringsorienteret kig på, hvad der sker, når du opretter og bruger en underagent.

Definering af en underagent (konfiguration som kode)

En subagent er en Markdown-fil med YAML-forside. Vigtige felter inkluderer:

• name — et unikt lille id (med bindestreg)
• description — beskrivelse i naturligt sprog, der bruges til automatisk delegeringsmatchning
• tools — valgfri kommaliste over tilladte værktøjer (eller udeladt for at arve alle værktøjer)
• model — valgfrit alias (sonnet, opus, haiku), Eller inherit at bruge hovedsamtalens model

Et lille eksempel (konceptuelt, ikke ordret fra dokumentationen):

---
name: code-reviewer
description: Expert code reviewer. Proactively reviews code for quality, security, and maintainability.
tools: Read, Grep, Bash
model: inherit
---
You are a senior code reviewer. Focus on security, correctness, and maintainability.

Disse filer findes i enten .claude/agents/ (projektomfang) eller ~/.claude/agents/ (brugeromfang). Projektfiler har forrang, hvilket gør deling og versionsstyring af underagenter ligetil.

Modelvalg og værktøjer

• Modelfelt: Du kan vælge et specifikt modelalias til underagenten eller lade den arve hovedkonversationens model. Det giver dig mulighed for at blande afvejninger mellem omkostninger og kvalitet (for eksempel bruge en billigere model til underagenter med stor datascanning og en model af højere kvalitet til den endelige syntese).
• Værktøjsomfang: At give hver underagent et minimalt sæt værktøjer reducerer eksplosionsradiusen og forenkler ræsonnementet omkring sikkerhed. Værktøjerne omfatter standard Claude Code-primitiver (Read, Grep, Bash, Edit osv.) og MCP-leverede integrationer.

Køretidsadfærd og konteksthåndtering

Når Claude delegerer til en underagent, modtager denne underagent:

1. Dens systemprompt (YAML/Markdown-indholdet).
2. Kun den kontekst, den har brug for (sit eget kontekstvindue).
3. Værktøjsadgang som tilladt i dens konfiguration.

Fordi hver underagent har en isoleret kontekst, kan lange undersøgelser eller store filanalyser opdeles i mange små kontekster i stedet for at tvinge én enkelt kontekst til at indeholde alt – en stor gevinst for både pålidelighed og fortolkningsevne.

Arkitektoniske mønstre for underagent

Den mest almindelige arkitektur er en orkestrator (hovedagent), der nedbryder en opgave på højt niveau, genererer flere underagenter og derefter syntetiserer eller verificerer deres output. To kanoniske mønstre optræder i naturen:

1) Orkestrator + Specialister

En agent (den orkestrator) koordinerer flere underagenter parallelt eller serielt. Orkestratoren beslutter, hvilken specialist der skal tilkaldes, aggregerer output, verificerer konsistens og udfører den endelige integration. Dette er den almindelige "leder delegerer til teammedlemmer"-tilgang og matcher mange eksempler og anbefalede designs i Claude Code-materialer. Fordelene omfatter parallelisme, klarere adskillelse af bekymringer og nemmere fejlinddæmning (en fejlbehæftet underagent påvirker kun dens omfang).

Hvornår skal du bruge det: komplekse opgaver med uafhængige delproblemer (f.eks. "generer tests", "kør statisk analyse", "omskriv et modul" og derefter "integrer og kør end-to-end tests").

Afvejninger: Orkestreringslogik kan blive kompleks; ekstra rundture kan øge latensen en smule.

2) Rørlednings- / Kædede Specialister

Her arrangeres underagenter i en rækkefølge, hvor outputtet fra den ene bliver inputtet fra den næste (f.eks. specifikation → scaffold → implement → test → optimer). Dette er i bund og grund en funktionssammensætning udtrykt som agenter – praktisk, når du har brug for trinvise transformationer og strenge garantier for, hvordan data flyder mellem faser. Det er konceptuelt enklere for lineære arbejdsgange og nogle gange lettere at fejlfinde.

Hvornår skal du bruge det: deterministiske flertrinstransformationer (for eksempel oversættelse af et designdokument til scaffoldet kode, derefter test og derefter optimeringer).

Afvejninger: mindre naturligt for opgaver, der kræver bred udforskning (research, brainstorming), og et enkelt brudt led kan sætte hele pipelinen i stå.

Hvad adskiller en underagent fra en simpel rollebaseret prompt?

1) Separate kontekstvinduer

Hver underagent får sin egen kontekstbuffer, der lagrer udvekslinger, filer og metadata, der er relevante for dens rolle. Det forhindrer, at hovedsessionens kontekst forurenes af støjende mellemliggende beskeder, og det betyder også, at du kan bevare – eller begrænse – historikken for hver funktion. Sådan lader Claude Code dig bevare langvarige, højsignalkontekster til specialiserede opgaver uden at betale token-omkostningerne eller det kognitive overhead ved at proppe alt ind i én prompt.

2) Systemprompter og personaer

Underagenter oprettes med instruktioner på systemniveau, der definerer deres rolle, tone og begrænsninger (f.eks. "Funger kun som refaktoreringsspecialist; udfør ikke shell-kommandoer" eller "Generer enhedstests i pytest-stil; brug kun offentlige grænseflader"). Disse prompter fungerer som jobbeskrivelser for underagenten og håndhæves under kørsel af Claude Codes kørselstid.

3) Værktøjsbindinger og tilladelsesomfang

En afgørende praktisk forskel: underagenter kan gives eller nægtes adgang til specifikke værktøjer - filsystem, procesudførelse, eksterne API'er eller privilegerede datasæt. Det gør underagenter kraftfulde til mindste privilegium designs: en dokumentationsgenerator kan blokeres fra at køre vilkårlige kommandoer, mens en CI-underagent får tildelt en isoleret sandkasse. Mange fællesskabsindlæg anbefaler at parre underagenter med Model Context Protocol (MCP) eller en hooks-baseret MCP-server for at administrere sikker adgang til hemmeligheder og I/O.

4) Modelvalg og afvejninger mellem omkostningseffektivitet

Da underagenter er modulære, kan du tildele forskellige underliggende modeller afhængigt af opgavens kompleksitet. Brug en Sonnet-model med høj kapacitet til dybdegående ræsonnement eller en let Haiku-model til hurtige, gentagne opgaver. Denne heterogene implementering hjælper med at balancere latenstid, tokenomkostninger og kapacitet. Anthropics produktopdateringer og community-artikler understreger parallel implementering af mindre modeller for omkostningseffektiv skalering.

5) Kommunikationsmønstre

Underagenter kommunikerer med orkestratoren (eller hinanden) via strukturerede beskeder eller filer. Typiske mønstre omfatter:

• returnerer en struktureret JSON-nyttelast (foretrukket til programmatisk orkestrering),
• skrivning til en scoped-fil i et delt arbejdsområde,
• eller sende en endelig formateret besked tilbage til orkestratoren, der indeholder en konfidensscore og begrundelse.
  Fællesskabseksperimenter viser, at teams foretrækker eksplicitte, maskinlæsbare overdragelser for at undgå tvetydighed.

Ydelsesfordele

Underagenter er ikke bare et designmæssigt pænt element – ​​de leverer praktisk ydeevne og kvalitetsfordele, når de bruges korrekt.

1) Reduceret vægurstid via parallelisme

Ved at sende flere arbejdere samtidigt (f.eks. én arbejder pr. repository-mappe, pr. microservice eller pr. data chunk) reducerer orkestratoren den tid, der er nødvendig for at fuldføre store sammensatte opgaver. Brugsscenarier som at triage fejlrapporter, generere dokumentation for mange moduler eller revidere flere tjenester er naturlige løsninger. Betydelige hastighedsforøgelser i udvikler-arbejdsgange, når arbejdsbelastninger virkelig er paralleliserbare.

Ved at give hver rolle sin egen kontekst undgår du hurtig oppustethed og reducerer risikoen for hallucinationer forårsaget af irrelevant historisk støj. Det betyder færre kontekstrelaterede fejl og mere ensartede output til specialiserede opgaver. Rapporter fra brugerfællesskabet og Anthropics egen forskning viser, at multi-agent-opsætninger ofte overgår monolitiske agenter på bredde-først opgaver. En intern evaluering fra Anthropic rapporterede dramatiske forbedringer for forskningslignende opgaver ved hjælp af en arkitektur med ledende agent + underagenter.

Advarsel: Parallelitet giver de bedste gevinster, når delopgaver er uafhængige. Hvis arbejdere konstant skal vente på hinanden eller dele tunge opgaver, vil du se aftagende udbytte.

2) Bedre kontekstudnyttelse og mindre tokenspild

I stedet for at proppe alle mellemliggende søgeresultater ind i en enkelt global kontekst, beholder workers kun det relevante i deres eget vindue og returnerer destillerede output. Det reducerer tokenforbruget for orchestratoren og reducerer risikoen for at ramme kontekstgrænser – en praktisk gevinst, når du arbejder med store kodebaser, lange logfiler eller store dokumentlagre. SDK'ets komprimering/opsummering udvider yderligere langvarige agenters effektive hukommelse.

3) Forbedret nøjagtighed fra specialistprompter

En underagent, der er konstrueret som en specialist med et snævert omfang, kan finjusteres (via dens systemprompt og værktøjssæt) til at optimere præcisionen inden for sit domæne: sikkerhedstjek, kodestil eller compliance-udtrækning. Prompts med et snævert omfang har en tendens til at reducere hallucinationer, fordi agentens tilladte handlingsrum og forventede output er begrænset. Organisationer rapporterer output af højere kvalitet til opgaver som automatiseret kodegennemgang, når de bruger domænespecifikke underagenter i stedet for at bede en generalist om at gøre alt.

Hvordan teams rent faktisk bruger underagenter — eksempler på arbejdsgange

Nedenfor er konkrete eksempler for at gøre det mindre abstrakt.

Eksempel A — Refactor-pipeline (Orkestrator + Specialister)

1. Orchestrator modtager en anmodning om "refactoring component X".
2. Orkestrator-opkald analysis-subagent (ingen skrivetilladelser) for at identificere kompleksitetshotspots og risikable afhængigheder.
3. Orkestrator-opkald refactor-subagent (skriv tilladelser til en grenlignende sandkasse) for at producere refaktorerede filer.
4. Orkestrator-opkald test-gen-subagent (skrivebeskyttet på kode) til at producere enhedstests.
5. Orchestrator kører CI med ci-runner-subagent (sandbox-udførelse) og aggregerer resultater til en menneskelig gennemgang.
   Dette mønster isolerer hver fase, begrænser risici og holder revisionssporene ryddelige.

Eksempel B — Forskning + prototype (Pipeline)

1. literature-subagent scraper og opsummerer referencer (ingen filskrivning, reguleret webadgang).
2. prototype-subagent stilladser en minimal PoC fra resuméet.
3. benchmark-subagent kører mikrobenchmarks i en sandkasse og rapporterer resultater.
   Denne kæde håndhæver den sekventielle karakter af forskningsopgaver, samtidig med at ansvarsfordelingen holdes klar.

Bedste praksis og mønstre

Design og konfiguration

• Start med små, smalle roller. Gør hver underagent ansvarlig for ét klart job. Smalle ansvarsområder gør fejlfinding langt nemmere.
• Versionskontrol din .claude/agents/ mappe. Behandl definitioner af underagenter som kode – gennemgå, test og fastlås versioner. Dette reducerer afvigelser og letter revisioner.
• Fastgør værktøj og modeller med vilje. Brug model: inherit når du ønsker ensartet adfærd med hovedsamtalen; angiv et billigere modelalias til baggrundsscanninger. Lås værktøjer for at minimere angrebsfladen.

Operationelle mønstre

• Brug eksplicit kald til deterministisk automatisering. Hvis du kører CI-job eller hooks, skal du ringe til specifikke underagenter for at sikre forudsigelige resultater.
• Brug automatisk delegering i interaktive sessioner. Til det udforskende arbejde, lad Claude vælge underagenter for at mindske friktion — men sørg for description felter bevidst, så automatisering ikke udløses uventet.
• Design strukturerede output til syntese. Tving underagenter til at skrive til filer eller producere JSON, som orkestratoren kan læse; det forenkler reduktionstrinnet og revisionen.

Test, overvågning og styring

• Lav repræsentative evalueringer. Spor hvor underagenter fejler, og byg tests, der udøver disse fejltilstande. Anthropic anbefaler repræsentative testsæt og iterativ forbedring.
• Overvåg brugen af ​​tokens og værktøjer. Instrumentér hver underagents forbrug, og tilføj advarsler for at registrere løbske omkostninger eller prisgrænser.

Hvornår man IKKE skal bruge subagenter

Underagenter er magtfulde, men ikke altid det rigtige værktøj.

• Enkle opgaver: Ved korte, engangsopgaver eller trivielle transformationer tilføjer underagenter unødvendig kompleksitet.
• Stramme latensbegrænsninger: Orkestrerings-rundture øger overhead; hvis du har brug for svar med en enkelt tur og ekstremt lav latenstid, kan en monolitisk tilgang være enklere.
• Små teams med begrænset infrastruktur: Uden værktøjer til hemmeligheder, observerbarhed og sandkasser kan underagenter øge den operationelle risiko. Fællesskabsartikler understreger, at man skal starte i det små og tilføje underagenter, når man har brug for modularitet.

Hvor man skal bruge Claude-koden, anbefales cli mest

Det var begejstret at kunne meddele, at CometAPI nu fuldt ud understøtter det kraftfulde Claude Code cli. Du skal kun installere Claude Code og godkende med den indhentede Comet API-nøgle og basisadresse for at bruge Comet API-modellen på Claude Code.

Hvorfor bruge Claude-kode via CometAPI?

Topfunktioner inden for kunstig intelligens: Generer, fejlfind og optimer nemt kode ved hjælp af modeller, der er bygget specifikt til udviklere.

• Fleksibelt modelvalg: Vores omfattende udvalg af modeller giver dig mulighed for at udvikle mere problemfrit.
• Problemfri integration: API'er er altid tilgængelige. Integrer Claude Code direkte i din eksisterende arbejdsgang på få minutter.
• Brug af Claude Code via CometAPI vil spare flere omkostningerClaude API'en, der leveres af CometAPI, er 20% billigere end den officielle pris og er opdateret med den nyeste model af den officielle udbyder.

Klar til at bruge Claude Code cli? Se API guide for detaljerede instruktioner.

Hvis du vil vide flere tips, guider og nyheder om AI, følg os på VK, X og Discord!

Se også Hvordan installerer og kører man Claude-kode via CometAPI?

Konklusion — hvorfor underagenter er vigtige nu

Underagenter gør løftet om agentiske arbejdsgange praktisk for teams: de giver dig mulighed for at ræsonnere om roller, tilladelser, kontekst, omkostninger og parallelisering eksplicit og som førsteklasses objekter. Når de bruges med omtanke, åbner underagenter op for højere udviklerhastighed, bedre kvalitet på flertrinsopgaver og mere forudsigelig styring. Bagsiden er, at du skal designe, teste og overvåge disse underagenter ligesom produktionssoftware - men den investering forvandler hurtig udvikling til pålidelig udviklingspraksis.