在一个单一的 Claude Code 会话中，同时调度 6 个 AI 智能体并行工作，38 秒内完成 SaaS 平台全栈认证系统的数据库架构设计，同时同步推进 REST 接口开发、JWT 鉴权体系搭建、前端登录模块落地、全局状态管理封装、全链路测试用例编写 —— 这不是科幻电影里的未来开发场景，而是 Claude Code 实验性功能 Agent Teams 带来的、当下即可落地的研发范式革命。

一、Agent Teams：从单 AI 提示词到 AI 团队 orchestration

长久以来，基于大模型的 AI 编码工具始终困在「单会话串行执行」的框架里：开发者需要在一个对话窗口中，用提示词一步步引导 AI 完成任务，从数据库 schema 到 API 接口，从前端组件到测试用例，所有工作都必须线性推进。一旦项目涉及全栈跨层的复杂需求，不仅会出现严重的上下文过载、信息遗忘问题，更会因为串行执行的特性，让研发效率被严重制约。

而 Claude Code 推出的实验性功能 Agent Teams，彻底打破了这一桎梏。它的核心逻辑，是让开发者从「给单个 AI 写提示词的执行者」，转变为「管理 AI 研发团队的技术负责人」—— 你只需要定义业务目标、角色分工与验收标准，系统会自动将主会话升级为团队负责人（Team Lead），并 spawn 出多个独立的 Claude Code 实例作为团队成员，各司其职、并行协作，甚至可以自主完成跨角色的信息同步与任务调度。

开启这一功能的方式极其简单，仅需在项目的 settings.json 中添加一行环境变量配置即可：

json

{ "env": { "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1" } }

配置完成后，你只需要用自然语言给出团队构建指令，比如：

"Create an agent team — one on schemas, one on routes, one on components, one on tests."

系统便会自动完成团队的搭建与任务的分发，开启并行研发模式。本文开头的截图，正是这一功能的真实落地场景：在 saas-platform 项目的 auth-system 特性分支中，团队负责人拆分出 6 个核心角色，其中 DB Architect 已经完成了 Prisma schema 设计、数据迁移与种子数据搭建，其余 5 个角色（API Builder、Auth Engineer、Frontend Lead、State Manager、Test Architect）同时处于运行状态，后台同步调度集成测试验证与 OpenAPI 文档生成智能体，整个流程仅耗时 38 秒。

二、Agent Teams 的核心运作机制

Agent Teams 的能力，建立在「团队负责人统筹 + 成员自主协作」的双层架构之上，既保证了研发目标的一致性，又赋予了 AI 团队足够的自组织能力，彻底区别于传统的单会话编码模式。

1. 团队负责人（Team Lead）：目标拆解与结果合成的核心

当你开启 Agent Teams 后，当前的主会话会自动升级为团队负责人，它承担着技术管理者的核心职责，是整个研发流程的中枢：

• 任务拆解与角色定义：基于开发者的自然语言需求，将复杂的全栈项目拆分为可并行执行的子任务，并为每个子任务定义清晰的角色边界与工作范围。比如全栈认证系统的需求，会被拆解为数据库架构、API 接口、鉴权体系、前端开发、状态管理、测试覆盖 6 个核心模块，每个模块对应一个专属的 AI 角色。
• 团队实例化与任务分配：为每个角色 spawn 一个完整的、独立的 Claude Code 实例，通过共享任务列表为每个实例分配专属工作，确保每个 AI 成员都有明确的工作目标，不会出现职责重叠或工作盲区。
• 全局进度管控与结果合成：实时监控所有团队成员的工作进度，当所有成员完成任务后，会将分散的代码、文档、配置进行统一合成，形成完整的、可运行的项目交付物；同时也会在研发过程中，处理成员之间的协作冲突，调整任务优先级。

2. 团队成员（Teammate）：独立执行与自主协作的执行单元

每个被 spawn 的团队成员，都是一个完整的 Claude Code 实例，而非简单的子会话或子代理，这是 Agent Teams 能力的核心基础。每个成员都具备以下核心能力：

• 独立的上下文窗口：每个 AI 成员都拥有专属的上下文窗口，无需与其他成员共享会话内容。这意味着 DB Architect 的上下文仅会聚焦于 Prisma schema、数据迁移与种子数据，不会被前端组件代码、测试用例等无关内容污染，大幅提升了代码生成的准确率与处理效率，彻底解决了单会话上下文过载的痛点。
• 项目配置的自动继承：所有团队成员都会自动加载项目的 CLAUDE.md 规范文档、MCP（Model Context Protocol）服务器配置与自定义技能，无需开发者重复配置。这意味着每个 AI 成员都完全遵循项目的编码规范、技术栈要求与权限配置，可直接读写项目文件、操作数据库、调用外部 API，实现了真正的本地化开发能力。
• 点对点的跨成员协作：这是 Agent Teams 与传统子代理模式最核心的区别。团队成员无需仅向负责人汇报，而是可以直接与其他成员点对点通信、共享研发信息、同步变更内容。比如 Auth Engineer 调整了 JWT 的签发与刷新逻辑，可直接同步给 API Builder 的鉴权中间件、State Manager 的 token 管理模块、Test Architect 的 E2E 测试用例，无需负责人中转，实现了真正的并行协同。
• 共享任务池的自组织调度：所有团队成员共享一个全局任务列表，除了负责人分配的固定任务，成员可自主认领任务列表中未被分配的工作，也可根据研发进度更新任务状态，实现了团队的自组织管理。比如 API Builder 完成了接口开发后，可直接在任务列表中更新状态，通知 Frontend Lead 启动接口对接工作，无需等待负责人调度。

三、核心差异：Agent Teams vs 传统子代理（Subagents）

很多开发者会将 Agent Teams 与传统的子代理模式混为一谈，但二者在协作架构、执行效率与自主能力上，有着本质的区别，甚至是两个维度的产品形态。

表格

特性	Agent Teams	传统子代理（Subagents）
通信架构	网状分布式架构，成员之间可点对点直接通信	树状中心化架构，子代理仅能与主代理通信，无法互相交互
协作模式	自组织协作，可自主同步信息、认领任务、互相评审	被动执行，仅能完成主代理分配的任务，无自主协作能力
上下文管理	每个实例拥有独立上下文窗口，无互相干扰	共享主代理的上下文窗口，极易出现上下文过载与信息遗忘
执行模式	全并行执行，多角色同时推进工作，无等待成本	串行执行，需等待前一个子代理返回结果，才能调度下一个
变更同步	跨角色变更实时同步，上下游联动无延迟	变更需经主代理中转，信息传递有损耗，同步严重滞后

传统子代理模式，本质上还是「单会话串行执行」的延伸，只是把一个大的提示词拆成了多个小的子任务，所有的信息流转都必须经过主代理中转，子代理之间完全隔离，无法形成协作。比如在全栈认证系统的开发中，子代理模式必须先让数据库子代理完成 schema 设计，再把结果传给 API 子代理开发接口，再传给前端子代理开发页面，最后传给测试子代理写用例，整个流程完全串行，任何一个环节的变更，都需要主代理重新同步给所有相关子代理，效率极低。

而 Agent Teams 的网状协作架构，彻底解决了这一问题。所有角色并行推进工作，变更信息实时同步，成员之间可直接沟通、互相评审、甚至互相挑战方案，形成了一个完整的、自组织的研发团队，而非一堆孤立的执行单元。这也是为什么单会话需要数小时才能完成的全栈认证系统，Agent Teams 仅需几十秒就能完成核心框架的搭建。

四、沉浸式研发体验：开发者的全局管控能力

Agent Teams 并没有因为 AI 团队的自组织能力，剥夺开发者的管控权。相反，它为开发者提供了完整的、细粒度的管控能力，让你可以随时介入研发流程，调整方向，而不会打断整个团队的并行工作。

在团队成员工作的过程中，你可以随时执行以下操作：

• 快速切换成员会话：通过 Shift+Up/Down 快捷键，可快速在不同团队成员的会话之间切换，查看每个角色的工作进度、生成的代码与遇到的问题，无需退出主会话。
• 定向指令下发：可直接给任意一个团队成员发送专属指令，调整其工作方向、修改代码细节，而不会影响其他成员的正常工作。比如你发现 Frontend Lead 开发的登录表单不符合设计规范，可直接给其下发修改指令，完全不影响 API Builder、Auth Engineer 等角色的工作进度。
• 动态扩编团队：可随时要求团队负责人 spawn 新的 AI 成员，加入当前的研发团队，应对新增的需求。比如截图中的场景，在核心 6 个角色运行的同时，团队已经在调度集成测试智能体与 OpenAPI 文档生成智能体，实现了团队的动态扩编。
• 全局任务看板：通过 Ctrl+T 快捷键，可随时打开共享任务列表，查看所有任务的进度、负责人与交付物，全局掌控整个项目的研发节奏。
• 定向重定向与任务终止：可随时重定向任意一个团队成员的工作内容，或终止其任务，而不会对整个团队的工作流造成任何 disruption。

五、最佳实践：Agent Teams 的核心适用场景

Agent Teams 并非要完全替代单会话的工作流，对于简单的代码编写、bug 修复等需求，单会话依然是最高效、最低成本的选择。但对于以下四类复杂的、可并行化的研发场景，Agent Teams 有着无可比拟的优势，是真正的降维打击。

1. 跨层全栈重构与项目搭建

这是 Agent Teams 最核心的适用场景，也是本文截图中的落地场景。无论是从零搭建一个完整的 SaaS 平台，还是对现有项目进行跨前端、后端、数据库、测试的全栈重构，Agent Teams 都可以通过并行的角色分工，在极短的时间内完成核心框架的搭建。相比传统单会话串行开发，效率可提升数十倍，同时避免了单会话跨层开发时的上下文遗忘与逻辑断层问题。

2. 多维度质量保障与合规审计

项目上线前的质量保障，从来都不是单一维度的工作，需要同时覆盖功能测试、安全审计、性能优化、兼容性测试、代码规范合规等多个方向。传统模式下，这些工作只能串行推进，而 Agent Teams 可以同时 spawn 安全审计智能体、性能测试智能体、兼容性测试智能体等多个角色，并行从不同维度对项目进行检测，同时互相同步发现的问题，同步完成修复与验证，大幅缩短了项目的测试与合规周期。

3. 竞争性假设的疑难 bug 调试

线上疑难 bug 的定位，往往是研发中最耗时的工作。很多时候，开发者需要对多个可能的根因假设逐一验证，串行排查效率极低。而 Agent Teams 可以为每个可能的根因假设 spawn 一个专属的智能体，让它们同时进行代码排查、场景复现、方案验证，甚至互相证伪错误的假设，快速定位真正的根因，将原本需要数小时的 debug 工作，压缩到几分钟内完成。

4. 并行技术调研与方案评审

技术选型与方案设计，需要对多个可选方案进行全面的调研、对比与评审。传统模式下，开发者需要逐一查阅文档、验证方案、分析优劣，耗时极长。而 Agent Teams 可以为每个可选方案 spawn 一个专属的调研智能体，让它们并行完成文档查阅、demo 验证、优缺点分析、成本评估等工作，之后互相评审方案的短板与优势，最终由团队负责人合成完整的选型报告，让技术调研的效率实现质的飞跃。

六、使用须知：当前版本的限制与注意事项

需要明确的是，Agent Teams 目前仍处于实验性阶段，在使用前需要了解以下核心限制与注意事项，避免出现成本浪费或项目风险：

1. 版本门槛：该功能仅支持 Claude Code v2.1.32 及以上版本，且需要搭配 Opus 4.6 模型使用，低版本无法开启该功能。
2. token 成本线性增长：每个团队成员都是一个独立的 Claude 实例，会独立消耗 token 额度，成本会随着团队规模线性增长。因此建议开发者按需 spawn 实例，避免无意义的团队扩编带来的成本浪费。
3. 对话历史继承限制：团队成员不会自动继承团队负责人的对话历史，因此需要将项目的核心需求、技术规范、上下文信息全部写入 CLAUDE.md 文档中，确保成员可以自动加载并遵循相关要求。
4. 团队嵌套限制：当前版本仅支持一个会话对应一个团队，不支持嵌套团队，无法在团队内再设置细分的小组架构。
5. 实验性功能的稳定性限制：作为实验性功能，当前版本在会话恢复、异常关闭等场景存在已知的局限性，重要项目建议及时保存代码与配置，避免会话异常导致的工作成果丢失。

七、范式转变：从提示词工程到 AI 团队管理

Agent Teams 带来的，从来都不止是编码效率的提升，而是开发者与 AI 协作模式的本质性思维转变。

在传统的单会话 AI 编码模式中，开发者的核心工作，是写好提示词，一步步引导 AI 完成正确的操作，本质上还是在做执行层面的工作，核心能力是「提示词工程」。你需要把所有的细节、所有的步骤、所有的边界条件都写清楚，需要时刻关注 AI 的输出是否符合预期，需要不断修正 AI 的错误，你的精力被大量消耗在「怎么让 AI 做对」这件事上。

而 Agent Teams，把开发者从执行层面彻底解放了出来。你不再需要关注每一行代码怎么写，每一个步骤怎么安排，你只需要做好三件事：定义清晰的业务目标、搭建合理的团队角色与分工、制定明确的验收标准。剩下的任务拆解、执行、协作、同步，都由 AI 团队自主完成，你的核心能力，从「提示词工程」变成了「AI 团队的 orchestration 能力」，你的精力从「怎么把事做对」，转移到了「做什么才是对的」这件更有价值的事上。

单会话的工作流永远不会消失，对于简单的、线性的研发需求，它依然是最高效的选择。但对于复杂的、多角色的、可并行化的大型研发项目，Agent Teams 打开了一个全新的世界 —— 它不再把 AI 当成一个辅助编码的工具，而是把它变成了一个完整的、可自组织的、随时可以扩编的研发团队。

未来的软件研发，开发者的核心竞争力，将不再是写了多少行代码，而是能否 orchestrate 好你的 AI 团队，能否用最高效的方式，把业务需求转化为 AI 团队的目标与分工，能否在 AI 的辅助下，完成之前无法想象的、超大规模的研发项目。而 Claude Code Agent Teams，正是这场研发范式革命的起点。