多 Agent 模式：让 Claude Code 自己拆活、自己分工
什么是多 Agent 模式
当你给 Claude Code 一个复杂任务——比如”给这个项目加上完整的用户认证系统”——它需要同时处理路由设计、数据库模型、中间件、前端表单、测试用例等多个方面。所有这些上下文塞在一个对话窗口里，很快就会接近上下文上限，响应质量也会下降。
Claude Code 的解决方案是 子 Agent（Sub-agent）。主 Agent 可以派生出独立的子 Agent，每个子 Agent 有自己的上下文窗口，专注处理一个子任务。处理完后，子 Agent 把结果汇报给主 Agent，主 Agent 再统筹整合。
你在对话中可能已经见过这个行为了——当 Claude Code 需要搜索大量文件或做复杂分析时，它会说”让我用一个 agent 来处理这个”，然后你会看到一个子任务在后台运行。
什么时候会触发多 Agent
Claude Code 会在以下场景自动使用子 Agent：
- 广泛的代码搜索：需要在整个代码库中查找相关代码时
- 并行独立任务：多个子任务之间没有依赖关系时
- 上下文保护：某个操作会产生大量输出，直接放在主对话里会浪费上下文
关键理解：你不需要手动告诉 Claude Code “用 Agent”。它会根据任务复杂度自动判断。但你可以通过任务描述的方式来引导它的行为。
引导 Claude Code 使用多 Agent 的技巧
虽然是自动触发，但不同的 prompt 写法会显著影响 Claude Code 是否选择使用多 Agent，以及使用的效果。
技巧 1：明确列出独立子任务
不好的写法：
“帮我重构用户模块”
好的写法：
“帮我重构用户模块，具体包括：
- 把 UserService 里的数据库查询拆到 UserRepository
- 给 UserController 的每个接口加上参数校验
- 补充 UserService 的单元测试 这三个任务互不依赖，可以并行处理。”
当你显式说明任务之间”互不依赖”或”可以并行”时，Claude Code 更倾向于用多 Agent 并行处理。
技巧 2：用”先调研，再动手”的模式
“我要给项目加国际化支持。先帮我调研一下：
- 项目里有多少个需要翻译的字符串
- 现有的组件结构是否方便包裹 i18n 函数
- package.json 里有没有已经装了 i18n 相关的库 调研完告诉我结果，我们再讨论方案。”
这种”调研阶段”非常适合多 Agent——三个调研方向互相独立，Claude Code 通常会派三个子 Agent 分头去查，比顺序执行快很多。
技巧 3：大文件分析时显式建议
“这个项目有 200+ 个组件文件。帮我找出所有还在用 class component 的组件，列出文件路径和行数。文件很多，建议并行搜索。”
“文件很多”和”并行搜索”这类提示会帮助 Claude Code 做出更好的决策。
多 Agent 的实际表现
我在一个中型项目（约 150 个文件）上做过一次对比测试。任务是”找出所有未使用的导出函数”：
| 模式 | 耗时 | 上下文消耗 | 准确率 |
|---|---|---|---|
| 单 Agent 顺序搜索 | ~4 分钟 | 约 80k tokens | 约 85% |
| 多 Agent 并行搜索 | ~1.5 分钟 | 约 35k tokens（主）+ 60k（子） | 约 90% |
多 Agent 模式在时间和主上下文消耗上都更优。虽然子 Agent 总共消耗的 token 更多，但主对话窗口保持了干净，后续交互的质量不受影响。
注意事项
子 Agent 之间不共享上下文
这是最重要的限制。子 Agent A 不知道子 Agent B 在做什么。如果两个任务有隐含依赖——比如”重命名函数”和”更新所有调用点”——不能拆成两个独立子 Agent，否则可能出现不一致。
判断标准：如果任务 B 的执行需要知道任务 A 的结果，它们就不能并行。
子 Agent 的修改可能冲突
多个子 Agent 可能同时修改同一个文件。Claude Code 在合并时通常能处理好简单冲突，但复杂情况下可能出问题。
我的做法：涉及同一文件的修改，放在同一个子任务里，不要拆开。
成本会增加
每个子 Agent 都是独立的上下文，都要消耗 token。5 个子 Agent 的总成本可能是单 Agent 的 2-3 倍。
建议：不要为了”显得高级”而强行要求多 Agent。简单任务（3 个以下文件的修改）单 Agent 就够了。
与 Headless 模式配合
多 Agent 的理念也可以应用到 Headless 模式 中。你可以在脚本里并行启动多个 Claude Code 实例，每个处理不同的文件或任务：
#!/bin/bash
# 并行分析多个模块
modules=("auth" "payment" "notification" "user")
for mod in "${modules[@]}"; do
claude -p "分析 src/modules/$mod/ 目录下所有文件，
列出潜在的性能问题和安全隐患。" > "reports/$mod.md" &
done
wait # 等待所有后台任务完成
echo "所有模块分析完成"这本质上是”手动多 Agent”——你自己控制并行度和任务分配。适合那些 Claude Code 自动多 Agent 覆盖不到的场景。
总结
多 Agent 不是一个你需要”学会使用”的功能，而是一个你需要”理解它在做什么”的机制。理解了它的工作方式和局限性，你才能：
- 写出更容易被多 Agent 优化的 prompt
- 避免因为不了解机制而踩坑（比如依赖任务拆分不当）
- 在 Headless 模式下手动构建更高效的并行工作流
核心原则：独立的任务才能并行，有依赖的任务必须串行。 这在软件工程里是老生常谈，但在 AI 协作场景下同样适用。