# Πώς να αναθέσετε μια μεγάλη εργασία στο Claude Code χρησιμοποιώντας εμφωλευμένους υποπράκτορες
> Το Claude Code v2.1.172 επιτρέπει στους υποπράκτορες να δημιουργούν δικούς τους υποπράκτορες, έως και 5 επίπεδα βάθος. Ένας πρακτικός οδηγός για την ανάθεση μιας μεγάλης εργασίας.
Source: https://ailoot.ai/blog/el/claude-code-nested-subagents/
Canonical: https://ailoot.ai/blog/el/claude-code-nested-subagents/
Language: el
Publisher: Ailoot (https://ailoot.ai/)
Translation: guide-232
Revision: sha256-c46e607d25e652dd97def45599f669f46e11b53f08dad6a6342a5201862d2e55
[Τεκμηρίωση Ailoot](https://ailoot.ai/docs/) — υλικό αναφοράς για τη χρήση της υπηρεσίας.
## Τι άλλαξε στο Claude Code v2.1.172;
Βασικό συμπέρασμα ενότητας
Η Anthropic κυκλοφόρησε το v2.1.172 και κατήργησε έναν κανόνα δύο ετών με μία μόνο γραμμή στο αρχείο αλλαγών. Οι υποπράκτορες μπορούν πλέον να δημιουργούν δικούς τους υποπράκτορες, έως και 5 επίπεδα βάθος. Αυτή η λειτουργία δεν αφορά την ταχύτητα ή την περισσότερη CPU. Ο κύριος στόχος είναι να μην γεμίζει το κύριο πλαίσιο με θορυβώδη προπαρασκευαστική εργασία.
Αν έχεις διαβάσει οτιδήποτε για πράκτορες AI στο Claude Code τους τελευταίους μήνες, έχεις συναντήσει την ίδια φράση. Υπάρχει στην επίσημη τεκμηρίωση, στον οδηγό μου [για τους υποπράκτορες](https://ailoot.ai/blog/el/claude-code-subagents/) και σε κάθε ανάλυση ανταγωνιστών. Η φράση είναι: «ένας υποπράκτορας δεν μπορεί να δημιουργήσει άλλον υποπράκτορα». Στις 11 Ιουνίου 2026, αυτή η γραμμή εξακολουθεί να βρίσκεται σε τρία διαφορετικά σημεία στη διεύθυνση `code.claude.com/docs/en/sub-agents`. Η Anthropic απλώς δεν την έχει ενημερώσει ακόμη.
Στις 10 Ιουνίου, στις 20:44 UTC, το Claude Code v2.1.172 εμφανίστηκε στο GitHub Releases. Το κύριο στοιχείο του αρχείου αλλαγών ήταν μία γραμμή:
Οι υποπράκτορες μπορούν πλέον να δημιουργούν δικούς τους υποπράκτορες, έως και 5 επίπεδα βάθος.
— Ημερολόγιο αλλαγών Claude Code, https://github.com/anthropics/claude-code/releases/tag/v2.1.172
Η ίδια έκδοση διόρθωσε επίσης ένα σφάλμα που μπορούσε να εμφανιστεί μόνο με την εμφώλευση: ένας υποπράκτορας στο παρασκήνιο παρέμενε επισημασμένος ως ενεργός στον πίνακα πρακτόρων, ενώ ο εμφωλευμένος υποπράκτορας που είχε ξεκινήσει είχε ήδη σταματήσει.
Είναι σπάνια περίπτωση όπου η επίσημη τεκμηρίωση εξακολουθεί να αντιφάσκει με την έκδοση που κυκλοφόρησε. Στη συνέχεια θα εξηγήσω πώς διαφέρει η εμφώλευση από τους παράλληλους υποπράκτορες, τι σημαίνει «βάθος 5» και ποια είναι τα τρία σενάρια όπου είναι πραγματικά χρήσιμη σήμερα.
## Πώς διαφέρουν οι εμφωλευμένοι υποπράκτορες από τους παράλληλους και τους διαδοχικούς;
Βασικό συμπέρασμα ενότητας
Αν έχεις μπερδευτεί, δεν είσαι μόνος. Ο παραλληλισμός, η αλυσίδα και η εμφώλευση είναι τρεις ανεξάρτητες τοπολογίες. Ο παραλληλισμός αφορά την ταχύτητα, η αλυσίδα τη διαμόρφωση της σειράς εκτέλεσης και η εμφώλευση κάτι εντελώς διαφορετικό: κρύβει τη θορυβώδη εργασία από το κύριο παράθυρο. Αν τα μπερδέψεις, θα κάψεις tokens μέσα σε λίγες ώρες και μετά δεν θα μπορείς να εντοπίσεις πού βρίσκεται το σφάλμα.
Πέρασα πολύ χρόνο δοκιμάζοντας χειροκίνητα αυτές τις τρεις προσεγγίσεις και τις σκέφτομαι ως εξής: η ανάθεση έχει τρεις διαστάσεις. Πλάτος, μήκος και βάθος. Η καθεμία λύνει διαφορετικό πρόβλημα.
**Πλάτος — παράλληλοι υποπράκτορες.** Η κύρια συνομιλία ξεκινά N ανεξάρτητους υποπράκτορες στο ίδιο επίπεδο. Ο καθένας παίρνει μια περιορισμένη εργασία, εργάζεται στο δικό του απομονωμένο παράθυρο και επιστρέφει μόνο το αποτέλεσμα. Το πλάτος λύνει το ζήτημα της ταχύτητας: 5 υποπράκτορες που εργάζονται παράλληλα ολοκληρώνουν σε όσο χρόνο χρειάζεται ένας για να κάνει την ίδια δουλειά διαδοχικά. Αυτό είναι το μοντέλο που παρουσίασα στον οδηγό μου [για παράλληλους υποπράκτορες με worktrees](https://ailoot.ai/blog/el/claude-code-parallel-worktree-agents/).
**Μήκος — αλυσίδα υποπρακτόρων.** Ο A εργάζεται, παραδίδει το αποτέλεσμα στον B, ο B εργάζεται και το παραδίδει στον C. Ο καθένας βλέπει την είσοδο του προηγούμενου. Το μήκος καθορίζει τη σειρά: ο B δεν μπορεί να ξεκινήσει πριν λάβει τα δεδομένα από τον A. Κλασικό παράδειγμα: πρώτα ένας ερευνητικός υποπράκτορας συγκεντρώνει πηγές, μετά ένας συντακτικός υποπράκτορας γράφει άρθρο με βάση αυτές τις πηγές και στη συνέχεια ένας υποπράκτορας ελέγχου γεγονότων ελέγχει το άρθρο. Είναι μια επίπεδη ακολουθία· η κύρια συνομιλία διατηρεί ολόκληρη την ιστορία.
**Βάθος — εμφωλευμένοι υποπράκτορες.** Ο A ξεκινά τον B, ο B ξεκινά τον C, ο C ξεκινά τον D. Κάθε παιδί εργάζεται μέσα στον γονέα του, στο δικό του απομονωμένο παράθυρο, και επιστρέφει στον γονέα του **μόνο το αποτέλεσμα**. Η κύρια συνομιλία δεν βλέπει τίποτα από όσα συμβαίνουν στα παιδιά, στα εγγόνια και στα δισέγγονα. Αυτό είναι το νέο στοιχείο στο v2.1.172.
Η βασική σύγχυση είναι ότι οι άνθρωποι νομίζουν πως βάθος 5 σημαίνει «μπορείς να ξεκινήσεις 5 υποπράκτορες ταυτόχρονα». Δεν ισχύει. Το βάθος είναι ένα κάθετο επίπεδο στο δέντρο, όχι ο αριθμός των παιδιών που εκτελούνται ταυτόχρονα. Σε κάθε επίπεδο μπορεί να υπάρχει ένας υποπράκτορας ή εκατό. Βάθος 5 σημαίνει ότι η αλυσίδα ανάθεσης μπορεί να κατέβει 5 βήματα: κύρια συνομιλία → εγγόνι-1 → εγγόνι-2 → εγγόνι-3 → εγγόνι-4 → εγγόνι-5. Και μπορεί να υπάρχουν διακλαδώσεις σε κάθε επίπεδο.
Η έκδοση 2.1.172 κατήργησε τον κανόνα που απαγόρευε σε έναν υποπράκτορα να δημιουργήσει άλλον υποπράκτορα.
Αν σε ενδιαφέρει η ταχύτητα, χρειάζεσαι πλάτος. Αν έχεις αυστηρή σειρά εκτέλεσης, χρειάζεσαι μήκος. Το βάθος είναι χρήσιμο σε μία ακριβώς περίπτωση: όταν μία από τις εργασίες σου περιλαμβάνει μια **θορυβώδη υποεργασία** (15 αιτήματα ιστού, περιήγηση σε αρχεία καταγραφής, ανάγνωση δώδεκα αρχείων) και δεν θέλεις αυτός ο θόρυβος να κατακλύσει το κύριο παράθυρό σου.
## Τι σημαίνει στην πράξη το «βάθος 5 επιπέδων»;
Βασικό συμπέρασμα ενότητας
Τα 5 επίπεδα είναι η μέγιστη κάθετη απόσταση από την κύρια συνομιλία μέχρι το πιο απομακρυσμένο δισέγγονο. Είναι όριο στην πλευρά του διακομιστή· δεν μπορείς να το αυξήσεις, να το μειώσεις ή να το απενεργοποιήσεις με μια σημαία. Και οι επίσημες πηγές εξακολουθούν να μην αναφέρουν αν η κύρια συνομιλία προσμετράται στα 5 επίπεδα.
Εδώ είναι σημαντικό να είμαι ειλικρινής. Πέρασα μισή μέρα μελετώντας την τεκμηρίωση και τις αναλύσεις της κοινότητας, για να διαπιστώσω ότι η Anthropic δεν έχει δώσει ακριβή ορισμό. Αυτά πρέπει να γνωρίζεις.
**Είναι όριο, όχι ρύθμιση.**
Το όριο είναι ενσωματωμένο στην πλευρά του διακομιστή. Η αντίστροφη μηχανική του πελάτη v2.1.172 δεν εντόπισε σταθερά `MAX_DEPTH`. Αυτό σημαίνει ότι ο έλεγχος γίνεται κάπου στο Anthropic API και όχι τοπικά στον υπολογιστή σου. Δεν μπορείς να ορίσεις `--max-depth 7` για να κάνεις το δέντρο βαθύτερο. Ούτε μπορείς να ορίσεις `--max-depth 2` για να καθορίσεις ένα χαμηλότερο, ασφαλέστερο όριο. Ο μόνος έλεγχος που έχεις είναι η λίστα επιτρεπόμενων `Agent(agent_type)` στο frontmatter — αλλά αυτή περιορίζει τους **τύπους** των παιδικών πρακτόρων, όχι το βάθος.
**Η Anthropic δεν έχει ορίσει με ακρίβεια τι σημαίνει το «5».** Αυτό είναι το δεύτερο σημαντικό σημείο:
Οι ενσωματώσεις τρίτων το ερμηνεύουν διαφορετικά προς το παρόν. Το ADR-147 στο έργο `ruvnet/ruflo` υποθέτει «5 παιδικά επίπεδα κάτω από τη ρίζα = 6 πράκτορες στην αλυσίδα». Χρησιμοποιώ την ίδια σύμβαση στα πειράματά μου: η κύρια συνομιλία είναι το επίπεδο 0, τα άμεσα παιδιά της είναι το επίπεδο 1 και ούτω καθεξής έως το επίπεδο 5. Όμως αυτό δεν καταγράφεται στη δημόσια τεκμηρίωση.
**Το όριο είναι ήδη ενεργοποιημένο, χωρίς σημαίες.** Δεν χρειάζεται να ενεργοποιήσεις τίποτα. Μετά την ενημέρωση του Claude Code σε v2.1.172, μπορείς να προσθέσεις το `Agent` στο `tools` ενός παιδικού πράκτορα, κι εκείνος θα ξεκινήσει άλλον υποπράκτορα. Το βασικό είναι ότι ο γονικός πράκτορας πρέπει να το επιτρέπει (`tools: Agent(...)`).
## Πού γίνεται σήμερα η ανάθεσή σου: σε πλάτος, μήκος ή βάθος;
Βασικό συμπέρασμα ενότητας
Σε πραγματικά έργα vibe coding βλέπω σχεδόν πάντα πλάτος και περιστασιακά μήκος. Οι άνθρωποι εφαρμόζουν το βάθος χειροκίνητα: ανοίγουν νέο παράθυρο, αντιγράφουν ένα prompt και επιστρέφουν με το αποτέλεσμα. Πριν από τις 9 Ιουνίου, αυτό δεν ήταν ενσωματωμένο. Γι’ αυτό οι περισσότεροι δεν συνειδητοποιούν καν ότι τους λείπει.
Δες τα τελευταία 5 prompt σου. Πόσο συχνά σου έχει συμβεί το εξής: ξεκινά μια εργασία, ο Claude αρχίζει να ψάχνει αρχεία, κάνει 10 αιτήματα ιστού, ρίχνει έναν ολόκληρο τοίχο αρχείων καταγραφής στο πλαίσιο — και 20 λεπτά αργότερα συνειδητοποιείς ότι το παράθυρο γέμισε. Η τελική απάντηση παράγεται ήδη με πενιχρό προϋπολογισμό token, επειδή το 70 τοις εκατό του πλαισίου καταναλώθηκε από ενδιάμεσα αποσπάσματα.
Αυτό είναι ένα σενάριο όπου χρειάζεσαι **βάθος**. Όχι παραλληλισμό, ούτε αλυσίδα — βάθος. Η κύρια συνομιλία πρέπει να αναθέσει την «έρευνα» σε έναν υποπράκτορα, ο οποίος στη συνέχεια ξεκινά τα δικά του παιδιά από μέσα για συγκεκριμένες αναζητήσεις ιστού, αναγνώσεις αρχείων και αναζητήσεις με grep. Τα παιδιά επιστρέφουν μόνο συμπυκνωμένες κρίσεις. Ένα δισέγγονο λέει στον γονέα του «το βρήκα, επιβεβαιώθηκε» ή «δεν το βρήκα, αιτία X». Ο γονέας τα συνθέτει σε μία περίληψη και την επιστρέφει σε εσένα. Η κύρια συνομιλία μένει καθαρή.
Πριν από τις 9 Ιουνίου, το μιμούνταν χειροκίνητα. Άνοιγα ένα δεύτερο στιγμιότυπο του Claude Code, αντέγραφα το prompt «ερεύνησέ το», το εκτελούσα και μετά μετέφερα χειροκίνητα το αποτέλεσμα στο κύριο παράθυρο. Περιέγραψα αυτή τη ρύθμιση αναλυτικά στον οδηγό μου για την ανάθεση εργασιών κώδικα σε πολλούς πράκτορες ΤΝ. Με το v2.1.172 μπορείς να την περιγράψεις απευθείας στο system prompt του ενορχηστρωτή — ο Claude θα δημιουργήσει μόνος του το δέντρο.
## Σε ποια 3 σενάρια είναι πραγματικά χρήσιμοι οι εμφωλευμένοι υποπράκτορες;
Βασικό συμπέρασμα ενότητας
Όχι για κάθε εργασία. Το βάθος δικαιολογείται όταν μια ανάθεση περιλαμβάνει θορυβώδη υποεργασία που δεν θέλεις στο κύριο παράθυρο. Θα καλύψω τρία χαρακτηριστικά σενάρια που εμφανίζονται συχνά μεταξύ των vibe coders: βαθιά έρευνα με έλεγχο γεγονότων, ανάλυση ενός μεγάλου αποθετηρίου και έλεγχο από άκρο σε άκρο των εξαρτήσεων που επηρεάζονται από αλλαγή σχήματος ή σύμβασης.
### Σενάριο 1. Βαθιά έρευνα με έλεγχο γεγονότων
Ας υποθέσουμε ότι συγκεντρώνεις υλικό για ένα άρθρο ή μια εμπορική πρόταση. Πρώτα πρέπει να αντλήσεις 5–10 ισχυρισμούς από δημόσιες πηγές και μετά να επαληθεύσεις τον καθένα — να βρεις την αρχική πηγή, να βεβαιωθείς ότι το απόσπασμα είναι ακριβές και να υπολογίσεις τα πραγματικά στοιχεία.
Πριν από το v2.1.172 είχες δύο επιλογές. Είτε τα έκανες όλα με έναν υποπράκτορα, ο οποίος περνούσε από 30 αιτήματα ιστού και γέμιζε το πλαίσιό του με τα πάντα, είτε τα χώριζες χειροκίνητα: ένα prompt για την εξαγωγή των ισχυρισμών και μετά έναν κύκλο πάνω στους ισχυρισμούς, ξεκινώντας ξεχωριστό υποπράκτορα για τον καθένα. Η κύρια συνομιλία γέμιζε με τοίχους από ενδιάμεσες λίστες.
Στην παρακάτω συνταγή, η κύρια συνομιλία αναθέτει στο `research-orchestrator` (επίπεδο 1). Ο orchestrator εξάγει μόνος του ισχυρισμούς, στέλνει καθέναν στο `fact-verifier` (επίπεδο 2) και κάθε verifier αναθέτει εστιασμένες αναζητήσεις στο `web-deep-search` (επίπεδο 3). Η κύρια συνομιλία λαμβάνει μόνο έναν πίνακα επαληθευμένων ισχυρισμών με πηγές. Όλα τα υπόλοιπα μένουν στα παιδικά παράθυρα και δεν μπαίνουν ποτέ στο πλαίσιό σου.
### Σενάριο 2. Ανάλυση ενός μεγάλου αποθετηρίου
Σου ανέθεσαν ένα έργο με 200 αρχεία. Πρέπει να κατανοήσεις την αρχιτεκτονική, να βρεις τις βασικές μονάδες και να αξιολογήσεις το τεχνικό χρέος. Εκτέλεσε χειροκίνητα `Glob` και καμιά δωδεκαριά κλήσεις `Read` και θα γεμίσεις το παράθυρο σε 10 λεπτά.
Το βάθος το λύνει ως εξής: η κύρια συνομιλία ξεκινά έναν υποπράκτορα «architect». Ο architect δημιουργεί εσωτερικά τρία παιδιά — το ένα εξετάζει τη δομή καταλόγων (εκτελεί `Glob` και συνοψίζει), το δεύτερο διαβάζει 5 βασικά αρχεία ρυθμίσεων και το τρίτο αναζητά τα κύρια μοτίβα με grep. Το καθένα επιστρέφει μια συνοπτική σύνοψη στον architect. Ο architect συνθέτει την εικόνα και δίνει στην κύρια συνομιλία μια τελική αναφορά μισής οθόνης. Αποκτάς έναν χάρτη του έργου χωρίς να κατακλύσεις το πλαίσιο με έναν τοίχο εξόδου `cat` από όλα τα αρχεία.
### Σενάριο 3. Ανάλυση εξαρτήσεων από άκρο σε άκρο
Αλλάζεις ένα σχήμα βάσης δεδομένων, μια σύμβαση API ή ένα κοινόχρηστο αρχείο ρυθμίσεων. Πρέπει να καταλάβεις πού θα εμφανιστούν οι επιπτώσεις. Αυτή η εργασία εξαντλεί το πλαίσιο ταχύτερα, επειδή υπάρχουν πολλές εξαρτήσεις και καθεμία πρέπει να ελεγχθεί στον πηγαίο κώδικα.
Με το βάθος, η κύρια συνομιλία ξεκινά έναν «impact-analyzer» (επίπεδο 1). Αυτός ξεκινά ένα `dependency-tracer` για κάθε επηρεαζόμενο αρχείο (επίπεδο 2). Κάθε tracer ξεκινά εσωτερικά έναν `consumer-finder` (επίπεδο 3), ο οποίος αναζητά με grep στη βάση κώδικα τους καταναλωτές αυτής της εξάρτησης. Καθένας επιστρέφει μόνο την ουσία: «αυτά τα τρία σημεία θα χαλάσουν». Η κύρια συνομιλία συνθέτει έναν πίνακα «επηρεαζόμενα αρχεία → επίπτωση» χωρίς να γνωρίζει τα αποτελέσματα του grep.
## Πώς να ρυθμίσεις εμφωλευμένους υποπράκτορες σε 10 λεπτά
Βασικό συμπέρασμα ενότητας
Δεν χρειάζονται σημαίες ή ενημερώσεις ρυθμίσεων. Απλώς πρόσθεσε το `Agent` στο `tools` ενός παιδικού πράκτορα και θα μπορεί να ξεκινά τους δικούς του υποπράκτορες. Για να μην καταντήσει το δέντρο καζίνο, χρησιμοποίησε τη λίστα επιτρεπόμενων `Agent(name1, name2)`. Παρακάτω θα σου δώσω ένα έτοιμο πρότυπο ενορχηστρωτή τριών επιπέδων για αντιγραφή.
**Βήμα 1. Βεβαιώσου ότι χρησιμοποιείς την έκδοση v2.1.172 ή νεότερη.**
```bash
claude --version
```
Αν είναι παλαιότερη, κάνε ενημέρωση. Η κύρια λειτουργία της έκδοσης περιγράφεται σε μία γραμμή στο αρχείο αλλαγών: «Οι υποπράκτορες μπορούν πλέον να δημιουργούν τους δικούς τους υποπράκτορες, έως και 5 επίπεδα βάθος» ([πλήρες κείμενο](https://github.com/anthropics/claude-code/releases/tag/v2.1.172)).
**Βήμα 2. Δημιούργησε έναν γονικό πράκτορα που μπορεί να ξεκινά παιδιά.**
Αρχείο `.claude/agents/research-orchestrator.md`:
```markdown
---
name: research-orchestrator
description: Αναθέτει έρευνα με εις βάθος έλεγχο γεγονότων
tools: Agent(fact-verifier), Read, WebFetch
model: opus
---
Είσαι ενορχηστρωτής έρευνας. Όταν λάβεις ένα θέμα:
1. Διάβασε το παρεχόμενο υλικό ή ανάκτησε τα δοθέντα URL δημόσιων πηγών.
Εξήγαγε ο ίδιος έως 5 συγκεκριμένους ισχυρισμούς. Για καθέναν, κατέγραψε το κείμενο,
το URL πηγής ή αρχείο και το ακριβές υποστηρικτικό απόσπασμα.
Αν δεν δόθηκε υλικό πηγών, ζήτησέ το πριν αναθέσεις.
2. Για κάθε ισχυρισμό κάλεσε το fact-verifier — αυτός δημιουργεί μόνος του
τους δικούς του παιδικούς υποπράκτορες για αναζήτηση και διασταύρωση στον ιστό.
3. Το fact-verifier θα σου επιστρέψει μόνο τις τελικές κρίσεις —
μην φορτώσεις ενδιάμεσα αποσπάσματα στο πλαίσιό σου.
Η τελική αναφορά να είναι μόνο ένας πίνακας { claim, sources[], confidence }.
```
Η γραμμή `tools` παραχωρεί μόνο τον παιδικό τύπο `fact-verifier`. Η εξαγωγή ισχυρισμών είναι το πρώτο βήμα του ίδιου του orchestrator, οπότε δεν χρειάζεται απροσδιόριστο αρχείο `claim-extractor`. Μια λίστα τύπων περιορίζει ποιο παιδί μπορεί να κληθεί· δεν περιορίζει πόσες φορές εκκινείται εκείνος ο τύπος. Κράτησε τη συνταγή οριοθετημένη σε έως πέντε εξαγόμενους ισχυρισμούς.
**Βήμα 3. Δημιούργησε έναν παιδικό πράκτορα που μπορεί να δημιουργεί ο ίδιος εγγόνια.**
Αρχείο `.claude/agents/fact-verifier.md`:
```markdown
---
name: fact-verifier
description: Επαληθεύει ισχυρισμούς μέσω παιδικών αναζητήσεων στον ιστό
tools: Agent(web-deep-search), Read
model: sonnet
---
Είσαι ελεγκτής γεγονότων. Όταν λάβεις έναν ισχυρισμό:
1. Διατύπωσε 2-3 ερωτήματα αναζήτησης.
2. Για καθένα ξεκίνα το web-deep-search — αυτό θα εκτελέσει μόνο του
WebSearch και WebFetch και θα επιστρέψει επαληθευμένα αποσπάσματα.
3. Σύνθεσε μία ενιαία κρίση: { claim, sources[], confidence }.
```
Βλέπεις το βασικό σημείο; Το `tools` λέει πάλι `Agent(web-deep-search)`. Αυτό σημαίνει ότι ο ελεγκτής γεγονότων (επίπεδο 2 στο δέντρο μας) μπορεί να ξεκινήσει μόνος του άλλον υποπράκτορα (επίπεδο 3). Προηγουμένως, αυτή η γραμμή δεν είχε αποτέλεσμα — η τεκμηρίωση εξακολουθεί να περιέχει τη φράση:
Οι υποπράκτορες δεν μπορούν να δημιουργήσουν άλλους υποπράκτορες, επομένως το Agent(agent_type) δεν λειτουργεί σε ορισμούς υποπρακτόρων.
— Τεκμηρίωση Claude Code, https://code.claude.com/docs/en/sub-agents
Με το v2.1.172, αυτή η γραμμή είναι παρωχημένη. Η σύνταξη είναι η ίδια, αλλά τώρα λειτουργεί σε οποιοδήποτε βάθος του δέντρου.
**Βήμα 4. Δημιούργησε ένα δισέγγονο.**
Αρχείο `.claude/agents/web-deep-search.md`:
```markdown
---
name: web-deep-search
description: Εκτελεί αναζήτηση στον ιστό και επιστρέφει αποσπάσματα
tools: WebSearch, WebFetch
model: haiku
---
Έλαβες ένα ερώτημα αναζήτησης. Εκτέλεσε WebSearch, επίλεξε τα 3 πιο
σχετικά URL και με το WebFetch εξήγαγε αυτούσιες επιβεβαιώσεις του
ισχυρισμού. Επέστρεψε έναν πίνακα { url, snippet, supports_claim: yes|no }.
```
Το δισέγγονο δεν έχει `Agent` στο `tools`, άρα δεν δημιουργεί περαιτέρω κλαδιά στο δέντρο.
**Βήμα 5. Εκτέλεσε τον ενορχηστρωτή.**
```bash
claude --agent research-orchestrator
```
Έπειτα δώσε στη συνομιλία κείμενο πηγών ή δημόσια URL: «Εξήγαγε και επαλήθευσε έως 5 συγκεκριμένους ισχυρισμούς από αυτές τις πηγές· επίστρεψε ισχυρισμούς, πηγές και βαθμό βεβαιότητας». Με `--agent research-orchestrator`, η ίδια η συνεδρία είναι ο orchestrator· τα παιδιά verifier και αναζήτησης προσθέτουν δύο επίπεδα ανάθεσης κάτω από αυτήν. Αν μια συνηθισμένη κύρια συνεδρία αναθέσει σε αυτόν τον orchestrator, υπάρχουν τρία επίπεδα ανάθεσης κάτω από εκείνη την κύρια συνεδρία.
## Ποια 5 αντιμοτίβα σπαταλούν tokens και καταστρέφουν την παρατηρησιμότητα;
Βασικό συμπέρασμα ενότητας
Το βάθος κοστίζει. Κάθε επίπεδο πολλαπλασιάζει τα tokens και αυτός ο πολλαπλασιασμός συσσωρεύεται. Ακολουθούν πέντε σενάρια στα οποία η εμφώλευση σε βλάπτει. Μην το κάνεις — αλλιώς θα εξαντλήσεις το ημερήσιο όριό σου μέσα σε μία ώρα και θα χάσεις τον εντοπισμό του σφάλματος τέσσερα επίπεδα πιο κάτω στο δέντρο.
**Αντιμοτίβο 1. Η εργασία χωρά σε ένα παράθυρο.**
Αν ένας υποπράκτορας μπορεί να την αναλάβει χωρίς θόρυβο, μην προσθέτεις επίπεδα: η εμφώλευση προσθέτει κόστος και καθυστέρηση χωρίς κανένα όφελος.
**Αντιμοτίβο 2. Θέλεις ταχύτητα αντί για απομόνωση.**
Αν θέλεις ταχύτητα, χρειάζεσαι **παραλληλισμό**, όχι βάθος. Ξεκίνα 5 υποπράκτορες δίπλα δίπλα στο ίδιο επίπεδο αντί να χτίσεις αλυσίδα. Το βάθος υπάρχει για να μεταφέρει τη θορυβώδη προπαρασκευαστική εργασία σε παιδικό παράθυρο, όχι για να επιταχύνει τη δουλειά.
**Αντιμοτίβο 3. Η εργασία είναι εκ φύσεως ρηχή.**
«Βρες αυτό το αρχείο και δείξ’ το μου» είναι **αίτημα δύο βημάτων**· δεν χρειάζεται ιεραρχία τριών επιπέδων. Η εμφώλευση αξίζει όταν μια εργασία περιέχει θορυβώδη υποεργασία. Αν δεν υπάρχει θόρυβος, μην προσθέτεις υποπράκτορες.
**Αντιμοτίβο 4. Ασαφή prompt στο πρώτο επίπεδο.**
Αυτό είναι το πιο επικίνδυνο σενάριο. Αν δώσεις ασαφές prompt στον ενορχηστρωτή του επιπέδου 1, η ασάφεια πολλαπλασιάζεται. Ένα ασαφές prompt επιπέδου 1 γίνεται 4 ασαφή prompt στο επίπεδο 2 και 16 στο επίπεδο 3. Όταν αρχίσουν να δουλεύουν τα εγγόνια, δεν θα ξέρουν καν τι ψάχνουν.
**Αντιμοτίβο 5. Γεωμετρική αύξηση κόστους.**
Το βασικό οικονομικό επιχείρημα: η εμφώλευση πολλαπλασιάζει τη χρήση tokens και ο πολλαπλασιασμός συσσωρεύεται όσο αυξάνεται το βάθος.
Ένας πρόχειρος υπολογισμός: μια αλυσίδα βάθους 3 με διακλάδωση 3 σε κάθε επίπεδο σημαίνει 27 υποπράκτορες. Αυτό είναι τουλάχιστον 27 φορές περισσότερα tokens από ένα απλό αίτημα. Στο πρόγραμμα Pro του Claude, αυτός ο υπολογισμός εξαντλεί το ημερήσιο όριο μέσα σε λίγες ώρες. Αν έχεις πρόγραμμα Max, θα εξαντλήσεις το εβδομαδιαίο όριο σε μία ημέρα.
**Μπόνους αντιμοτίβο (από την εμπειρία μου): «50 πράκτορες κάνουν άσκοπη δουλειά».**
Όταν κοιτάζω έργα άλλων, το βλέπω συχνά: «Έχω 50 πράκτορες που δουλεύουν». Ρωτάω, τι κάνουν; Και αυτοί οι 50 πράκτορες **κάνουν άσκοπη δουλειά**. Παράγουν σωρούς περιττών αποτελεσμάτων, τόνους ακατέργαστων συνόψεων, διπλότυπα και τοίχους αρχείων καταγραφής. Ο καθένας κάνει κάτι «γενικά χρήσιμο» και το αποτέλεσμα είναι ένα πλαίσιο που πνίγεται και ένας λογαριασμός token σαν μικρής εταιρείας. Το βάθος 5 δεν λύνει αυτό το πρόβλημα — **το κάνει χειρότερο**. Αν ήδη δεν είναι σαφές στο επίπεδο 1 ποιος κάνει τι, το βάθος 5 σημαίνει πέντε επίπεδα σύγχυσης.
Πριν ξεκινήσεις οποιονδήποτε υποπράκτορα, απάντησε σε 4 ερωτήσεις μέσα σε μισό λεπτό:
- Τι ακριβώς κάνει (σε μία πρόταση);
- Ποια αρχεία αγγίζει;
- Τι επιστρέφει στον γονέα του;
- Ποιος το ελέγχει;
Αν δεν μπορείς να απαντήσεις μέσα σε 30 δευτερόλεπτα, αυτός ο υποπράκτορας δεν θα έπρεπε να υπάρχει. Εξήγησα αυτόν τον κανόνα ξεχωριστά στον οδηγό μου [για τους παράλληλους υποπράκτορες](https://ailoot.ai/blog/el/claude-code-parallel-worktree-agents/).
## Γιατί η εμφώλευση χωρίς μηχανική πλαισίου σημαίνει 5 επίπεδα παραισθήσεων;
Βασικό συμπέρασμα ενότητας
Η κύρια παγίδα βαθιάς ανάθεσης είναι το ελλιπές context εργασίας. Ένα παιδί δεν λαμβάνει αυτόματα την πλήρη συνομιλία του γονέα ή κάθε αρχείο που διάβασε εκείνος. Τα προσαρμοσμένα subagents συνήθως φορτώνουν εφαρμοστέες οδηγίες CLAUDE.md εκτός αν ρυθμιστούν να τις παραλείπουν· αυτό δεν φορτώνει αυτόματα όλα τα συνδεδεμένα επιχειρηματικά αρχεία. Παράδωσε ακριβές υλικό πηγών, διαδρομές και σύμβαση αποτελέσματος σε κάθε ανάθεση. Αν το έργο σου δεν έχει σωστή δομή πλαισίου, όσο βαθύτερο είναι το δέντρο τόσο περισσότερο απομακρύνεται κάθε εγγόνι από την πραγματικότητα. Παίρνεις 5 ορόφους παραισθήσεων, έναν σε κάθε επίπεδο.
Εδώ είναι που συχνά ρωτούν: «Ενημέρωσα το Claude Code, πρόσθεσα το Agent στα εργαλεία και το δέντρο δημιουργείται — γιατί η τελική απάντηση εξακολουθεί να είναι λανθασμένη;»
Η απάντηση είναι απλή. Κάθε υποπράκτορας στο Claude Code ξεκινά **από την αρχή**. Σύμφωνα με την επίσημη τεκμηρίωση:
Κάθε υποπράκτορας ξεκινά σε ένα νέο, απομονωμένο παράθυρο. Δεν μπορεί να δει το ιστορικό της συνομιλίας, τις δεξιότητες που έχεις ήδη καλέσει ή τα αρχεία που έχει ήδη διαβάσει ο Claude.
— Τεκμηρίωση Claude Code, https://code.claude.com/docs/en/sub-agents
Στο επίπεδο 1 αυτό είναι διαχειρίσιμο: ο ενορχηστρωτής περνά στο παιδί του μια σύντομη περιγραφή εργασίας. Στο επίπεδο 3, όμως, το δισέγγονο λαμβάνει μήνυμα ανάθεσης από τον γονέα του, ο οποίος είχε επίσης μόνο ένα μήνυμα ανάθεσης. Ο καθένας πέρασε λίγες πληροφορίες παρακάτω. Στο επίπεδο 5 έχεις έναν υποπράκτορα του οποίου το παράθυρο περιέχει τη φράση «έλεγξε τον ισχυρισμό X» και τίποτε άλλο. Δεν γνωρίζει σε ποιο έργο εργάζεται, ποια εργασία επιλύει ή σε τι πρέπει να εστιάσει.
Χωρίς το [CLAUDE.md](https://ailoot.ai/blog/el/claude-md-template/), ένα δισέγγονο πέμπτου επιπέδου μοιάζει με υπάλληλο που εμφανίζεται στο γραφείο για πρώτη φορά στη ζωή του χωρίς καμία ενημέρωση προσανατολισμού. Θα κάνει κάτι επειδή έλαβε μια εργασία. Αλλά δεν θα είναι αυτό που χρειάζεται το έργο.
**Γι’ αυτό η ρύθμιση είναι απαραίτητη.** Βάθος 5 χωρίς σωστά ρυθμισμένα `CLAUDE.md`, `business/` και ροή δεξιοτήτων είναι καζίνο. Με αυτά, γίνεται εργαλείο.
## Τι άλλο άλλαξε στο v2.1.172 εκτός από την εμφώλευση;
Βασικό συμπέρασμα ενότητας
Η έκδοση αφορά εξ ολοκλήρου τους υποπράκτορες. Μαζί με την κύρια λειτουργία, περιλαμβάνει 4 διορθώσεις στην υποδομή ανάθεσης. Μία από αυτές διορθώνει ένα σφάλμα που μπορεί να προκύψει μόνο με την εμφώλευση.
Άνοιξε ολόκληρο το αρχείο αλλαγών του v2.1.172 και θα δεις ότι όλη η έκδοση αφορά υποπράκτορες.
**Διόρθωση 1.** Ένας υποπράκτορας στο παρασκήνιο δεν παραμένει πλέον «κολλημένος» ως ενεργός στον πίνακα πρακτόρων αφού σταματήσει ο εμφωλευμένος υποπράκτορας που ξεκίνησε. Αυτό το σφάλμα μπορεί να προκύψει μόνο με την εμφώλευση.
**Διόρθωση 2.** Οι περιορισμοί `availableModels` ισχύουν πλέον και για τους υποπράκτορες. Προηγουμένως, αν περιόριζες τα μοντέλα που μπορούσε να χρησιμοποιήσει η ομάδα (για παράδειγμα, απαγορεύοντας το opus για εξοικονόμηση χρημάτων), οι υποπράκτορες μπορούσαν να παρακάμψουν τον κανόνα με μια παράκαμψη στη δική τους ρύθμιση. Με το v2.1.172, ο κανόνας ισχύει παντού.
**Διόρθωση 3.** Το επάνω βέλος στο ιστορικό των prompt εμφανίζει πλέον prompt από την **τρέχουσα** καρτέλα του υποπράκτορα και όχι του κύριου πράκτορα. Μια βελτίωση στην παρατηρησιμότητα.
**Διόρθωση 4.** Η χρήση CPU σε αδράνεια μειώθηκε: η ένδειξη `/goal` δεν επανασχεδιάζει πλέον το τερματικό με συχνότητα 5 Hz όταν βρίσκεται σε αδράνεια και το περιβάλλον χρήστη επανασχεδιάζεται λιγότερο συχνά όταν εργάζονται παράλληλοι υποπράκτορες.
Θα επισημάνω ότι και οι τέσσερις διορθώσεις αφορούν υποπράκτορες. Αυτό σημαίνει ότι η Anthropic κυκλοφόρησε ολόκληρη τη στοίβα υποδομής για την εμφώλευση και όχι απλώς μία γραμμή στο αρχείο αλλαγών. Η εμφώλευση χρησιμοποιούνταν ήδη εσωτερικά στην Anthropic για κάποιο διάστημα πριν από τη δημοσίευση.
## Λίστα ελέγχου: πότε βοηθά και πότε βλάπτει η εμφώλευση
Βασικό συμπέρασμα ενότητας
Πριν από κάθε νέα εκκίνηση υποπράκτορα, έλεγξε την εργασία με 6 κριτήρια. Αν τουλάχιστον 3 απαντήσεις είναι «ναι, χρησιμοποίησε βάθος», κάν’ το. Αν είναι λιγότερες, προτίμησε τον παραλληλισμό ή έναν μόνο υποπράκτορα. Έτσι θα εξοικονομήσεις tokens, νεύρα και μερικές ώρες που θα περνούσες προσπαθώντας να καταλάβεις τι έκανε μια αλυσίδα 27 εμφωλευμένων εκκινήσεων.
Χρησιμοποίησε εμφώλευση αν:
- Η εργασία περιλαμβάνει μια υποεργασία με μεγάλο όγκο αιτημάτων ιστού, αναζητήσεων με grep ή αναγνώσεων αρχείων.
- Είναι αποδεκτό να χάσεις αυτή την υποεργασία (αν το δισέγγονο επιστρέψει «δεν βρήκα τίποτα», ο ενορχηστρωτής μπορεί να συνεχίσει).
- **Δεν χρειάζεσαι** ενδιάμεσα αποτελέσματα στο κύριο παράθυρο.
- Έχεις `CLAUDE.md` και συγκεντρωμένο πλαίσιο έργου στο οποίο μπορεί να βασιστεί ο υποπράκτορας.
- Μπορείς να περιγράψεις ξεκάθαρα τι θα επιστρέφει κάθε επίπεδο (είσοδος, έξοδος, μορφή).
- Έχεις πρόγραμμα Max ή διαθέτεις περιθώριο για ×27 tokens.
Μην χρησιμοποιείς εμφώλευση αν:
- Ένας υποπράκτορας μπορεί να λύσει την εργασία χωρίς θόρυβο.
- Χρειάζεσαι ενδιάμεσα αποτελέσματα στο κύριο παράθυρο (αυτό σημαίνει ότι θέλεις παραλληλισμό).
- Το έργο δεν έχει CLAUDE.md ή διαθέτει ελάχιστο επιχειρηματικό πλαίσιο.
- Τα prompt επιπέδου 1 είναι ασαφή (η ασάφεια θα πολλαπλασιαστεί εκθετικά στο δέντρο).
- Χρειάζεσαι ταχύτητα — για συγκρίσιμο αποτέλεσμα ο παραλληλισμός είναι ταχύτερος από το βάθος.
- Έχεις πρόγραμμα Pro και εργάζεσαι όλη μέρα — θα εξαντλήσεις το όριο μέσα σε λίγες ώρες.
### Πηγές
- [Κυκλοφορία Claude Code v2.1.172 - GitHub Releases](https://github.com/anthropics/claude-code/releases/tag/v2.1.172)
- [Δημιουργία προσαρμοσμένων υποπρακτόρων - Τεκμηρίωση Claude Code](https://code.claude.com/docs/en/sub-agents)
Περισσότερο υλικό είναι διαθέσιμο στο [Ailoot](https://ailoot.ai/).
## Ερωτήσεις και απαντήσεις: Πώς να αναθέσετε μια μεγάλη εργασία στο Claude Code χρησιμοποιώντας εμφωλευμένους υποπράκτορες
### Πρέπει να δημιουργήσω claim-extractor για την αντιγραμμένη συνταγή;
Όχι. Το διορθωμένο research-orchestrator εξάγει μόνο του έως πέντε ισχυρισμούς από παρεχόμενο υλικό. Δημιούργησε τα τρία εμφανιζόμενα αρχεία research-orchestrator, fact-verifier και web-deep-search και μετά δώσε κείμενο πηγών ή URL.
### Η άδεια μόνο για fact-verifier περιορίζει τον αριθμό εκκινήσεων παιδιών;
Όχι. Η λίστα τύπων agent περιορίζει ποιος τύπος μπορεί να κληθεί, όχι πόσες κλήσεις γίνονται. Η συνταγή οριοθετεί χωριστά την αρχική εξαγωγή σε πέντε ισχυρισμούς· παρακολούθησε πραγματικές κλήσεις και χρήση tokens.
## Ailoot · Η εταιρεία και το χαρτοφυλάκιο έργων της
Η Ailoot στηρίζεται στη συσσωρευμένη λειτουργική εμπειρία, τη μεγάλη πελατειακή βάση, τη σταθερή εξυπηρέτηση και τον συνεχή έλεγχο KPI.
Η εταιρεία και το χαρτοφυλάκιο έργων της: εκατομμύρια πελάτες· μηνιαίες πωλήσεις δισεκατομμυρίων.
Η Ailoot αξιοποιεί αυτή τη λειτουργική εμπειρία για πρόσβαση μέσω API σε λειτουργίες AI στα προϊόντα, τους πράκτορες, τις εφαρμογές και τους αυτοματισμούς των πελατών.