# Claude Code verschachtelte Subagenten: Aufgaben über 5 Ebenen delegieren
> In v2.1.172 ermöglichte Anthropic Claude-Code-Subagenten, eigene Subagenten zu starten, bis zu 5 Ebenen tief. Anleitung zur Delegation einer großen Aufgabe.
Source: https://ailoot.ai/blog/de/claude-code-nested-subagents/
Canonical: https://ailoot.ai/blog/de/claude-code-nested-subagents/
Language: de
Publisher: Ailoot (https://ailoot.ai/)
Translation: guide-232
Revision: sha256-cb3af610c9497a5b24ea829fcb34730329d92c22da8605e2a927651d582a5d10
[Ailoot-Dokumentation](https://ailoot.ai/docs/) — Referenzmaterialien zur Nutzung des Dienstes.
## Was änderte sich bei verschachtelten Subagenten in Claude Code v2.1.172?
Das Wichtigste
Anthropic veröffentlichte v2.1.172 und hob mit einer einzigen Zeile im Changelog eine zwei Jahre alte Regel auf. Subagenten können jetzt eigene Subagenten starten, bis zu 5 Ebenen tief. Bei dieser Funktion geht es nicht um Geschwindigkeit oder mehr CPU. Die Hauptidee ist, störende Vorbereitungsarbeit aus dem Hauptkontext herauszuhalten.
Wenn Sie in den letzten Monaten etwas über KI-Agenten in Claude Code gelesen haben, sind Sie immer wieder auf denselben Satz gestoßen. Er steht in der offiziellen Dokumentation, in meinem Leitfaden [über Subagenten](https://ailoot.ai/blog/de/claude-code-subagents/) und in den Analysen aller Wettbewerber. Er lautet: „Ein Subagent kann keinen weiteren Subagenten starten.“ Am 11. Juni 2026 steht diese Zeile noch immer an drei verschiedenen Stellen auf `code.claude.com/docs/en/sub-agents`. Anthropic hat sie schlicht noch nicht aktualisiert.
Am 10. Juni um 20:44 UTC erschien Claude Code v2.1.172 auf GitHub Releases. Der wichtigste Changelog-Eintrag bestand aus einer Zeile:
Subagenten können jetzt eigene Subagenten starten, bis zu 5 Ebenen tief.
— Claude Code Changelog, https://github.com/anthropics/claude-code/releases/tag/v2.1.172
Dieselbe Version behob auch einen Fehler, der nur bei Verschachtelung auftreten konnte: Ein Hintergrund-Subagent blieb im Agentenbereich als aktiv hervorgehoben, nachdem der von ihm gestartete verschachtelte Subagent bereits gestoppt worden war.
Dies ist ein seltener Fall, in dem die offizielle Dokumentation dem veröffentlichten Build noch widerspricht. Als Nächstes erkläre ich, wie sich Verschachtelung von parallelen Subagenten unterscheidet, was „Tiefe 5“ bedeutet und in welchen drei Szenarien sie heute wirklich nützlich ist.
## Wie unterscheiden sich verschachtelte Subagenten von parallelen und sequenziellen?
Das Wichtigste
Falls Sie verwirrt sind, geht es Ihnen nicht allein so. Parallelität, Verkettung und Verschachtelung sind drei voneinander unabhängige Topologien. Bei Parallelität geht es um Geschwindigkeit, bei Verkettung um die Festlegung der Ausführungsreihenfolge, und bei Verschachtelung um etwas ganz anderes: Sie hält störende Arbeit von Ihrem Hauptfenster fern. Wenn Sie das verwechseln, verbrauchen Sie in ein paar Stunden Unmengen an Tokens und finden danach nicht mehr heraus, wo der Fehler steckt.
Ich habe lange von Hand mit diesen drei Ansätzen experimentiert. So stelle ich es mir vor: Delegation hat drei Dimensionen – Breite, Länge und Tiefe. Jede löst ein anderes Problem.
**Breite – parallele Subagenten.** Der Hauptchat startet N unabhängige Subagenten auf derselben Ebene. Jeder erhält eine eng umrissene Aufgabe, arbeitet in einem eigenen isolierten Fenster und gibt nur das Ergebnis zurück. Breite sorgt für Geschwindigkeit: 5 parallel arbeitende Subagenten sind in der Zeit fertig, die ein einzelner für dieselbe Arbeit nacheinander benötigen würde. Dieses Modell habe ich in meinem Leitfaden [über parallele Subagenten mit Worktrees](https://ailoot.ai/blog/de/claude-code-parallel-worktree-agents/) behandelt.
**Länge – eine Kette von Subagenten.** A arbeitet, übergibt das Ergebnis an B, B arbeitet und übergibt es an C. Jeder sieht die Eingabe des vorherigen. Länge legt die Reihenfolge fest: B kann erst anfangen, wenn B die Daten von A erhält. Ein klassisches Beispiel: Zuerst sammelt ein Recherche-Subagent Quellen, dann verfasst ein Redaktions-Subagent auf ihrer Grundlage einen Artikel und anschließend prüft ein Faktenprüfungs-Subagent den Artikel. Es ist eine flache Abfolge; der Hauptchat behält die ganze Geschichte im Blick.
**Tiefe – verschachtelte Subagenten.** A startet B, B startet C, C startet D. Jedes Kind arbeitet innerhalb seines Elternagenten in einem eigenen isolierten Fenster und gibt **nur das Ergebnis** an den Elternagenten zurück. Der Hauptchat sieht nichts von dem, was in den Kindern, Enkeln und Urenkeln geschieht. Das ist die Neuerung in v2.1.172.
Das größte Missverständnis besteht darin, dass Leute glauben, Tiefe 5 bedeute: „Man kann 5 Subagenten gleichzeitig starten.“ Das stimmt nicht. Tiefe bezeichnet eine vertikale Ebene im Baum, nicht die Anzahl gleichzeitig gestarteter Kinder. Auf jeder Ebene kann es einen oder hundert Subagenten geben. Tiefe 5 bedeutet, dass die Delegationskette 5 Schritte nach unten reichen kann: Hauptchat → Enkel-1 → Enkel-2 → Enkel-3 → Enkel-4 → Enkel-5. Und auf jeder Ebene kann es Verzweigungen geben.
Version 2.1.172 hob die Regel auf, dass ein Subagent keinen weiteren Subagenten starten konnte.
Wenn Sie Geschwindigkeit wollen, brauchen Sie Breite. Wenn eine strikte Ausführungsreihenfolge erforderlich ist, brauchen Sie Länge. Tiefe ist in genau einem Fall nützlich: wenn eine Ihrer Aufgaben eine **störende Teilaufgabe** enthält (15 Webanfragen, Log-Durchsuchungen, das Lesen eines Dutzends Dateien). Und Sie wollen nicht, dass dieser Lärm Ihr Hauptfenster überflutet.
## Was bedeuten „5 Ebenen tief“ in der Praxis?
Das Wichtigste
5 Ebenen bezeichnet die maximale vertikale Entfernung vom Hauptchat bis zum entferntesten Urenkel. Es handelt sich um eine serverseitige Grenze; Sie können sie weder erhöhen noch verringern oder mit einem Flag ausschalten. Und in offiziellen Quellen steht noch immer nicht, ob der Hauptchat selbst zu diesen 5 Ebenen zählt.
Hier ist ein wichtiger Punkt zur Ehrlichkeit. Ich habe einen halben Tag lang Dokumentation und Community-Analysen durchforstet und dabei festgestellt, dass Anthropic keine präzise Definition gegeben hat. Das müssen Sie wissen.
**Es ist eine Obergrenze, keine Einstellung.**
Die Begrenzung ist serverseitig eingebaut. Beim Reverse Engineering des Clients v2.1.172 wurde keine `MAX_DEPTH`-Konstante gefunden. Das bedeutet, die Prüfung findet irgendwo in der Anthropic API statt, nicht lokal auf Ihrem Rechner. Sie können nicht `--max-depth 7` festlegen, um den Baum tiefer zu machen. Sie können auch nicht `--max-depth 2` festlegen, um eine niedrigere, sicherere Obergrenze einzurichten. Ihre einzige Kontrolle ist die `Agent(agent_type)`-Zulassungsliste im Frontmatter – sie begrenzt jedoch die **Typen** der Kindagenten, nicht die Tiefe.
**Anthropic hat „5“ nicht präzise definiert.** Das ist der zweite wichtige Punkt:
**Anthropic hat „5“ nicht genau definiert.** Offizielle Quellen geben nicht an, ob depth=5 fünf Ebenen unterhalb der Wurzel oder insgesamt fünf Agenten einschließlich der Wurzel bedeutet.
Integrationen von Drittanbietern interpretieren es vorerst unterschiedlich. ADR-147 im Projekt `ruvnet/ruflo` geht von „5 Kindebenen unterhalb der Wurzel = 6 Agenten in der Kette“ aus. In meinen Experimenten verwende ich dieselbe Konvention: Der Hauptchat ist Ebene 0, seine direkten Kinder sind Ebene 1 und so weiter bis Ebene 5. In der öffentlichen Dokumentation ist dies jedoch nicht festgehalten.
**Die Begrenzung ist bereits aktiviert, ganz ohne Flags.** Sie müssen nichts einschalten. Nach der Aktualisierung von Claude Code auf v2.1.172 können Sie `Agent` zu den `tools` eines Kindagenten hinzufügen, und er startet einen weiteren Subagenten. Entscheidend ist, dass der Elternagent dies erlauben muss (`tools: Agent(...)`).
## Wo findet Ihre Delegation heute statt: in der Breite, Länge oder Tiefe?
Das Wichtigste
In realen Vibe-Coding-Projekten sehe ich fast immer Breite und gelegentlich Länge. Tiefe setzen Leute manuell um: ein neues Fenster öffnen, einen Prompt kopieren und mit dem Ergebnis zurückkommen. Vor dem 9. Juni war das nicht integriert. Deshalb merken die meisten gar nicht, dass ihnen diese Möglichkeit fehlt.
Gehen Sie Ihre letzten 5 Prompts durch. Wie oft ist Ihnen Folgendes passiert: Eine Aufgabe beginnt, Claude durchsucht Dateien, stellt 10 Webanfragen und kippt eine ganze Wand aus Logs in den Kontext – und 20 Minuten später stellen Sie fest, dass das Fenster voll ist. Die endgültige Antwort muss schon mit einem mageren Tokenbudget auskommen, weil 70 Prozent des Kontexts von Zwischenausgaben verbraucht wurden.
Das ist ein Szenario, in dem Sie **Tiefe** brauchen. Keine Parallelität, keine Kette – Tiefe. Der Hauptchat sollte die „Recherche“ an einen Subagenten delegieren, der dann von innen heraus eigene Kinder für bestimmte Websuchen, Dateilesevorgänge und Grep-Suchen startet. Die Kinder geben nur zusammengefasste Einschätzungen zurück. Ein Enkel sagt seinem Elternagenten: „Gefunden, bestätigt“ oder „Nicht gefunden, Grund X.“ Der Elternagent fügt das zu einer einzigen Zusammenfassung zusammen und gibt sie an Sie zurück. Der Hauptchat bleibt aufgeräumt.
Vor dem 9. Juni habe ich das von Hand nachgebildet. Ich öffnete eine zweite Instanz von Claude Code, kopierte den Prompt „Recherchiere das“, führte ihn aus und übertrug das Ergebnis dann manuell zurück ins Hauptfenster. Diese Konfiguration habe ich ausführlich in meinem Leitfaden über die Delegation von Coding-Aufgaben an viele KI-Agenten beschrieben. Mit v2.1.172 können Sie sie direkt im System-Prompt des Orchestrators beschreiben – Claude baut den Baum selbst auf.
## In welchen 3 Szenarien sind verschachtelte Subagenten tatsächlich nützlich?
Das Wichtigste
Nicht für jede Aufgabe. Tiefe ist gerechtfertigt, wenn eine Delegation eine störende Teilaufgabe enthält, die Sie nicht im Hauptfenster erledigen lassen möchten. Ich stelle drei typische Szenarien vor, die unter Vibe-Codern immer wieder auftauchen: gründliche Recherche mit Faktenprüfung, Analyse eines großen Repositorys und Prüfung der durchgängigen Abhängigkeiten bei einer Änderung am Schema oder Vertrag.
### Szenario 1. Gründliche Recherche mit Faktenprüfung
Angenommen, Sie sammeln Material für einen Artikel oder ein Verkaufsangebot. Zuerst müssen Sie 5–10 Behauptungen aus öffentlichen Quellen zusammentragen und anschließend jede einzelne überprüfen – die Originalquelle finden, sich vergewissern, dass das Zitat exakt ist, und die tatsächlichen Zahlen berechnen.
Vor v2.1.172 hatten Sie zwei Möglichkeiten. Entweder erledigte ein einzelner Subagent alles und mühte sich durch 30 Webanfragen, wobei er alles in seinen Kontext stopfte. Oder Sie teilten es manuell auf: ein Prompt zum Herausarbeiten der Behauptungen, dann eine Schleife über die Behauptungen, in der für jede ein separater Subagent gestartet wurde. Der Hauptchat füllte sich mit Wänden aus Zwischenlisten.
Im folgenden Rezept delegiert der Hauptchat an `research-orchestrator` auf Ebene 1. Dieser extrahiert Behauptungen selbst und übergibt jede an `fact-verifier` auf Ebene 2. Jeder Verifier delegiert gezielte Suchen an `web-deep-search` auf Ebene 3. Der Hauptchat erhält nur eine Liste geprüfter Behauptungen mit Quellen. Alles andere bleibt in den Kindfenstern und gelangt nie in Ihren Kontext.
### Szenario 2. Analyse eines großen Repositorys
Sie haben ein Projekt mit 200 Dateien erhalten. Sie müssen die Architektur verstehen, die Hauptmodule finden und die technischen Schulden einschätzen. Wenn Sie `Glob` und ein Dutzend `Read`-Aufrufe von Hand ausführen, ist das Fenster in 10 Minuten voll.
Tiefe löst das so: Der Hauptchat startet einen „Architekten“-Subagenten. Der Architekt startet intern drei Kinder – eines untersucht die Verzeichnisstruktur (führt `Glob` aus und fasst zusammen), das zweite liest 5 wichtige Konfigurationsdateien und das dritte sucht mit Grep nach den wichtigsten Mustern. Jeder gibt eine knappe Zusammenfassung an den Architekten zurück. Der Architekt setzt die Erkenntnisse zusammen und gibt dem Hauptchat einen Abschlussbericht, der eine halbe Bildschirmseite lang ist. Sie erhalten einen Überblick über das Projekt, ohne den Kontext mit einer Wand aus `cat`-Ausgaben aller Dateien zu überfluten.
### Szenario 3. Durchgängige Abhängigkeiten analysieren
Sie ändern ein Datenbankschema, einen API-Vertrag oder eine gemeinsame Konfigurationsdatei. Sie müssen verstehen, wo die Auswirkungen auftreten werden. Diese Aufgabe verbraucht den Kontext am schnellsten, weil es viele Abhängigkeiten gibt und jede in der Quelle geprüft werden muss.
Mit Tiefe startet der Hauptchat einen „impact-analyzer“ (Ebene 1). Dieser startet für jede betroffene Datei einen `dependency-tracer` (Ebene 2). Jeder Tracer startet intern einen `consumer-finder` (Ebene 3), der die Codebasis mit Grep nach Nutzern dieser Abhängigkeit durchsucht. Jeder gibt dann nur die Kernaussage zurück: „Diese drei Stellen werden nicht mehr funktionieren.“ Der Hauptchat erstellt eine Tabelle „Betroffene Dateien → Auswirkungen“, ohne die Grep-Ergebnisse zu sehen.
## Verschachtelte Subagenten in 10 Minuten einrichten
Das Wichtigste
Es sind weder Flags noch Konfigurationsaktualisierungen erforderlich. Fügen Sie einfach `Agent` zu den `tools` eines Kindagenten hinzu, und er kann eigene Subagenten starten. Damit der Baum nicht zum Casino wird, verwenden Sie die Zulassungsliste `Agent(name1, name2)`. Als Nächstes gebe ich Ihnen eine sofort einsetzbare Vorlage für einen Orchestrator mit drei Ebenen, die Sie kopieren können.
**Schritt 1. Vergewissern Sie sich, dass Sie v2.1.172 oder höher verwenden.**
```bash
claude --version
```
Falls die Version niedriger ist, aktualisieren Sie sie. Die wichtigste Neuerung der Version ist eine Zeile im Changelog: „Subagenten können jetzt eigene Subagenten starten, bis zu 5 Ebenen tief“ ([vollständiger Text](https://github.com/anthropics/claude-code/releases/tag/v2.1.172)).
**Schritt 2. Erstellen Sie einen Elternagenten, der Kinder starten kann.**
Datei `.claude/agents/research-orchestrator.md`:
```markdown
---
name: research-orchestrator
description: Delegiert Recherche mit gründlicher Faktenprüfung
tools: Agent(fact-verifier), Read, WebFetch
model: opus
---
Du bist der Recherche-Orchestrator. Wenn du ein Thema erhältst:
1. Lies das gelieferte Material oder rufe die angegebenen öffentlichen Quellen-URLs ab.
Extrahiere selbst höchstens 5 konkrete Behauptungen. Erfasse jeweils Text,
Quellen-URL oder Datei und die genaue belegende Passage.
Fehlt Quellenmaterial, frage danach, bevor du delegierst.
2. Rufe für jede Behauptung fact-verifier auf – er startet selbst
seine Kind-Subagenten für die Websuche und den Abgleich.
3. fact-verifier gibt dir nur die endgültigen Urteile zurück –
lade keine Zwischenausgaben in deinen Kontext.
Der Abschlussbericht enthält ausschließlich eine Liste { claim, sources[], confidence }.
```
Die `tools`-Zeile erlaubt ausschließlich den Kindtyp `fact-verifier`. Behauptungen extrahiert der Orchestrator selbst; eine nicht definierte `claim-extractor`-Datei wird nicht benötigt. Eine Typenliste begrenzt erlaubte Kindtypen, nicht die Anzahl ihrer Starts. Begrenze das Rezept separat auf höchstens fünf extrahierte Behauptungen.
**Schritt 3. Erstellen Sie einen Kindagenten, der selbst Enkel starten kann.**
Datei `.claude/agents/fact-verifier.md`:
```markdown
---
name: fact-verifier
description: Prüft Behauptungen durch untergeordnete Websuchen
tools: Agent(web-deep-search), Read
model: sonnet
---
Du bist Faktenprüfer. Wenn du eine Behauptung erhältst:
1. Formuliere 2-3 Suchanfragen.
2. Starte für jede web-deep-search – er führt selbst
WebSearch und WebFetch aus und gibt geprüfte Snippets zurück.
3. Fasse alles zu einem Urteil zusammen: { claim, sources[], confidence }.
```
Sehen Sie den entscheidenden Teil? In `tools` steht wieder `Agent(web-deep-search)`. Das bedeutet, der Faktenprüfer (Ebene 2 unseres Baums) kann selbst einen weiteren Subagenten starten (Ebene 3). Früher hatte diese Zeile keine Wirkung – in der Dokumentation steht noch immer der Satz:
Subagenten können keine weiteren Subagenten starten, daher funktioniert Agent(agent_type) nicht in Subagent-Definitionen.
— Claude Code Docs, https://code.claude.com/docs/en/sub-agents
Mit v2.1.172 ist dieser Satz überholt. Die Syntax ist dieselbe, funktioniert jetzt jedoch auf jeder Ebene des Baums.
**Schritt 4. Erstellen Sie einen Enkelagenten.**
Datei `.claude/agents/web-deep-search.md`:
```markdown
---
name: web-deep-search
description: Führt Websuchen durch und gibt Snippets zurück
tools: WebSearch, WebFetch
model: haiku
---
Du hast eine Suchanfrage erhalten. Führe WebSearch aus, wähle die 3 relevantesten URLs aus und hole mit WebFetch wörtliche Belege für die Behauptung heraus. Gib eine Liste { url, snippet, supports_claim: yes|no } zurück.
```
Der Enkel hat kein `Agent` in `tools` und startet daher keine weiteren Agenten im Baum.
**Schritt 5. Starten Sie den Orchestrator.**
```bash
claude --agent research-orchestrator
```
Geben Sie danach Quelltext oder öffentliche Quellen-URLs im Chat an: „Extrahiere und überprüfe aus diesen Quellen höchstens 5 konkrete Behauptungen; liefere Behauptungen, Quellen und Sicherheitseinschätzung.“ Bei `--agent research-orchestrator` ist die Sitzung selbst der Orchestrator; Verifier- und Suchkinder bilden zwei delegierte Ebenen darunter. Delegiert stattdessen ein gewöhnlicher Hauptchat an den Orchestrator, liegen drei delegierte Ebenen unter diesem Hauptchat.
## Welche 5 Anti-Patterns verschwenden Tokens und zerstören die Beobachtbarkeit?
Das Wichtigste
Tiefe ist teuer. Jede Ebene nach unten vervielfacht den Tokenverbrauch, und der Effekt verstärkt sich. Hier sind fünf Szenarien, in denen Verschachtelung schadet. Tun Sie es nicht – sonst verbrauchen Sie Ihr Tagesbudget in einer Stunde und verlieren den Fehler vier Etagen tiefer im Baum aus den Augen.
**Anti-Pattern 1. Die Aufgabe passt in ein Fenster.**
Wenn ein Subagent die Aufgabe ohne störende Ausgaben erledigen kann, fügen Sie keine Ebenen hinzu: Verschachtelung verursacht sonst unnötige Kosten und Verzögerungen.
**Anti-Pattern 2. Sie wollen Geschwindigkeit statt Abschirmung.**
Wenn Sie Geschwindigkeit wollen, brauchen Sie **Parallelität**, keine Tiefe. Starten Sie 5 Subagenten nebeneinander auf derselben Ebene, anstatt eine Kette aufzubauen. Tiefe soll störende Vorbereitungsarbeit in ein Kinderfenster verlagern und nicht den Ablauf beschleunigen.
**Anti-Pattern 3. Die Arbeit ist grundsätzlich flach.**
„Finde diese Datei und zeig sie mir“ ist eine **zweistufige Anfrage**; sie braucht keine Hierarchie mit drei Ebenen. Verschachtelung lohnt sich, wenn eine Aufgabe eine störende Teilaufgabe enthält. Gibt es keinen störenden Teil, fügen Sie keine Subagenten hinzu.
**Anti-Pattern 4. Vage Prompts auf der ersten Ebene.**
Das ist das gefährlichste Szenario. Wenn Sie dem Orchestrator auf Ebene 1 einen vagen Prompt geben, vervielfacht sich die Unklarheit. Aus einem vagen Prompt auf Ebene 1 werden 4 vage Prompts auf Ebene 2 und 16 auf Ebene 3. Wenn die Enkelagenten mit der Arbeit beginnen, wissen sie nicht einmal, wonach sie suchen sollen.
**Anti-Pattern 5. Geometrisches Kostenwachstum.**
Das wichtigste wirtschaftliche Argument: Verschachtelung vervielfacht den Tokenverbrauch, und die Vervielfachung verstärkt sich mit der Tiefe.
Eine grobe Rechnung: Eine Kette mit Tiefe 3 und einer Verzweigung von 3 auf jeder Ebene ergibt 27 Subagenten. Das sind mindestens 27-mal mehr Tokens als bei einer einfachen Anfrage. Im Pro-Tarif von Claude ist das Tageslimit mit dieser Rechnung in ein paar Stunden aufgebraucht. Im Max-Tarif verbrauchen Sie das Wochenkontingent an einem Tag.
**Zusätzliches Anti-Pattern (aus meiner Erfahrung): „50 Agenten mit sinnloser Arbeit.“**
Wenn ich mir die Projekte anderer Leute ansehe, fällt mir oft Folgendes auf: „Ich habe 50 Agenten am Laufen.“ Ich frage: Was machen sie? Und diese 50 Agenten **machen sinnlose Arbeit**. Sie erzeugen Berge unnötiger Ausgaben, Unmengen unbearbeiteter Zusammenfassungen, Duplikate und Wände voller Logs. Jeder macht etwas „allgemein Nützliches“, und das Ergebnis ist ein im Kontext ertrinkender Chat und eine Tokenrechnung wie bei einem kleinen Unternehmen. Tiefe 5 löst dieses Problem nicht – sie **verschlimmert es**. Wenn schon auf Ebene 1 unklar ist, wer was macht, bedeutet Tiefe 5 fünf Ebenen voller Verwirrung.
Bevor Sie einen Subagenten starten, beantworten Sie innerhalb einer halben Minute 4 Fragen:
- Was genau tut er (in einem Satz)?
- Welche Dateien fasst er an?
- Was gibt er an seinen Elternagenten zurück?
- Wer prüft seine Arbeit?
Wenn Sie das nicht in 30 Sekunden beantworten können, sollte dieser Subagent nicht existieren. Diese Regel habe ich in meinem Leitfaden [über parallele Subagenten](https://ailoot.ai/blog/de/claude-code-parallel-worktree-agents/) gesondert erklärt.
## Warum bedeutet Verschachtelung ohne Context Engineering 5 Ebenen voller Halluzinationen?
Das Wichtigste
Die größte Falle tiefer Delegation ist fehlender Aufgabenkontext. Ein Kind erhält nicht automatisch den gesamten Elternchat oder jede gelesene Datei. Benutzerdefinierte Subagenten laden normalerweise geltende CLAUDE.md-Anweisungen, sofern dies nicht abgeschaltet ist; damit werden nicht automatisch alle verlinkten Geschäftsdateien geladen. Übergeben Sie bei jeder Übergabe genaue Quellen, Pfade und Ergebnisvertrag. Wenn Ihr Projekt keine solide Kontextstruktur hat, driftet jeder Enkel umso stärker in Fantasie ab, je tiefer der Baum ist. Sie erhalten 5 Etagen voller Halluzinationen, eine auf jeder Ebene.
Hier fragen Leute oft: „Ich habe Claude Code aktualisiert und Agent zu tools hinzugefügt. Der Baum wird aufgebaut – aber die endgültige Antwort stimmt immer noch nicht. Warum?“
Die Antwort ist einfach. Jeder Subagent in Claude Code beginnt **von vorn**. Aus der offiziellen Dokumentation:
Jeder Subagent beginnt in einem frischen, isolierten Fenster. Er kann den Gesprächsverlauf, die bereits aufgerufenen Skills und die Dateien, die Claude bereits gelesen hat, nicht sehen.
— Claude Code Docs, https://code.claude.com/docs/en/sub-agents
Auf Ebene 1 ist das noch handhabbar: Der Orchestrator übergibt seinem Kind eine kurze Aufgabenbeschreibung. Auf Ebene 3 erhält der Enkel jedoch eine Delegationsnachricht von seinem Elternagenten, der ebenfalls nur eine Delegationsnachricht hatte. Jeder hat ein wenig davon weitergegeben. Auf Ebene 5 haben Sie einen Subagenten, dessen Fenster nur den Satz „Behauptung X prüfen“ enthält. Er weiß nicht, an welchem Projekt er arbeitet, welche Aufgabe er löst oder worauf er sich konzentrieren soll.
Ohne [CLAUDE.md](https://ailoot.ai/blog/de/claude-md-template/) ist ein Enkel auf Ebene fünf wie ein Mitarbeiter, der zum ersten Mal in seinem Leben zur Arbeit kommt und keine Einführung erhält. Er wird etwas tun, weil er eine Aufgabe bekommen hat. Aber es wird nicht das sein, was das Projekt braucht.
**Deshalb ist die Konfiguration unverzichtbar.** Tiefe 5 ohne eine korrekt konfigurierte `CLAUDE.md`, `business/` und Skills-Pipeline ist ein Casino. Mit ihnen ist sie ein Werkzeug.
## Was änderte sich in v2.1.172 außer der Verschachtelung?
Das Wichtigste
Die Version dreht sich ganz um Subagenten. Zusätzlich zur Hauptfunktion enthält sie 4 Korrekturen an der Delegationsinfrastruktur. Eine davon behebt einen Fehler, der nur bei Verschachtelung auftreten kann.
Öffnen Sie das vollständige Changelog von v2.1.172, und Sie werden sehen: Die gesamte Version dreht sich um Subagenten.
**Fehlerbehebung 1.** Ein Hintergrund-Subagent bleibt nicht mehr als aktiv im Agentenbereich „hängen“, nachdem der von ihm gestartete verschachtelte Subagent gestoppt wurde. Dieser Fehler kann nur bei Verschachtelung auftreten.
**Fehlerbehebung 2.** Die `availableModels`-Beschränkungen gelten jetzt auch für Subagenten. Zuvor konnten Subagenten die Regel umgehen, wenn Sie einschränkten, welche Modelle das Team verwenden durfte (zum Beispiel opus aus Kostengründen verboten), indem sie sie mit einer Überschreibung in ihrer eigenen Konfiguration umgingen. Mit v2.1.172 gilt die Regel überall.
**Fehlerbehebung 3.** Der Aufwärtspfeil im Promptverlauf zeigt jetzt Prompts aus dem **aktuellen** Tab des Subagenten und nicht aus dem Hauptagenten. Eine Verbesserung der Beobachtbarkeit.
**Fehlerbehebung 4.** Die CPU-Auslastung im Leerlauf wurde reduziert: Die Anzeige `/goal` zeichnet das Terminal im Leerlauf nicht mehr mit 5 Hz neu, und die Benutzeroberfläche wird seltener neu gezeichnet, während parallele Subagenten arbeiten.
Ich möchte darauf hinweisen, dass sich alle vier Fehlerbehebungen auf Subagenten beziehen. Das bedeutet, Anthropic hat den gesamten Infrastruktur-Stack für Verschachtelung veröffentlicht und nicht nur eine Zeile im Changelog. Die Verschachtelung war bereits einige Zeit vor der Veröffentlichung intern bei Anthropic in Gebrauch.
## Checkliste: Wann hilft Verschachtelung, und wann schadet sie?
Das Wichtigste
Prüfen Sie vor jedem Start eines neuen Subagenten die Aufgabe anhand von 6 Kriterien. Wenn mindestens 3 Antworten „Ja, Tiefe verwenden“ lauten, machen Sie es. Bei weniger Antworten bleiben Sie bei Parallelität oder einem einzelnen Subagenten. So sparen Sie Tokens und Nerven und müssen nicht erst ein paar Stunden lang herausfinden, was eine Kette mit 27 verschachtelten Starts eigentlich getan hat.
Verwenden Sie Verschachtelung, wenn:
- Die Aufgabe eine Teilaufgabe mit vielen Webanfragen, Grep-Suchen oder Dateilesevorgängen enthält.
- Es vertretbar ist, diese Teilaufgabe zu verlieren (wenn der Enkel „nichts gefunden“ zurückgibt, kann der Orchestrator fortfahren).
- Sie **keine** Zwischenergebnisse im Hauptfenster benötigen.
- Sie eine `CLAUDE.md` und einen zusammengestellten Projektkontext haben, auf den sich der Subagent stützen kann.
- Sie klar beschreiben können, was jede Ebene zurückgeben wird (Eingabe, Ausgabe, Format).
- Sie einen Max-Tarif oder einen Puffer für den ×27-fachen Tokenverbrauch haben.
Verwenden Sie keine Verschachtelung, wenn:
- Ein einzelner Subagent die Aufgabe ohne störende Ausgaben lösen kann.
- Sie Zwischenergebnisse im Hauptfenster benötigen (das bedeutet, dass Sie Parallelität wollen).
- Das Projekt keine CLAUDE.md oder nur spärlichen Geschäftskontext hat.
- Die Prompts auf Ebene 1 vage sind (die Unklarheit wird sich exponentiell im Baum vervielfachen).
- Sie Geschwindigkeit brauchen – bei einem vergleichbaren Ergebnis ist Parallelität schneller als Tiefe.
- Sie den Pro-Tarif haben und den ganzen Tag arbeiten – dann verbrauchen Sie Ihr Limit in ein paar Stunden.
Weitere Materialien finden Sie auf [Ailoot](https://ailoot.ai/).
## Fragen und Antworten
### Muss ich claim-extractor für das kopierte Rezept erstellen?
Nein. Der korrigierte research-orchestrator extrahiert selbst höchstens fünf Behauptungen aus geliefertem Material. Erstellen Sie die drei gezeigten Dateien research-orchestrator, fact-verifier und web-deep-search und liefern Sie Quelltext oder URLs.
### Begrenzt die ausschließliche Erlaubnis von fact-verifier die Zahl der Kinder?
Nein. Eine Agententypenliste begrenzt aufrufbare Typen, nicht deren Aufrufanzahl. Dieses Rezept begrenzt deshalb die Extraktion separat auf fünf Behauptungen. Überwachen Sie tatsächliche Aufrufe und Tokenverbrauch.
## Ailoot · Das Unternehmen und sein Projektportfolio
Ailoot baut auf bewährte Betriebserfahrung, einen großen Kundenstamm, stabilen Service und kontinuierliche KPI-Kontrolle.
Das Unternehmen und sein Projektportfolio: Millionen von Kunden; monatliche Umsätze in Milliardenhöhe.
Ailoot nutzt diese Betriebserfahrung für den API-Zugang zu KI-Funktionen in Kundenprodukten, Agenten, Anwendungen und Automatisierungen.