Hva er underagenter i Claude Code? Det du trenger å vite

Underagenter (ofte skrevet underagenter or underagenter) er et av de tydeligste praktiske fremskrittene innen verktøy for agentutviklere: de lar deg sette sammen et lite team av spesialiserte AI-assistenter inni Claude Code, hver med sin egen rolle, verktøy og kontekstvindu. Ideen er enkel, men kraftig – i stedet for å be én generalistmodell om å gjøre alt, definerer du kompakte agenter med ett formål som hovedorkestratoren delegerer arbeid til (enten automatisk eller når du eksplisitt ber dem om det). Dette endrer hvordan du administrerer kontekst, verktøy og avveiningene mellom kostnad og latens i komplekse arbeidsflyter.

Hva er underagenter?

Kort definisjon. En underagent er en forhåndskonfigurert, oppgavespesialisert AI-«personlighet» som Claude Code kan delegere en oppgave til. Hver underagent har sin egen systemledetekst, sitt eget (isolerte) kontekstvindu, eksplisitt tildelte verktøy og eventuelt et modellvalg. Underagenter kan opprettes på prosjekt- eller brukernivå og kalles automatisk av Claude eller eksplisitt av brukeren.

Viktige egenskaper ved en underagent

Spesialisert formål og systemledetekst. Du beskriver underagentens rolle, begrensninger og tilnærming i systemprompten slik at den oppfører seg forutsigbart for sitt smale domene (for eksempel, kodegranskningsperson, debugger, dataforsker).
Isolert kontekstvindu. Hver underagent beholder sin egen samtalehistorikk og kontekst, noe som forhindrer at hovedtrådens kontekst blir forurenset med detaljer på lavt nivå. Dette er sentralt for å skalere arbeidsflyter som ellers uttømmer konteksten til en enkelt samtale.
Verktøyomfang og tillatelser. Du kan tildele eller begrense hvilke interne verktøy eller eksterne MCP-verktøy (Model Context Protocol) en underagent kan bruke. Dette er en viktig sikkerhets- og styringsfunksjon.
Konfigurer som kode. Underagenter defineres som Markdown-filer med YAML-frontmappe (navn, beskrivelse, verktøy, modell) og lagres enten på prosjektnivå (.claude/agents/) eller brukernivå (~/.claude/agents/Prosjektdefinisjoner har forrang.

Hva er automatisk delegering og eksplisitt påkalling

Claude Code kan automatisk delegere oppgaver til underagenter når du ber om det, eller underagenten description samsvarer med oppgaven – eller du kan eksplisitt be om en agent (f.eks. > Use the code-reviewer subagent to check my recent changes). Gjør description handlingsorientert ("Use PROACTIVELY", "MUST BE USED") for å dytte automatisk delegering, to komplementære måter å bruke underagenter i Claude Code på:

Automatisk delegering — Claude undersøker forespørselen og delegerer proaktivt matchet arbeid til en underagent.
Eksplisitt påkallelse — du tilkaller en underagent ved navn i ledeteksten/kommandoen din (for eksempel, Use the code-reviewer subagent to check my changes).

Begge tilnærmingene har ulike avveininger innen brukeropplevelse og konstruksjon. Nedenfor utdyper jeg hver av dem.

Automatisk delegering

Hvordan det ser ut for brukerne. Du utsteder en kommando på høyt nivå (f.eks. «Forbered en sikkerhetsrevisjon for dette nye biblioteket»), og Claude oppdager at én eller flere underagenter passer godt basert på description feltet i konfigurasjonene deres. Hvis den er konfigurert for proaktiv bruk, sendes underagenten automatisk og returnerer resultater som strukturerte utganger.

Hvorfor lag bruker det.

Det senker den kognitive belastningen – du trenger ikke å huske eller skrive inn alle navnene på underagenter.
Det skaper en smidigere onboarding for delte arbeidsflyter der bestemte oppgaver alltid bør håndteres av samme spesialist.

Forbehold.

Du må konstruere description og systemledeteksten bevisst, slik at Claude pålitelig velger riktig underagent.
Overdreven delegering kan øke tokenbruk og støy hvis mange underagenter aktiveres for lignende oppgaver; utform beskrivelsene dine konservativt.

Eksplisitt påkallelse

Hvordan det ser ut for brukerne. Du kaller eksplisitt en underagent: > Use the test-runner subagent to run the project testsOrkestreringen er deterministisk: Claude påkaller den navngitte underagenten med dens forhåndskonfigurerte tillatelser og ledetekst.

Hvorfor lag bruker det.

Full kontroll: du bestemmer nøyaktig hvilken spesialist som skal kjøre, noe som forenkler feilsøking og reproduserbarhet.
Enklere å resonnere rundt kostnader og verktøytilgang i CI eller automatiserte skript.

Forbehold.

Mer skriving og disiplin: utviklere eller automatiseringsavdelinger må vite de riktige navnene på underagenter.
Mindre opportunistisk: du mister noe av bekvemmeligheten der hovedagenten automatisk ville ha oppdaget en god underagent.

Hvordan underagenter fungerer – den tekniske oversikten

Nedenfor finner du et praktisk, implementeringsorientert blikk på hva som skjer når du oppretter og bruker en underagent.

Definere en underagent (konfigurer som kode)

En subagent er en Markdown-fil med YAML-frontmappe. Viktige felt inkluderer:

name — en unik liten ID (med bindestrek)
description — naturlig språkbeskrivelse brukt for automatisk delegeringsmatching
tools — valgfri kommaliste over tillatte verktøy (eller utelatt for å arve alle verktøy)
model — valgfritt alias (sonnet, opus, haiku) Eller inherit å bruke hovedsamtalens modell

Et lite eksempel (konseptuelt, ikke ordrett fra dokumentasjonen):

---
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 filene ligger i enten .claude/agents/ (prosjektomfang) eller ~/.claude/agents/ (brukeromfang). Prosjektfiler prioriteres, noe som gjør det enkelt å dele og versjonskontrollere underagenter.

Modellvalg og verktøy

Modellfelt: Du kan velge et spesifikt modellalias for underagenten eller la den arve hovedkonversasjonens modell. Det lar deg blande kostnad/kvalitet-avveininger (for eksempel bruke en billigere modell for underagenter med stor dataskanning og en modell med høyere kvalitet for endelig syntese).
Verktøyomfang: Å gi hver underagent et minimalt sett med verktøy reduserer eksplosjonsradiusen og forenkler resonnementet om sikkerhet. Verktøyene inkluderer standard Claude Code-primitiver (Read, Grep, Bash, Edit, osv.) og MCP-leverte integrasjoner.

Kjøretidsoppførsel og konteksthåndtering

Når Claude delegerer til en underagent, mottar den underagenten:

Systemledeteksten (YAML/Markdown-innholdet).
Bare den konteksten den trenger (sitt eget kontekstvindu).
Verktøytilgang som tillatt i konfigurasjonen.

Fordi hver underagent har en isolert kontekst, kan lange undersøkelser eller store filanalyser dekomponeres i mange små kontekster i stedet for å tvinge én enkelt kontekst til å inneholde alt – en stor seier for både pålitelighet og tolkbarhet.

Arkitektoniske mønstre for underagent

Den vanligste arkitekturen er en orchestrator (hovedagent) som dekomponerer en oppgave på høyt nivå, spinner opp flere underagenter og deretter syntetiserer eller verifiserer resultatene deres. To kanoniske mønstre dukker opp i naturen:

1) Orkestrator + Spesialister

Én agent (den orchestrator) koordinerer flere underagenter parallelt eller serielt. Orkestratoren bestemmer hvilken spesialist som skal tilkalles, aggregerer resultater, verifiserer konsistens og utfører endelig integrasjon. Dette er den vanlige «leder delegerer til teammedlemmer»-tilnærmingen og samsvarer med mange eksempler og anbefalte design i Claude Code-materialer. Fordelene inkluderer parallellitet, tydeligere separasjon av bekymringer og enklere feilhåndtering (en buggy underagent påvirker bare omfanget).

Når skal du bruke den: komplekse oppgaver med uavhengige delproblemer (f.eks. «generere tester», «kjøre statisk analyse», «skrive om en modul», deretter «integrere og kjøre ende-til-ende-tester»).

Avveininger: Orkestreringslogikk kan bli kompleks; ekstra rundturer kan øke latensen noe.

2) Spesialister på rørledninger / kjedede ledninger

Her er underagenter ordnet i en sekvens der utdataene fra én blir inndataene til den neste (f.eks. spesifikasjon → stillas → implementer → test → optimaliser). Dette er i hovedsak funksjonssammensetning uttrykt som agenter – nyttig når du trenger trinnvise transformasjoner og strenge garantier for hvordan data flyter mellom stadier. Det er konseptuelt enklere for lineære arbeidsflyter og noen ganger lettere å feilsøke.

Når skal du bruke den: deterministiske flertrinnstransformasjoner (for eksempel å oversette et designdokument til stillaskode, deretter tester og deretter optimaliseringer).

Avveininger: mindre naturlig for oppgaver som krever bred utforskning (forskning, idémyldring), og en enkelt ødelagt lenke kan stoppe hele prosessen.

Hva skiller en underagent fra en ren rollebasert ledetekst?

1) Separate kontekstvinduer

Hver underagent får sin egen kontekstbuffer som lagrer utvekslinger, filer og metadata som er relevante for dens rolle. Det forhindrer at hovedøktens kontekst blir forurenset av støyende mellomliggende meldinger, og det betyr også at du kan bevare – eller begrense – historikk for hver funksjon. Slik lar Claude Code deg beholde langvarige, høysignalkontekster for spesialiserte oppgaver uten å betale tokenkostnaden eller kognitiv overhead ved å stappe alt inn i én ledetekst.

2) Systemmeldinger og personaer

Underagenter opprettes med instruksjoner på systemnivå som definerer deres rolle, tone og begrensninger (f.eks. «Oppfør kun som en refaktoreringsspesialist; ikke utfør skallkommandoer» eller «Generer enhetstester i pytest-stil; bruk kun offentlige grensesnitt»). Disse ledetekstene fungerer som stillingsbeskrivelser for underagenten og håndheves under kjøretid av Claude Codes kjøretid.

3) Verktøybindinger og tillatelsesomfang

En kritisk praktisk forskjell: underagenter kan gis eller nektes tilgang til spesifikke verktøy – filsystem, prosessutførelse, eksterne API-er eller privilegerte datasett. Det gjør underagenter kraftige for minst privilegium design: en dokumentasjonsgenerator kan blokkeres fra å kjøre vilkårlige kommandoer, mens en CI-underagent får en isolert sandkasse. Mange innlegg i fellesskapet anbefaler å koble underagenter med Model Context Protocol (MCP) eller en hooks-basert MCP-server for å administrere sikker tilgang til hemmeligheter og I/O.

4) Modellvalg og avveininger mellom kostnad og ytelse

Fordi underagenter er modulære, kan du tilordne forskjellige underliggende modeller avhengig av oppgavens kompleksitet. Bruk en Sonnet-modell med høy kapasitet for dyp resonnering eller en lett Haiku-modell for raske, repeterende oppgaver. Denne heterogene distribusjonen bidrar til å balansere latens, tokenkostnad og kapasitet. Anthropics produktoppdateringer og fellesskapsartikler vektlegger parallell distribusjon av mindre modeller for kostnadseffektiv skalering.

5) Kommunikasjonsmønstre

Underagenter kommuniserer med orkestratoren (eller hverandre) via strukturerte meldinger eller filer. Typiske mønstre inkluderer:

returnerer en strukturert JSON-nyttelast (foretrukket for programmatisk orkestrering),
skrive til en omfangsfil i et delt arbeidsområde,
eller sende en endelig formatert melding tilbake til orkestratoren som inkluderer en konfidenspoengsum og begrunnelse.
Fellesskapseksperimenter viser at team foretrekker eksplisitte, maskinlesbare overleveringer for å unngå tvetydighet.

Ytelsesfordeler

Underagenter er ikke bare et designmessig finess – de gir praktisk ytelse og kvalitetsfordeler når de brukes riktig.

1) Redusert veggklokketid via parallellisme

Ved å sende ut flere arbeidere samtidig (for eksempel én arbeider per repositorymappe, per mikrotjeneste eller per datadel), reduserer orkestratoren tiden som trengs for å fullføre store sammensatte oppgaver. Brukstilfeller som å prioritere feilrapporter, generere dokumentasjon for mange moduler eller revidere flere tjenester er naturlige løsninger. Betydelige hastighetsøkninger i utviklerarbeidsflyter når arbeidsbelastninger virkelig er parallelliserbare.

Ved å gi hver rolle sin egen kontekst, unngår du rask oppblåsthet og reduserer risikoen for hallusinasjoner forårsaket av irrelevant historisk støy. Det betyr færre kontekstrelaterte feil og mer konsistente resultater for spesialiserte oppgaver. Rapporter fra fellesskapet og Anthropics egen forskning viser at oppsett med flere agenter ofte overgår monolittiske agenter på breddefokuserte oppgaver. En intern evaluering av Anthropic rapporterte dramatiske forbedringer for forskningslignende oppgaver ved bruk av en arkitektur med hovedagent og underagenter.

Advarsel: Parallellitet gir best gevinst når deloppgaver er uavhengige. Hvis arbeidere stadig må vente på hverandre eller dele tunge oppgaver, vil du se avtagende avkastning.

2) Bedre kontekstutnyttelse og mindre tokenavfall

I stedet for å stappe alle mellomliggende søkeresultater inn i én global kontekst, beholder arbeiderne bare det som er relevant i sitt eget vindu og returnerer destillerte resultater. Det reduserer tokenforbruket for orkestratoren og reduserer risikoen for å treffe kontekstgrenser – en praktisk gevinst når du jobber med store kodebaser, lange logger eller store dokumentlagre. SDK-ens komprimering/oppsummering utvider agenters effektive minne ytterligere.

3) Forbedret nøyaktighet fra spesialistmeldinger

En underagent konstruert som en spesialist med snevert omfang kan finjusteres (via systemledeteksten og verktøysettet) for å optimalisere presisjon i sitt domene: sikkerhetskontroller, kodestil eller samsvarsutvinning. Ledetekster med snevert omfang har en tendens til å redusere hallusinasjoner fordi agentens tillatte handlingsområde og forventede resultater er begrenset. Organisasjoner rapporterer resultater av høyere kvalitet for oppgaver som automatisert kodegjennomgang når de bruker domenespesifikke underagenter i stedet for å be en generalist om å gjøre alt.

Hvordan team faktisk bruker underagenter – eksempler på arbeidsflyter

Nedenfor er konkrete eksempler for å gjøre dette mindre abstrakt.

Eksempel A – Refaktoreringspipelinen (Orkestrator + Spesialister)

Orchestrator mottar en forespørsel om «refactoring component X».
Orkestrator-anrop analysis-subagent (ingen skrivetillatelser) for å identifisere kompleksitetsproblemer og risikable avhengigheter.
Orkestrator-anrop refactor-subagent (skriv tillatelser til en grenlignende sandkasse) for å produsere refaktoriserte filer.
Orkestrator-anrop test-gen-subagent (skrivebeskyttet på kode) for å produsere enhetstester.
Orchestrator kjører CI med ci-runner-subagent (sandkassekjøring) og aggregerer resultater for en menneskelig gjennomgang.
Dette mønsteret isolerer hver fase, inneholder risiko og holder revisjonssporene ryddige.

Eksempel B — Forskning + prototype (Pipeline)

literature-subagent skraper og oppsummerer referanser (ingen filskriving, regulert nettilgang).
prototype-subagent stillaserer en minimal PoC fra sammendraget.
benchmark-subagent kjører mikrobenchmarks i en sandkasse og rapporterer resultater.
Denne kjeden håndhever den sekvensielle naturen til forskningsoppgaver samtidig som ansvaret holdes klart.

Beste praksis og mønstre

Design og konfigurasjon

Start med små, smale roller. Gjør hver underagent ansvarlig for én klar jobb. Smalere ansvarsområder gjør feilsøking mye enklere.
Versjonskontroll din .claude/agents/ mappe. Behandle underagentdefinisjoner som kode – gjennomgå, teste og pinne versjoner. Dette reduserer avvik og forenkler revisjoner.
Fest verktøy og modeller med vilje. Bruk model: inherit når du ønsker konsistent oppførsel med hovedsamtalen; spesifiser et rimeligere modellalias for bakgrunnsskanninger. Lås verktøy for å minimere angrepsflaten.

Driftsmønstre

Bruk eksplisitt kall for deterministisk automatisering. Hvis du kjører CI-jobber eller hooks, ring spesifikke underagenter for å sikre forutsigbare resultater.
Bruk automatisk delegering i interaktive økter. For utforskende arbeid, la Claude velge underagenter for å redusere friksjon – men sørg for at description feltene er målrettet, slik at automatisering ikke utløses uventet.
Design strukturerte resultater for syntese. Tving underagenter til å skrive til filer eller produsere JSON som orkestratoren kan lese; det forenkler reduksjonstrinnet og revisjon.

Testing, overvåking og styring

Lag representative evalueringer. Spor hvor underagenter feiler og bygg tester som utøver disse feilmodusene. Anthropic anbefaler representative testsett og iterativ forbedring.
Overvåk bruk av tokener og verktøy. Instrumenter hver underagents bruk og legg til varsler for å oppdage ustabile kostnader eller prisgrenser.

Når man IKKE skal bruke subagenter

Underagenter er kraftige, men ikke alltid det riktige verktøyet.

Enkle oppgaver: For korte, engangsforespørsler eller trivielle transformasjoner, legger underagenter til unødvendig kompleksitet.
Stramme latensbegrensninger: Orkestreringsrundturer legger til ekstra kostnader; hvis du trenger responser med ekstremt lav latens på én tur, kan en monolittisk tilnærming være enklere.
Små team med lite infrastruktur: Uten verktøy for hemmeligheter, observerbarhet og sandkasser kan underagenter øke driftsrisikoen. Fellesskapsartikler legger vekt på å starte i det små og legge til underagenter når du trenger modularitet.

Hvor man skal bruke Claude-koden cli anbefales mest

Det var gledelig å kunngjøre at CometAPI nå støtter det kraftige Claude Code-klientet fullt ut. Du trenger bare å installere Claude Code og autentisere med den innhentede Comet API-nøkkelen og basisadressen for å bruke Comet API-modellen på Claude Code.

Hvorfor bruke Claude-kode gjennom CometAPI?

Toppfunksjoner innen kunstig intelligens: Generer, feilsøk og optimaliser kode enkelt ved hjelp av modeller som er spesielt utviklet for utviklere.

Fleksibelt modellvalg: Vårt omfattende utvalg av modeller lar deg utvikle mer sømløst.
Sømløs integrasjon: API-er er alltid tilgjengelige. Integrer Claude Code direkte i din eksisterende arbeidsflyt på få minutter.
Å bruke Claude Code via CometAPI vil spare mer kostnaderClaude API-et som leveres av CometAPI har 20 % rabatt fra den offisielle prisen og er oppdatert med den nyeste modellen av den offisielle.

Klar til å bruke Claude Code cli? Se på API-veiledning for detaljerte instruksjoner.

Hvis du vil vite flere tips, guider og nyheter om AI, følg oss på VK, X og Discord!

Se også Hvordan installere og kjøre Claude-kode via CometAPI?

Konklusjon – hvorfor underagenter er viktige nå

Underagenter gjør løftet om agentiske arbeidsflyter praktisk for team: de lar deg resonnere om roller, tillatelser, kontekst, kostnader og parallellisering eksplisitt og som førsteklasses objekter. Når de brukes klokt, låser underagenter opp høyere utviklerhastighet, bedre kvalitet på flertrinnsoppgaver og mer forutsigbar styring. Baksiden er at du må designe, teste og overvåke disse underagentene akkurat som produksjonsprogramvare – men den investeringen gjør rask ingeniørarbeid til pålitelig ingeniørpraksis.