跳到主要內容

安裝與使用 Claude Code Agent Teams（代理團隊） 的完整指南

Anthropic 正式將原本由 OpenClaw 社群開發的多代理協作功能納入原生支援。以下是關於如何設置並在今天開始使用的詳細介紹。

核心概念：從「單兵作業」進化到「團隊協作」

早期的 Claude Code 運作模式就像一位單一員工：給它一個任務，它從第一步做到最後一步，一次只能處理一件事。

Agent Teams 則完全改變了遊戲規則。現在，當你描述一個大型任務時，會有一位 「首席代理（Lead Agent）」 出現。它會將任務拆解，並同時開啟多個 「隊友（Teammates）」 平行作業：

  • 一位隊友研究程式碼庫。

  • 另一位正在除錯某個函式。

  • 第三位則在撰寫測試案例。

他們擁有各自的內容視窗（Context Window），甚至能彼此傳送訊息、分享發現，並透過共享的「任務清單（Task List）」自我協調。

區分：子代理 (Sub-agents) vs. 代理團隊 (Agent Teams)

你可能會問：「這跟之前的子代理有什麼不同？」

  • 子代理： 像是一個去幫你跑腿買咖啡的助理，做完專屬的小任務後回報結果，成本較低。

  • 代理團隊： 每個隊友都是一個「完整的 Claude Code 階段」。他們不只是回報，還能互相討論、質疑彼此的工作。這就像把一群專家關在房間裡，讓他們共同解決複雜問題。

什麼時候該用「代理團隊」？

這項功能會消耗大量 Token，且有一定的協調成本，因此不要濫用。

  • 適用場景：

    • 平行研發： 同時處理前端、後端與測試。

    • 競爭性除錯： 讓多個代理同時測試不同的錯誤假說，誰先找到答案誰就贏。

    • 深度審查： 從不同角度（例如安全性、性能、易讀性）同時審核程式碼。

  • 不適用場景：

    • 循序漸進的任務： 如果第二步必須等第一步完成，則不需要團隊。

    • 編輯同一檔案： 兩個代理同時改同一個檔案會導致覆蓋衝突。

    • 簡單任務： 單一代理能搞定的事，開團只會浪費錢。

安裝與設定（只需 30 秒）

這項功能目前處於「研究預覽版（Research Preview）」，預設是關閉的。

1. 修改設定檔

在你的 settings.json 中加入以下環境變數：

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

2. 或者直接在終端機設定

如果你想在當前工作階段開啟，可輸入：

  • macOS/Linux: export CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1

  • Windows (PowerShell): $env:CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS="1"

如何下指令啟動團隊？

你不需要學習特殊語法，只需用白話文告訴 Claude 你的需求：

範例提示詞：

「我正在設計一個追蹤程式碼 TODO 註釋的工具。請建立一個代理團隊，從不同角度切換：一個負責 UX 使用者體驗，一個負責技術架構，另一個扮演反方（Devil's Advocate）來質疑設計缺陷。」

顯示模式

  • 處理中模式（In-process）： 預設模式，所有隊友都在同一個終端機運作。使用 Shift + Up/Down 來切換不同隊友的畫面。

  • 分欄模式（Split-pane）： 如果你使用 tmux 或 iTerm2，每個隊友會有獨立的視窗面板，讓你同時監控所有人。

如何操控運行中的團隊

  1. 直接溝通： 你可以隨時切換到某位隊友的視窗直接對話，不一定要透過首席代理。

  2. 委派模式（Delegate Mode）： 按下 Shift + Tab 開啟。這會強制首席代理只負責「協調與分配」，防止它自己跑去寫程式碼而忘了管理隊友。

  3. 任務領取： 隊友完成目前工作後，會自動從清單領取下一個任務。

  4. 關閉隊友： 任務完成後，叫首席代理關閉特定的隊友，最後再執行 /cleanup 清理資源。

專家建議：避免浪費 Token

  • 詳細的啟動提示： 雖然隊友會讀取 CLAUDE.md，但他們不會繼承首席代理的對話歷史。啟動時給予明確的背景資訊。

  • 切割任務粒度： 任務太小則協調成本太高；太大則容易跑偏。最好的單位是：一個函式、一個測試檔、或是一次代碼審查。

  • 檔案分工： 確保每個隊友負責不同的檔案路徑。

目前的侷限（請注意）

  • 不支援階段恢復： 如果你使用 /resume 或 /rewind，目前的隊友可能會消失，必須重新生成。

  • 狀態延遲： 有時隊友做完了卻沒更新工作清單，這時需要你或首席代理去「推」它一下。

  • 終端機限制： VS Code 內建終端機目前不支援「分欄顯示模式」。


留言

張貼留言

這個網誌中的熱門文章

Vibe Coding：為什麼 Junior 更快上手？Senior 要如何追趕？

現象層面（市場觀察） 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變，非常熱門。 身為 Cympack 產品開發團隊 ，我們也一直關注這個議題，在閱讀這篇文章時觀察到一些有趣的現象，對我們來說，這正好反映出 AI 正在改變開發生態，junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位，其中有些啟發（insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding？ 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」，反而 embrace 快速迭代、快速出成果 反觀 Senior： 熟悉大型系統設計 有豐富的「工程正統流程」知識（架構設計、測試策略、效能優化、設計模式） 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師，對 prompt engineering 沒那麼熟練，還在觀望 技能面（未來的關鍵能力） Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢？ Prompt 撰寫 / AI 互動 Junior 較強（熟悉 chat-based 流程） 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強（能看出潛在問題） 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding，並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力，但若不主動練習 vibe coding，長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享，希望帶給各位的感受， 『與 AI 協...
張貼留言
繼續閱讀>>

Vibe Coding 協作到自建 Dev Agent？從 Claude / Codex 到 OpenHands

過去一年，越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題，到後來很多人愛上 Cursor，直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗，已經大大改變了我們寫程式的方式。 更現實的是，在很多企業內部、政府單位、或涉及機密資料的專案裡， 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理，萬一專案裡有未公開的技術、敏感客戶資料，或是受限於法規 （像金融、醫療、政府標案） ，直接用雲端 AI 工具就會踩 紅線 。  因此，許多團隊反而更希望 「自己架一套 Dev Agent」 ，可以在內網執行，資料完全掌握在自己手上，該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline，全部客製化、安全可控。 這時候，像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手，而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署，從 CLI 操作到瀏覽器查詢， 從多檔案編輯到自動測試，全部都能自己完成，甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說，這是一條 從 「AI 幫你寫一段程式」，走向「AI 幫你解決一整個任務」 的進化路徑。而且，還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」，能模仿人類工程師從建立程式、修改程式碼、執行指令，到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端（OpenHands Cloud）與本地 Docker 運行版本，用戶能配置 LLM（如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用，又或者如果自己本機有 docker 的話，可以自己Local 版本透過 Docker 自架環境。 ...
張貼留言
繼續閱讀>>

Google Gemini 全端 AI Agent 快速入門 - 打造「思考」的 AI 助理

一套從搜尋、反思到輸出的全端 AI 代理人範例，讓你看懂什麼叫 Research Agent 在 AI 工具百家爭鳴的今天，大家都在問一個問題： 「我能不能不只問 AI 答案，而是讓它像一位助理一樣，有流程、有反思、還有出處，真正幫我完成一件事？」 Google 最近釋出了一個相當具有指標意義的開源專案 gemini-fullstack-langgraph-quickstart ，正是為了解這個問題而誕生。 這套系統到底是什麼？ 這個範例不是傳統 Chatbot，而是展示一個完整的 AI research agent ： 它會根據使用者的提問，自動發想搜尋關鍵字、查資料、整合重點，最後給出答案還附上引用來源。背後的邏輯設計得非常扎實，不只是能跑，更是具備可讀性、可擴展性與可商用性。 它的流程大致如下：  1. 使用者輸入問題（例如：「抖音是否影響台灣選舉？」）  2. Gemini LLM 幫你想出關鍵字（不只是照抄問題）  3. 呼叫 Google Search API 抓資料   4. LangGraph 控制流程 → 判斷資料夠不夠 → 若不足，自動補查  5. 整合最終答案，並產生 citation（來源說明） 你可以想像這就像一位實習助理幫你寫報告， 不只輸出一段內容，而是會 去查、會判斷、會補資料，而且說明「我為什麼這樣說」 。 LangGraph 是什麼角色？ LangGraph 就是整個 Agent 背後的控制系統 。 用白話講，它幫你定義 AI 每一步要幹嘛、遇到什麼狀況該走哪條路、要不要反思、要不要再查，甚至可以定義條件邏輯與資料流動。 這就不像寫一個單純的 Chat API，而是比較像「把一個流程圖變成可以跑的程式」。 對工程師來說，它提供了從 prompt 到流程控制的設計彈性；對產品設計來說，它讓 AI 有了 「多步驟任務執行」 的能力。 技術架構與使用方式 這整套系統是 Fullstack 架構，前後端都幫你整好了，技術選型也非常實用：   前端：Vite + React + TailwindCSS + Shadcn UI  後端：FastAPI + LangGraph...
張貼留言
繼續閱讀>>