Субагенты Claude Code: как настроить команду ИИ
Субагенты Claude Code простыми словами: команда ИИ-помощников, у каждого своя память. Создаём первого за 5 минут — достаточно попросить Claude, без единой строки кода.
Евгений Арсентьев · MD, PhDПроверено на точность — Евгений Арсентьев, MD, PhD · 2026-08-26
Субагенты Claude Code — это специализированные ИИ-помощники, которых ваш основной Claude нанимает под отдельные задачи: каждый работает в собственном контекстном окне и приносит обратно только выжимку. Первого вы создадите за пять минут, просто попросив Claude, без кода. Я Евгений, и именно эта функция превратила моего одного ассистента в маленький отдел.
Что такое субагенты в Claude Code?
Агент — это просто Claude с должностной инструкцией. Ваш основной разговор — начальник; субагент — сотрудник, которого начальник нанимает под одну задачу: «сходи изучи вот это», «проверь вот тот код». У сотрудника свои инструкции (так называемый системный промпт), свой набор разрешённых инструментов и — вот где магия — своя рабочая память. Он копается в грязной работе у себя в кабинете и возвращается с отчётом на страницу, вместо того чтобы вывалить на стол начальника триста файлов.
Что такое субагенты в ИИ простыми словами?
Приставка «суб» значит «подчинённый»: агент, которого запустил другой агент. Почему это важно, даже если вы не пишете код. Рабочая память Claude — контекстное окно — это письменный стол. Каждый прочитанный файл ложится на стол, а заваленный стол делает работника рассеянным. Субагент арендует второй стол: все результаты поиска, логи и тупиковые ветки копятся там, а к вам возвращается только вывод. Деталь из документации, которую стоит знать: теперь субагент может нанимать собственных субагентов — ревьюер раздаёт по проверяющему на каждую находку, а к вам на стол попадает только отчёт самого старшего, на одну страницу. Цепочки ограничены тремя уровнями ниже основной сессии по умолчанию — офис не скатится в бесконечную бюрократию. А с версии 2.1.232 фоновые задачи в интерактивных сессиях запускаются форками по умолчанию: они наследуют весь контекст разговора вместо чистого старта.
Почему все так одержимы Claude Code?
Потому что делегирование здесь встроено, а не прикручено сбоку. В Claude Code есть готовые субагенты, которых он использует сам: Explore (исследователь только для чтения — ищет по проекту, ничего не меняя), Plan (собирает контекст, когда вы в режиме планирования) и general-purpose (для задач, где надо и искать, и менять). Вы наверняка уже пользовались ими, не замечая. А одержимость начинается, когда люди открывают следующий уровень: собственные субагенты — ваши специалисты с вашими правилами, переиспользуемые в любом проекте. Отсюда и модное слово «оркестрация Claude Code»: один начальник, много работников, ваши инструкции.
Как создать субагента в Claude Code за 5 минут
Ревьюер «только чтение» — создаём через разговор с Claude
- 1Внутри сессии Claude Code скажите Claude, что вам нужно: «Создай личного субагента code-reviewer для проверки кода на качество. Только инструменты для чтения (Read, Glob, Grep), сохрани в ~/.claude/agents/.»
- 2Claude запишет Markdown-файл в ~/.claude/agents/ за вас — это делает агента личным, доступным во всех проектах.
- 3Агент готов в той же сессии. Сразу проверьте: «используй субагента code-reviewer и проверь мой проект».
- 4Чтобы посмотреть на всех своих агентов, запустите /agents — он выведет путь до папки и подсказку по формату файлов.
Под капотом субагент — это обычный Markdown-файл с маленькой шапкой, честно, самая нестрашная «конфигурация» в индустрии. Агенты конкретного проекта живут в .claude/agents/, личные — в ~/.claude/agents/. Нюанс из документации: файлы, отредактированные прямо на диске, подхватываются при старте сессии — после ручного редактирования перезапустите её. Агентов, которых Claude создаёт за вас, можно использовать сразу в той же сессии.
--- name: code-reviewer description: Проверяет код на качество и лучшие практики tools: Read, Glob, Grep model: sonnet --- Ты доброжелательный ревьюер. Проверяй ясность, имена и ошибки. Возвращай короткий список по приоритету.
Обязательны только 'name' и 'description'. 'tools' — белый список инструментов (не укажете — агент наследует всё), 'model' выбирает мозг, а текст под шапкой — должностная инструкция.
Как использовать субагентов — и когда Claude делегирует сам
Поле 'description' — это вся кадровая политика: Claude читает его, решая, кому передать задачу. Пишите его как памятку «когда меня звать»: «Используй сразу после изменений кода» работает лучше, чем «ревьюер кода». Всегда можно и напрямую: скажи Claude — «используй субагента code-reviewer на вчерашних изменениях».
Поле 'model' принимает sonnet, opus, haiku или 'inherit'. Отдавайте рутину — пересказы, поиск, проверки — быстрому и дешёвому Haiku, а тяжёлую модель берегите для размышлений. Команда та же, зарплатный фонд меньше.
Практика: наймите первого сотрудника
0/4Начните с одного сотрудника, а не с десяти. Один ревьюер или объяснятель, которым вы реально пользуетесь, ценнее, чем гитхабовский список «awesome-субагентов», который вы никогда не откроете. Поймали себя на том, что даёте одни и те же инструкции третий раз? Это уже не промпт — это вакансия.
Бесплатный курс
Хватит читать про ИИ — начни строить с ним
Бесплатный курс Claude Code: свой первый сайт, инструмент или игра — без программирования. Без апсейлов и кросс-сейлов — здесь нечего купить.
Начать →Источники и исследования
Подборка рецензируемых работ и препринтов по научной основе этой темы.
- [1]Zhu et al. (2022). A Survey of Multi-Agent Deep Reinforcement Learning with Communication. arXiv:2203.08975
- [2]Soyez et al. (2013). A Methodology to Engineer and Validate Dynamic Multi-level Multi-agent Based Simulations. arXiv:1311.5108
- [3]Jing et al. (2020). Model-Free Optimal Control of Linear Multi-Agent Systems via Decomposition and Hierarchical Approximation. arXiv:2008.06604
- [4]Peters et al. (2024). Emergent Language: A Survey and Taxonomy. arXiv:2409.02645
- [5]Rothfarb et al. (2025). Hierarchical Multi-agent Large Language Model Reasoning for Autonomous Functional Materials Discovery. arXiv:2512.13930
- [6]Takayama et al. (2025). AOAD-MAT: Transformer-based multi-agent deep reinforcement learning model considering agents' order of action decisions. arXiv:2510.13343
- [7]Bredell et al. (2024). Augmenting the action space with conventions to improve multi-agent cooperation in Hanabi. arXiv:2412.06333

Автор
Евгений Арсентьев
MD, PhD · Руководитель ИИ-трансформации
Чтение — это синяя пилюля
Хочешь реально это построить?
Гайды объясняют. Бесплатный курс превращает — персонально, с геймификацией и заточенный на быстрый запуск.
Начать бесплатный курс →