Czym są SubAgenci w kodzie Claude? Co musisz wiedzieć

Podagenci (często pisemni) podagenci or podagenci) stanowią jeden z najwyraźniejszych postępów praktycznych w narzędziach dla programistów agentowych: umożliwiają utworzenie małego zespołu wyspecjalizowanych asystentów AI w ramach Kod Claude'a, każdy z własną rolą, narzędziami i oknem kontekstowym. Pomysł jest prosty, ale skuteczny — zamiast wymagać od jednego, generalistycznego modelu, aby wszystko robił, definiujesz zwartych agentów o jednym przeznaczeniu, którym główny koordynator deleguje zadania (automatycznie lub na Twoje wyraźne żądanie). To zmienia sposób zarządzania kontekstem, narzędziami i kompromisami między kosztami a opóźnieniami w złożonych przepływach pracy.

Czym są podagenci?

Krótka definicja. Podagent to wstępnie skonfigurowana, wyspecjalizowana w zadaniach „osobowość” sztucznej inteligencji, której Claude Code może delegować zadanie. Każdy podagent ma własny monit systemowy, własne (izolowane) okno kontekstowe, jawnie przypisane narzędzia oraz opcjonalnie wybór modelu. Podagenty mogą być tworzone na poziomie projektu lub użytkownika i wywoływane automatycznie przez Claude lub jawnie przez użytkownika.

Kluczowe właściwości podagenta

Specjalistyczny cel i monit systemowy. Opisujesz rolę, ograniczenia i podejście podagenta w jego monicie systemowym, aby zachowywał się przewidywalnie w swojej wąskiej domenie (na przykład: recenzent kodu, debugger, analityk danych).
Odizolowane okno kontekstowe. Każdy podagent przechowuje własną historię i kontekst konwersacji, zapobiegając zaśmiecaniu kontekstu wątku głównego szczegółami niskiego poziomu. Jest to kluczowe dla skalowania przepływów pracy, które w przeciwnym razie wyczerpują kontekst pojedynczej konwersacji.
Zakres narzędzia i uprawnienia. Możesz zezwolić lub ograniczyć, z których narzędzi wewnętrznych lub zewnętrznych narzędzi protokołu Model Context Protocol (MCP) może korzystać dany podagent. Jest to kluczowa funkcja bezpieczeństwa i zarządzania.
Konfiguracja jako kod. Podagenci są definiowani jako pliki Markdown z informacjami wejściowymi YAML (nazwa, opis, narzędzia, model) i przechowywani na poziomie projektu (.claude/agents/) lub poziom użytkownika (~/.claude/agents/). Definicje projektu mają pierwszeństwo.

Czym jest delegowanie automatyczne i jawne wywołanie

Claude Code może automatycznie deleguj zadania do podagentów, gdy otrzymasz monit lub podagent description pasuje do zadania — albo możesz wyraźnie poproś o agenta (np. > Use the code-reviewer subagent to check my recent changes). Zrób description zorientowany na działanie ("Use PROACTIVELY", "MUST BE USED") aby przyspieszyć automatyczne delegowanie, istnieją dwa uzupełniające się sposoby wykorzystania podagentów w kodzie Claude:

Automatyczne delegowanie — Claude proaktywnie sprawdza wniosek i deleguje dopasowaną pracę podagentowi.
Jawne wywołanie — wywołujesz podagenta po nazwie w swoim monicie/poleceniu (na przykład, Use the code-reviewer subagent to check my changes).

Oba podejścia wiążą się z różnymi kompromisami w zakresie UX i inżynierii. Poniżej omawiam każde z nich.

Automatyczne delegowanie

Jak to wygląda z punktu widzenia użytkowników. Wydajesz polecenie wysokiego poziomu (np. „Przygotuj audyt bezpieczeństwa dla tej nowej biblioteki”), a Claude wykrywa, że jeden lub więcej podagentów dobrze pasuje na podstawie description pole w ich konfiguracjach. Jeśli skonfigurowano je do użytku proaktywnego, podagent jest uruchamiany automatycznie i zwraca wyniki w postaci ustrukturyzowanych danych wyjściowych.

Dlaczego zespoły z tego korzystają.

Obniża obciążenie poznawcze — nie musisz pamiętać ani wpisywać nazwy każdego podagenta.
Ułatwia wdrażanie w ramach współdzielonych przepływów pracy, w których poszczególne zadania zawsze powinny być wykonywane przez tego samego specjalistę.

Zastrzeżenia.

Musisz to zaprojektować description a system wyświetla monity celowo, aby Claude niezawodnie wybrał właściwego podagenta.
Zbyt entuzjastyczne delegowanie może zwiększyć użycie tokenów i hałas, jeśli wielu podagentów aktywuje się do podobnych zadań. Dlatego projektuj opisy ostrożnie.

Jawne wywołanie

Jak to wygląda z punktu widzenia użytkowników. Wyraźnie wywołujesz podagenta: > Use the test-runner subagent to run the project testsOrkiestracja jest deterministyczna: Claude wywołuje nazwanego podagenta z jego wstępnie skonfigurowanymi uprawnieniami i monitem.

Dlaczego zespoły z tego korzystają.

Pełna kontrola: sam decydujesz, który specjalista będzie wykonywał zadanie, co upraszcza debugowanie i odtwarzalność.
Łatwiejsze wnioskowanie o kosztach i dostępie do narzędzi w CI lub skryptach automatycznych.

Zastrzeżenia.

Więcej pisania i dyscypliny: programiści i specjaliści ds. automatyzacji muszą znać prawidłowe nazwy podagentów.
Mniej oportunistyczne: tracisz część wygody, dzięki której główny agent automatycznie wykryłby dobrego podagenta.

Jak działają podagenci — przegląd techniczny

Poniżej znajdziesz praktyczny, zorientowany na implementację opis tego, co się dzieje po utworzeniu i użyciu podagenta.

Definiowanie podagenta (konfiguracja jako kod)

Podagent to plik Markdown z frontem YAML. Ważne pola to:

name — unikalny identyfikator z małej litery (z myślnikiem)
description — opis w języku naturalnym używany do automatycznego dopasowywania delegacji
tools — opcjonalna lista przecinków zawierająca dozwolone narzędzia (lub pominięta, aby dziedziczyć wszystkie narzędzia)
model — opcjonalny alias (sonnet, opus, haiku) lub inherit aby użyć modelu głównej rozmowy

Mały przykład (koncepcyjny, nie dosłowny z dokumentacji):

---
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.

Te pliki znajdują się w: .claude/agents/ (zakres projektu) lub ~/.claude/agents/ (zakres użytkownika). Pliki projektu mają pierwszeństwo, co ułatwia udostępnianie i kontrolowanie wersji podagentów.

Wybór modelu i narzędzia

Pole modelu: Możesz wybrać konkretny alias modelu dla podagenta lub pozwolić mu odziedziczyć model głównej konwersacji. Pozwala to na kompromis między kosztami a jakością (na przykład, użyj tańszego modelu dla dużych podagentów skanujących dane i modelu o wyższej jakości dla ostatecznej syntezy).
Zakres narzędzia: Zapewnienie każdemu podagentowi minimalnego zestawu narzędzi zmniejsza promień rażenia i upraszcza rozumowanie dotyczące bezpieczeństwa. Narzędzia obejmują standardowe prymitywy Claude Code (Read, Grep, Bash, Edit itp.) oraz integracje zapewniane przez MCP.

Zachowanie w czasie wykonywania i obsługa kontekstu

Gdy Claude deleguje zadania do podagenta, ten podagent otrzymuje:

Monit systemowy (zawartość YAML/Markdown).
Tylko kontekst, którego potrzebuje (własne okno kontekstowe).
Dostęp do narzędzia jest zgodny z ustawieniami konfiguracji.

Ponieważ każdy podagent przechowuje odizolowany kontekst, długie dochodzenia lub analizy dużych plików można rozłożyć na wiele małych kontekstów zamiast zmuszać jeden kontekst do przechowywania wszystkiego — to duża zaleta pod względem niezawodności i możliwości interpretacji.

Wzorce architektoniczne dla podagentów

Najczęściej spotykaną architekturą jest orkiestrator (główny agent), który rozkłada zadanie wysokiego poziomu, uruchamia wiele podagentów, a następnie syntetyzuje lub weryfikuje ich wyniki. W praktyce występują dwa kanoniczne wzorce:

1) Orkiestrator + Specjaliści

Jeden agent ( orkiestrator) koordynuje wiele podagentów równolegle lub szeregowo. Orkiestrator decyduje, którego specjalistę wezwać, agreguje wyniki, weryfikuje spójność i przeprowadza ostateczną integrację. Jest to typowe podejście „menedżer deleguje zadania członkom zespołu” i pasuje do wielu przykładów i rekomendowanych projektów w materiałach Claude Code. Korzyści obejmują paralelizm, wyraźniejszy podział zadań i łatwiejsze ograniczanie błędów (podagent z błędami wpływa tylko na swój zakres).

Kiedy go używać: złożone zadania z niezależnymi podproblemami (np. „generowanie testów”, „uruchomienie analizy statycznej”, „przepisanie modułu”, a następnie „zintegrowanie i uruchomienie testów kompleksowych”).

Kompromisy: logika orkiestracji może stać się skomplikowana, a dodatkowe przesyłanie danych może nieznacznie zwiększyć opóźnienie.

2) Specjaliści od rurociągów/łańcuchów

Tutaj podagenci są ułożeni w sekwencji, w której dane wyjściowe jednego stają się danymi wejściowymi kolejnego (np. specyfikacja → rusztowanie → implementacja → testowanie → optymalizacja). Jest to w zasadzie kompozycja funkcji wyrażona jako agenty — przydatna, gdy potrzebne są transformacje krok po kroku i ścisłe gwarancje dotyczące przepływu danych między etapami. Jest to koncepcyjnie prostsze w przypadku liniowych przepływów pracy i czasami łatwiejsze do debugowania.

Kiedy go używać: deterministyczne transformacje wieloetapowe (na przykład przetłumaczenie dokumentu projektowego na kod szkieletowy, następnie testy, a na końcu optymalizacje).

Kompromisy: mniej naturalne w przypadku zadań wymagających szerokiej eksploracji (badania, burza mózgów), a pojedyncze uszkodzone łącze może zablokować cały proces.

Czym podagent różni się od zwykłego monitu opartego na roli?

1) Oddzielne okna kontekstowe

Każdy podagent otrzymuje własny bufor kontekstu, który przechowuje wymiany, pliki i metadane istotne dla jego roli. Zapobiega to zanieczyszczeniu kontekstu sesji głównej przez zaszumione komunikaty pośrednie, a także pozwala zachować — lub ograniczyć — historię dla każdej funkcji. W ten sposób Claude Code pozwala zachować długotrwałe konteksty o wysokim sygnale dla wyspecjalizowanych zadań, bez ponoszenia kosztów tokenów lub nakładów poznawczych związanych z upychaniem wszystkiego w jednym wierszu poleceń.

2) Monity systemowe i persony

Podagenci są tworzeni za pomocą instrukcji systemowych, które definiują ich rolę, ton i ograniczenia (np. „Działaj tylko jako specjalista ds. refaktoryzacji; nie wykonuj poleceń powłoki” lub „Generuj testy jednostkowe w stylu pytest; używaj tylko interfejsów publicznych”). Monity te działają jak opisy zadań dla podagentów i są egzekwowane w czasie wykonywania przez środowisko wykonawcze Claude Code.

3) Powiązania narzędzi i zakres uprawnień

Istotna różnica praktyczna: subagenci mogą otrzymać lub odmówić dostępu do określonych narzędzi — systemu plików, wykonywania procesów, zewnętrznych interfejsów API lub uprzywilejowanych zestawów danych. To sprawia, że subagenci są potężni w najmniejsze uprawnienia Projekty: generator dokumentacji można zablokować przed uruchamianiem dowolnych poleceń, a subagent CI otrzymuje odizolowaną piaskownicę. Wiele postów w społeczności zaleca parowanie subagentów z protokołem Model Context Protocol (MCP) lub serwerem MCP opartym na hookach w celu zarządzania bezpiecznym dostępem do sekretów i wejścia/wyjścia.

4) Wybór modelu i kompromisy między kosztami a wydajnością

Ponieważ podagenci są modułowi, można przypisać różne modele bazowe w zależności od złożoności zadania. Użyj modelu Sonnet o wysokiej wydajności do głębokiego rozumowania lub lekkiego modelu Haiku do szybkich, powtarzalnych zadań. To heterogeniczne wdrożenie pomaga zrównoważyć opóźnienia, koszt tokenów i możliwości. Aktualizacje produktów i artykuły społeczności Anthropic podkreślają równoległe wdrażanie mniejszych modeli w celu ekonomicznego skalowania.

5) Wzory komunikacji

Podagenci komunikują się z orkiestratorem (lub między sobą) za pośrednictwem ustrukturyzowanych wiadomości lub plików. Typowe wzorce obejmują:

zwracanie ustrukturyzowanego ładunku JSON (preferowane w przypadku orkiestracji programowej),
zapisywanie do pliku o określonym zakresie w przestrzeni roboczej współdzielonej,
lub wysyłając ostateczną sformatowaną wiadomość z powrotem do koordynatora, która zawiera ocenę wiarygodności i uzasadnienie.
Eksperymenty społeczne pokazują, że zespoły wolą jasne i zrozumiałe dla maszyn przekazy, aby uniknąć niejednoznaczności.

Korzyści z wydajności

Podagenci nie są tylko estetycznym rozwiązaniem — przy prawidłowym użyciu zapewniają praktyczne korzyści w zakresie wydajności i jakości.

1) Skrócony czas zegara ściennego dzięki paralelizmowi

Dzięki jednoczesnemu uruchamianiu wielu procesów roboczych (na przykład jednego na folder repozytorium, mikrousługę lub fragment danych), orkiestrator skraca czas potrzebny na wykonanie dużych zadań złożonych. Przypadki użycia, takie jak selekcja zgłoszeń błędów, generowanie dokumentacji dla wielu modułów czy audyt wielu usług, są w tym przypadku naturalne. Znaczne przyspieszenie przepływów pracy programistów, gdy obciążenia są w pełni paralelizowalne.

Nadając każdej roli własny kontekst, unikasz szybkiego rozdęcia i zmniejszasz ryzyko halucynacji spowodowanej nieistotnym szumem historycznym. Oznacza to mniej błędów związanych z kontekstem i bardziej spójne wyniki dla zadań specjalistycznych. Opracowania społeczności i własne badania Anthropic pokazują, że konfiguracje wieloagentowe często przewyższają agentów monolitycznych w zadaniach wszerz. Jedna z wewnętrznych ewaluacji Anthropic wykazała znaczną poprawę w zadaniach badawczych z wykorzystaniem architektury agent wiodący + podagenci.

Uwaga: paralelizm przynosi największe korzyści, gdy podzadania są niezależne. Jeśli pracownicy muszą stale na siebie czekać lub dzielić się stanem obciążenia, zobaczysz malejące korzyści.

2) Lepsze wykorzystanie kontekstu i mniejsze marnotrawstwo tokenów

Zamiast upychać każdy pośredni wynik wyszukiwania w jednym globalnym kontekście, procesy robocze przechowują tylko istotne dane w swoim własnym oknie i zwracają wyekstrahowane dane wyjściowe. Zmniejsza to zużycie tokenów przez koordynatora i ryzyko przekroczenia limitów kontekstu — co jest praktyczne w przypadku pracy z dużymi bazami kodu, długimi logami lub dużymi repozytoriami dokumentów. Kompaktowanie/podsumowanie w pakiecie SDK dodatkowo rozszerza efektywną pamięć długo działających agentów.

3) Poprawiona dokładność dzięki specjalistycznym podpowiedziom

Podagent skonstruowany jako specjalista o wąskim zakresie działania może zostać dostrojony (za pomocą podpowiedzi systemowych i zestawu narzędzi) w celu optymalizacji precyzji w swojej domenie: kontroli bezpieczeństwa, stylu kodu czy ekstrakcji zgodności. Podpowiedzi o wąskim zakresie działania zmniejszają halucynacje, ponieważ dopuszczalna przestrzeń działania agenta i oczekiwane wyniki są ograniczone. Organizacje zgłaszają wyższą jakość wyników dla zadań takich jak automatyczny przegląd kodu, gdy korzystają z podagentów specyficznych dla domeny, zamiast zlecać wykonanie wszystkiego specjalistom.

Jak zespoły faktycznie korzystają z podagentów — przykładowe przepływy pracy

Aby uczynić ten problem mniej abstrakcyjnym, podano konkretne przykłady.

Przykład A — potok refaktoryzacji (Orchestrator + Specjaliści)

Orchestrator otrzymuje żądanie „refaktoryzacji komponentu X”.
Połączenia Orchestrator analysis-subagent (brak uprawnień zapisu) w celu identyfikacji punktów newralgicznych złożoności i ryzykownych zależności.
Połączenia Orchestrator refactor-subagent (zapis uprawnień do piaskownicy przypominającej gałąź) w celu wygenerowania przebudowanych plików.
Połączenia Orchestrator test-gen-subagent (tylko do odczytu kodu) w celu generowania testów jednostkowych.
Orchestrator uruchamia CI z ci-runner-subagent (wykonanie w trybie piaskownicy) i agreguje wyniki w celu przeprowadzenia przeglądu przez człowieka.
Ten schemat izoluje każdą fazę, ogranicza ryzyko i pozwala zachować porządek w śladach audytu.

Przykład B — Badania + prototyp (Pipeline)

literature-subagent zbiera i podsumowuje odniesienia (brak zapisu do plików, regulowany dostęp do sieci).
prototype-subagent tworzy minimalny PoC na podstawie podsumowania.
benchmark-subagent przeprowadza mikrotesty w piaskownicy i raportuje wyniki.
Łańcuch ten wymusza sekwencyjną naturę zadań badawczych, jednocześnie jasno określając zakres odpowiedzialności.

Najlepsze praktyki i wzorce

Projekt i konfiguracja

Zacznij od małych, wąskich ról. Niech każdy podagent będzie odpowiedzialny za jedno, jasno określone zadanie. Wąski zakres odpowiedzialności znacznie ułatwia debugowanie.
Kontrola wersji .claude/agents/ teczka. Traktuj definicje podagentów jak kod — wersje do przeglądu, testowania i przypinania. Zmniejsza to dryft i ułatwia audyty.
Przypinaj narzędzia i modele celowo. Zastosowanie model: inherit Jeśli chcesz zachować spójność z główną konwersacją, określ tańszy alias modelu dla skanowania w tle. Zablokuj narzędzia, aby zminimalizować powierzchnię ataku.

Wzory operacyjne

Użyj jawnego wywołania w celu deterministycznej automatyzacji. Jeśli uruchamiasz zadania lub haki CI, wywołuj konkretne podagendy, aby zapewnić przewidywalne wyniki.
Korzystaj z automatycznego delegowania zadań w sesjach interaktywnych. W przypadku prac eksploracyjnych pozwól Claude'owi wybrać podagentów, aby zmniejszyć tarcie — ale zrób to description pola są tak zaplanowane, aby automatyzacja nie uruchamiała się niespodziewanie.
Projektowanie ustrukturyzowanych wyników syntezy. Wymuś na podagentach zapis do plików lub generowanie danych JSON, które koordynator może odczytać. Upraszcza to etap redukcji i audytu.

Testowanie, monitorowanie i zarządzanie

Zbuduj reprezentatywne oceny. Śledź, gdzie podagenci zawodzą i buduj testy, które sprawdzają te tryby awarii. Anthropic rekomenduje reprezentatywne zestawy testów i iteracyjne doskonalenie.
Monitoruj użycie tokenów i narzędzi. Monitoruj wykorzystanie każdego podagenta i dodawaj alerty w celu wykrywania niekontrolowanych kosztów lub przekroczeń limitów stawek.

Kiedy NIE należy używać podagentów

Podagenci są potężni, ale nie zawsze są odpowiednim narzędziem.

Proste zadania: W przypadku krótkich, jednorazowych monitów lub trywialnych transformacji podagenci wprowadzają niepotrzebną złożoność.
Ścisłe ograniczenia dotyczące opóźnień: Dwustronne trasy orkiestracji zwiększają narzut; jeśli potrzebujesz odpowiedzi w jednym obrocie i z wyjątkowo niskim opóźnieniem, prostsze może być podejście monolityczne.
Małe zespoły z niewielką infrastrukturą: Bez narzędzi do obsługi sekretów, obserwowalności i środowisk testowych, subagenci mogą zwiększać ryzyko operacyjne. Artykuły społeczności podkreślają potrzebę zaczynania od małych kroków i dodawania subagentów w razie potrzeby modułowości.

Gdzie używać kodu Claude? CLI jest najbardziej zalecane

Z radością ogłaszamy, że CometAPI teraz w pełni obsługuje potężny interfejs wiersza poleceń Claude Code. Aby korzystać z modelu API Comet w Claude Code, wystarczy zainstalować Claude Code i uwierzytelnić się przy użyciu uzyskanego klucza Comet API i adresu bazowego.

Dlaczego warto używać kodu Claude poprzez CometAPI?

Najważniejsze funkcje sztucznej inteligencji: Łatwe generowanie, debugowanie i optymalizowanie kodu przy użyciu modeli stworzonych specjalnie dla programistów.

Elastyczny wybór modeli: Nasza szeroka gama modeli pozwala na płynniejszy rozwój.
Bezproblemowa integracja: API są zawsze dostępne. Zintegruj Claude Code bezpośrednio z istniejącym procesem pracy w kilka minut.
Korzystanie z Claude Code za pośrednictwem CometAPI pozwoli zaoszczędzić więcej kosztówInterfejs API Claude udostępniany przez CometAPI jest przeceniony o 20% w stosunku do oficjalnej ceny i jest aktualizowany do najnowszej wersji przez oficjalną firmę.

Gotowy do użycia kodu Claude? Sprawdź Przewodnik po API dla szczegółowych instrukcji.

Jeśli chcesz poznać więcej wskazówek, poradników i nowości na temat sztucznej inteligencji, obserwuj nas na VK, X oraz Discord!

Zobacz także Jak zainstalować i uruchomić Claude Code za pomocą CometAPI?

Wnioski — dlaczego podagenci są teraz ważni

Subagenci sprawiają, że obietnica agentowych przepływów pracy staje się praktyczna dla zespołów: pozwalają one na jawne i bezpośrednie rozumowanie o rolach, uprawnieniach, kontekście, kosztach i paralelizacji jako obiekty pierwszej klasy. Rozsądnie stosowane subagenci zapewniają większą prędkość pracy programistów, lepszą jakość zadań wieloetapowych i bardziej przewidywalne zarządzanie. Wadą jest to, że trzeba projektować, testować i monitorować te subagencje tak jak oprogramowanie produkcyjne — ale ta inwestycja sprawia, że szybkie projektowanie staje się niezawodną praktyką inżynierską.