试了Claude Code的Sub Agents，前后端同时干活，这感觉太爽了

大家好，我是子昕，一个干了10年的后端开发，现在在AI编程这条路上边冲边摸索，每天都被新技术追着跑。

Claude Code最近推出的Sub Agents功能让我很感兴趣，这可能是AI编程工具的一个重要进化方向。

花了几天时间深度研究这个功能，发现它确实解决了传统AI编程的一个核心痛点：上下文混乱。

今天就来详细分析一下这个技术，并手把手教大家如何使用。

Sub Agents是什么？解决了什么问题？

传统的AI编程助手就像一个什么都会的全栈工程师，你跟它聊前端，它能给建议；聊后端，它也能设计；聊数据库，它还能优化。

但问题是，当你在一个对话中混合讨论多个领域时，AI经常会产生混乱。

比如你先讨论React组件设计，然后转到讨论数据库表结构，AI可能会把前端的概念带到后端设计中，或者在设计API时考虑UI组件的状态。

Sub Agents的核心思想很简单：既然一个通用AI容易混乱，那就创建多个专业化的AI，每个都专注自己的领域。

Sub Agents的技术架构

独立上下文机制

每个Sub Agent都有完全独立的上下文窗口。

当你调用backend-architect时，它只关注后端架构设计，不会被之前的前端讨论影响。当你调用security-auditor时，它专注于安全分析，有完整的安全知识库和检查清单。

智能任务路由

Claude Code会根据你的请求内容，自动判断应该调用哪个Sub Agent。这个判断基于每个Agent的description字段，以及请求中的关键词和上下文。

文件系统存储

每个Sub Agent本质上是一个Markdown文件，存储在：

项目级：.claude/agents/ (优先级更高)
用户级：~/.claude/agents/ (全局可用)

文件格式采用YAML frontmatter + Markdown body：

yaml 复制代码

---
name: backend-architect
description: "专门设计RESTful API、微服务架构和数据库设计"
model:sonnet
tools: [file_search, bash, file_edit]
color: blue
---

你是一个资深后端架构师...
（详细的专业提示词）

手把手教程：创建和使用Sub Agents

第一步：启动Agent管理界面

输入/agents命令：

选择Create new agent：

第二步：选择Agent级别

项目级 vs 全局级的区别：

项目级：只在当前项目中可用，适合项目特有的专家
全局级：所有项目都能使用，适合通用专家

第三步：选择创建方式

推荐选择"Generate with Claude"，让Claude帮你生成专业的配置。

第四步：编写Agent描述

这一步非常关键！ Agent的描述决定了什么时候会被自动调用。我这里使用了开源项目中前端开发专家的描述。

第五步：配置工具权限

可以看到有这些工具可选：

直接回车会继承主窗口的所有工具权限，这对新手来说是最简单的选择。

第六步：选择模型和颜色

选择AI模型：

选择显示颜色：

选颜色可不是为了让你装逼用的，而是为了在终端中区分不同的Agent输出。

第七步：确认生成

Claude Code会根据你的描述生成完整的agent内容，直接回车确认：

生成成功展示在列表中：

Agent管理功能

创建完成后，你可以对Agent进行查看、编辑和删除等操作：

可以直接修改agent的配置内容，也可以编辑可使用的工具、模型和颜色等：

直接在系统编辑器中打开修改agent配置内容：

手动配置Agent

上面的案例是让Claude Code根据描述自动生成完整的Agent内容，另一种就是手动配置，区别是你可以自定义System Prompts 系统提示词，其他的都一样，这里不再详述，感兴趣自行尝试。

当然，从上面的流程也能看出，最终就是生成一个Agent的配置md文件，所以我们直接把文件放到Agents对应的目录下也是可以的。

实战案例：多Agent协作开发博客系统

使用现成的优质Agents

手动创建每个Agent比较麻烦，我推荐使用现成的高质量Agent库：

github.com/wshobson/ag...

这个仓库包含50个专业的Sub Agents，涵盖了全栈开发的各个领域。

可以使用git克隆或者直接下载到Agents的全局目录下：

bash 复制代码

cd ~/.claude
git clone https://github.com/wshobson/agents.git

多Agent并发协作实战

我用三个专业Agent来开发一个博客系统：

bash 复制代码

用backend-architect设计一个个人博客平台的完整架构，包括用户认证、文章管理、评论系统
用frontend-developer设计前端页面  
用code-reviewer审查代码
backend-architect和frontend-developer同时进行，生成完一个模块代码之后code-reviewer开始介入审查代码
用中文回答

可以看到，后端和前端两个Agent真的在并发工作：

当代码生成完成后，code-reviewer自动介入进行审查：

Code Reviewer的专业能力

虽然这次演示因为限制中断了，但我之前用code-reviewer审查过其他项目，效果很专业：

专业的code-reviewer能发现安全漏洞、性能问题、代码规范问题等，比静态分析工具更全面。

Sub Agents的核心优势

1. 专业化深度

每个Agent都有针对特定领域优化的提示词，通常长达几百行，包含该领域的最佳实践、常见问题、检查清单等。这比通用AI的浅层建议要专业得多。

2. 上下文隔离

传统AI在处理复杂项目时容易出现上下文污染，前面讨论的内容会影响后面的回答。Sub Agents通过独立上下文彻底解决了这个问题。

3. 并行处理能力

可以同时启动多个Agent处理不同方面的任务，这在复杂项目开发中特别有用。

4. 灵活的调用方式

显式调用 ：@agent-security-auditor 检查安全问题
自动路由：Claude根据请求内容自动选择合适的Agent
协作模式：多个Agent按依赖关系串行或并行工作

使用中的注意事项

Token消耗会增加

使用Sub Agents确实会比普通对话消耗更多tokens，因为：

每个Agent都有独立的上下文
专业的提示词通常比较长
多Agent协作需要更多的协调沟通

不过这个增加是值得的，因为结果的质量和专业度有明显提升。

Agent选择的准确性

Claude Code的自动Agent选择机制大部分时候很准确，但偶尔也会选错。如果发现选择不当，可以显式指定Agent名称。

模型选择策略

复杂的架构设计：使用Sonnet模型
代码审查：使用Sonnet模型
简单的格式化、文档生成：可以使用Haiku模型节省成本

技术深度分析

智能路由机制

Claude Code通过分析用户请求中的关键词、上下文信息，以及各个Agent的描述字段，来决定调用哪个Agent。这个过程是基于语义理解的，不是简单的关键词匹配。

Agent间通信

虽然每个Agent有独立上下文，但它们可以通过主对话线程进行间接通信。主Claude作为协调者，整合不同Agent的输出。

配置文件结构

yaml 复制代码

---
name: unique-agent-name          # 必须唯一
description: "详细的能力描述"      # 用于自动路由
model: sonnet                   # 可选，默认使用系统模型
tools: [tool1, tool2]           # 可选，默认继承所有工具
color: blue                     # 可选，终端显示颜色
---

# Agent的详细提示词
你是一个专业的...

总结

Sub Agents代表了AI编程工具从通用助手向专家团队的重要进化。它解决了传统AI在处理复杂、多领域问题时的上下文混乱问题，提供了更专业、更准确的建议。

虽然会增加一些token消耗，但对于复杂项目来说，这种专业分工带来的效率提升是很明显的。特别是在需要跨多个技术领域协作的场景下，Sub Agents的价值更加突出。

如果你经常处理复杂的全栈项目，或者需要高质量的代码审查和架构建议，Sub Agents绝对值得尝试。