Claude Code: delegowanie zadań zagnieżdżonym podagentom

Co się zmieniło w Claude Code v2.1.172?#

Jeśli w ciągu ostatnich kilku miesięcy czytałeś cokolwiek o agentach AI w Claude Code, z pewnością natknąłeś się na to samo zdanie. Pojawia się w oficjalnej dokumentacji, w moim przewodniku o agentach podrzędnych i w analizach konkurencji. Brzmi ono: „agent podrzędny nie może uruchamiać kolejnego agenta podrzędnego”. Według stanu na 11 czerwca 2026 r. to zdanie nadal znajduje się w trzech miejscach na stronie code.claude.com/docs/en/sub-agents. Anthropic po prostu jeszcze go nie zaktualizowało.

10 czerwca o 20:44 UTC Claude Code v2.1.172 pojawił się w GitHub Releases. Główny wpis w dzienniku zmian składał się z jednego zdania:

To samo wydanie naprawiło też błąd, który mógł wystąpić wyłącznie przy zagnieżdżaniu: agent podrzędny działający w tle pozostawał oznaczony jako aktywny w panelu agentów, mimo że uruchomiony przez niego zagnieżdżony agent podrzędny został już zatrzymany.

To rzadki przypadek, w którym oficjalna dokumentacja nadal jest sprzeczna z wydaną wersją. Za chwilę wyjaśnię, czym zagnieżdżanie różni się od agentów podrzędnych działających równolegle, co oznacza „głębokość 5” i w jakich trzech sytuacjach ta funkcja rzeczywiście przydaje się już dziś.

Czym zagnieżdżone agenty podrzędne różnią się od równoległych i sekwencyjnych?#

Długo ręcznie testowałem te trzy podejścia. Oto jak je rozumiem: delegowanie ma trzy wymiary — szerokość, długość i głębokość. Każdy rozwiązuje inny problem.

Szerokość — agenty podrzędne działające równolegle. Główny czat uruchamia N niezależnych agentów podrzędnych na tym samym poziomie. Każdy dostaje wąsko określone zadanie, pracuje we własnym, odizolowanym oknie i zwraca wyłącznie wynik. Szerokość rozwiązuje problem szybkości: 5 agentów pracujących równolegle kończy w czasie, którego jeden agent potrzebowałby na wykonanie tej samej pracy sekwencyjnie. Ten model opisałem w przewodniku o równoległych agentach podrzędnych wykorzystujących worktree.

Długość — łańcuch agentów podrzędnych. A pracuje, przekazuje wynik B, B pracuje i przekazuje wynik C. Każdy widzi dane wejściowe od poprzednika. Długość ustala kolejność: B nie może zacząć, dopóki nie otrzyma danych od A. Klasyczny przykład: najpierw agent podrzędny ds. badań zbiera źródła, potem agent podrzędny ds. redakcji pisze na ich podstawie artykuł, a na końcu agent podrzędny ds. weryfikacji faktów sprawdza artykuł. To płaska sekwencja; główny czat zachowuje całą historię procesu.

Głębokość — zagnieżdżone agenty podrzędne. A uruchamia B, B uruchamia C, C uruchamia D. Każde dziecko pracuje wewnątrz swojego rodzica, we własnym odizolowanym oknie, i zwraca rodzicowi wyłącznie wynik. Główny czat nie widzi niczego, co dzieje się u dzieci, wnuków i prawnuków. To nowość w v2.1.172.

Najczęstsze nieporozumienie polega na tym, że ludzie myślą, iż głębokość 5 oznacza „możesz uruchomić jednocześnie 5 agentów podrzędnych”. To nieprawda. Głębokość to poziom pionowy w drzewie, a nie liczba jednocześnie uruchomionych dzieci. Na każdym poziomie może być jeden agent podrzędny albo sto. Głębokość 5 oznacza, że łańcuch delegowania może schodzić 5 kroków w dół: główny czat → prawnuk-1 → prawnuk-2 → prawnuk-3 → prawnuk-4 → prawnuk-5. Na każdym poziomie mogą też pojawiać się rozgałęzienia.

Wersja 2.1.172 usunęła regułę, zgodnie z którą agent podrzędny nie mógł uruchomić kolejnego agenta podrzędnego.

Jeśli zależy ci na szybkości, potrzebujesz szerokości. Jeśli masz ścisłą kolejność wykonywania, potrzebujesz długości. Głębokość przydaje się w jednym konkretnym przypadku: gdy jedno z zadań zawiera hałaśliwe podzadanie (15 zapytań do sieci, przeszukiwanie logów, czytanie kilkunastu plików), a ty nie chcesz, by ten szum zalewał główne okno.

Co w praktyce oznacza „głębokość 5 poziomów”?#

Ważna uwaga dotycząca uczciwości. Poświęciłem pół dnia na dokumentację i analizy społeczności, by odkryć, że Anthropic nie podało precyzyjnej definicji. Oto, co warto wiedzieć.

To limit, a nie ustawienie.

Limit jest wbudowany po stronie serwera. Inżynieria wsteczna klienta v2.1.172 nie wykazała obecności stałej MAX_DEPTH. Oznacza to, że sprawdzanie odbywa się gdzieś w API Anthropic, a nie lokalnie na twoim komputerze. Nie możesz ustawić --max-depth 7, by pogłębić drzewo. Nie możesz też ustawić --max-depth 2, by ustanowić niższy i bezpieczniejszy limit. Jedyne, co możesz kontrolować, to lista dozwolonych Agent(agent_type) w frontmatter — ogranicza ona jednak typy agentów podrzędnych, a nie głębokość.

Anthropic nie zdefiniowało dokładnie, co oznacza „5”. To druga ważna kwestia:

Anthropic nie określiło precyzyjnie, co oznacza „5”. Oficjalne źródła nie precyzują, czy depth=5 oznacza pięć poziomów poniżej korzenia, czy pięciu agentów łącznie z korzeniem.

Integracje innych firm na razie interpretują to różnie. ADR-147 w projekcie ruvnet/ruflo zakłada „5 poziomów dzieci poniżej korzenia = 6 agentów w łańcuchu”. W moich eksperymentach stosuję tę samą konwencję: główny czat to poziom 0, jego bezpośrednie dzieci to poziom 1 i tak dalej, aż do poziomu 5. Nie zostało to jednak zapisane w publicznej dokumentacji.

Limit jest już włączony i nie wymaga flag. Nie musisz niczego aktywować. Po aktualizacji Claude Code do v2.1.172 możesz dodać Agent do tools agenta podrzędnego, a ten uruchomi kolejnego agenta podrzędnego. Kluczowe jest to, że agent nadrzędny musi na to zezwalać (tools: Agent(...)).

Jak dziś delegujesz zadania: szerokością, długością czy głębokością?#

Przejrzyj 5 ostatnich promptów. Jak często zdarza ci się coś takiego: zaczyna się zadanie, Claude przeszukuje pliki przez grep, wykonuje 10 zapytań do sieci, wrzuca całą ścianę logów do kontekstu — a 20 minut później orientujesz się, że okno jest pełne. Ostateczna odpowiedź działa już przy skromnym budżecie tokenów, bo 70 procent kontekstu pochłonęły pośrednie zrzuty.

Właśnie wtedy potrzebujesz głębokości. Nie równoległości ani łańcucha — głębokości. Główny czat powinien zlecić „badania” jednemu agentowi podrzędnemu, który następnie uruchamia własne dzieci do konkretnych wyszukiwań w sieci, odczytów plików i grepów. Dzieci zwracają wyłącznie wyselekcjonowane wnioski. Prawnuk mówi rodzicowi: „znaleziono, potwierdzono” albo „nie znaleziono, powód X”. Rodzic składa z tego jedno podsumowanie i przekazuje je tobie. Główny czat pozostaje uporządkowany.

Przed 9 czerwca naśladowałem ten proces ręcznie. Otwierałem drugą instancję Claude Code, kopiowałem prompt „zbadaj to”, uruchamiałem go, a potem ręcznie przenosiłem wynik z powrotem do głównego okna. Szczegółowo opisałem tę konfigurację w przewodniku o delegowaniu kodowania wielu agentom AI. W v2.1.172 możesz opisać ją bezpośrednio w prompcie systemowym orkiestratora — Claude sam zbuduje drzewo.

W jakich 3 sytuacjach zagnieżdżone agenty podrzędne są naprawdę przydatne?#

Scenariusz 1. Pogłębione badania z weryfikacją faktów

Załóżmy, że zbierasz materiały do artykułu lub oferty sprzedażowej. Najpierw trzeba znaleźć 5–10 twierdzeń w publicznych źródłach, a następnie zweryfikować każde z nich — znaleźć źródło pierwotne, sprawdzić dokładność cytatu i obliczyć rzeczywiste wartości.

Przed v2.1.172 były dwie możliwości. Można było zlecić wszystko jednemu agentowi podrzędnemu, który mozolnie wykonałby 30 zapytań do sieci, wypełniając swój kontekst. Albo można było ręcznie podzielić pracę: jeden prompt do wyodrębnienia twierdzeń, a potem pętla obejmująca każde twierdzenie i uruchamiająca osobnego agenta podrzędnego. Główny czat zapełniałby się ścianami pośrednich list.

W poniższej recepcie główny czat deleguje do research-orchestrator (poziom 1). Orkiestrator sam wyodrębnia twierdzenia, wysyła każde do fact-verifier (poziom 2), a każdy weryfikator deleguje ukierunkowane wyszukiwania do web-deep-search (poziom 3). Główny czat otrzymuje wyłącznie tablicę zweryfikowanych twierdzeń wraz ze źródłami. Reszta pozostaje w oknach agentów podrzędnych i nigdy nie trafia do twojego kontekstu.

Scenariusz 2. Analiza dużego repozytorium

Dostajesz projekt z 200 plikami. Musisz zrozumieć architekturę, znaleźć główne moduły i ocenić dług techniczny. Ręczne uruchomienie Glob oraz kilkunastu wywołań Read zapełni okno w 10 minut.

Głębokość rozwiązuje to tak: główny czat uruchamia agenta podrzędnego „architect”. Architect tworzy wewnętrznie troje dzieci — jedno sprawdza strukturę katalogów (uruchamia Glob i przygotowuje podsumowanie), drugie odczytuje 5 kluczowych plików konfiguracyjnych, a trzecie wyszukuje grepem główne wzorce. Każde zwraca architectowi zwięzłe podsumowanie. Architect składa całość i przekazuje głównemu czatowi raport długości pół ekranu. Otrzymujesz mapę projektu bez zalewania kontekstu ścianą wyników cat ze wszystkich plików.

Scenariusz 3. Analiza zależności od początku do końca

Zmieniasz schemat bazy danych, kontrakt API lub wspólny plik konfiguracyjny. Musisz ustalić, gdzie pojawią się skutki tej zmiany. To zadanie najszybciej wyczerpuje kontekst, ponieważ zależności jest dużo i każdą trzeba sprawdzić w kodzie źródłowym.

Przy użyciu głębokości główny czat uruchamia „impact-analyzer” (poziom 1). Ten uruchamia po jednym dependency-tracer dla każdego zmienianego pliku (poziom 2). Każdy tracer uruchamia wewnętrznie consumer-finder (poziom 3), który przeszukuje bazę kodu pod kątem użytkowników tej zależności. Każdy zwraca samą istotę: „te trzy miejsca przestaną działać”. Główny czat tworzy tabelę „zmieniane pliki → wpływ”, nie widząc wyników grep.

Jak skonfigurować zagnieżdżone agenty podrzędne w 10 minut#

Krok 1. Upewnij się, że masz v2.1.172 lub nowszą wersję.

claude --version

Jeśli wersja jest niższa, zaktualizuj ją. Główna funkcja tego wydania to jedno zdanie w dzienniku zmian: „Agenci podrzędni mogą teraz uruchamiać własnych agentów podrzędnych, do 5 poziomów w głąb” (pełny tekst).

Krok 2. Utwórz agenta nadrzędnego, który może uruchamiać dzieci.

Plik .claude/agents/research-orchestrator.md:

---
name: research-orchestrator
description: Deleguje badania i pogłębioną weryfikację faktów
tools: Agent(fact-verifier), Read, WebFetch
model: opus
---

Jesteś orkiestratorem badań. Po otrzymaniu tematu:
1. Przeczytaj dostarczone materiały lub pobierz wskazane publiczne źródłowe URL.
   Sam wyodrębnij do 5 konkretnych twierdzeń. Dla każdego zapisz tekst twierdzenia,
   źródłowy URL lub plik i dokładny fragment potwierdzający.
   Jeśli brak materiałów źródłowych, poproś o nie przed delegowaniem.
2. Dla każdego twierdzenia wywołaj fact-verifier — sam uruchomi
   swoich agentów podrzędnych do wyszukiwania w sieci i weryfikacji.
3. fact-verifier zwróci ci tylko końcowe werdykty —
   nie ładuj pośrednich zrzutów do swojego kontekstu.

Raport końcowy ma zawierać wyłącznie tablicę { claim, sources[], confidence }.

Wiersz tools udostępnia tylko typ dziecka fact-verifier. Wyodrębnianie twierdzeń jest własnym pierwszym krokiem orkiestratora, więc nie potrzeba niezdefiniowanego pliku claim-extractor. Lista typów ogranicza, jakie dziecko można wywołać, a nie liczbę jego uruchomień. Ogranicz receptę do najwyżej pięciu wyodrębnionych twierdzeń.

Krok 3. Utwórz agenta podrzędnego, który sam może uruchamiać prawnuki.

Plik .claude/agents/fact-verifier.md:

---
name: fact-verifier
description: Weryfikuje twierdzenie za pomocą podrzędnych wyszukiwań w sieci
tools: Agent(web-deep-search), Read
model: sonnet
---

Jesteś weryfikatorem faktów. Po otrzymaniu twierdzenia:
1. Sformułuj 2-3 zapytania wyszukiwawcze.
2. Dla każdego uruchom web-deep-search — sam wykona
   WebSearch i WebFetch, a następnie zwróci zweryfikowane fragmenty.
3. Zbierz je w jeden werdykt: { claim, sources[], confidence }.

Widzisz kluczowy fragment? Wiersz tools ponownie zawiera Agent(web-deep-search). Oznacza to, że fact-verifier (poziom 2 w naszym drzewie) może sam uruchomić kolejnego agenta podrzędnego (poziom 3). Wcześniej ten wiersz nie wywoływał żadnego efektu — dokumentacja nadal zawiera taki zapis:

W v2.1.172 ten zapis jest nieaktualny. Składnia jest taka sama, ale teraz działa na dowolnym poziomie drzewa.

Krok 4. Utwórz prawnuka.

Plik .claude/agents/web-deep-search.md:

---
name: web-deep-search
description: Wyszukuje w sieci i zwraca fragmenty
tools: WebSearch, WebFetch
model: haiku
---

Otrzymałeś zapytanie wyszukiwawcze. Wykonaj WebSearch, wybierz 3 najtrafniejsze
URL-e, a za pomocą WebFetch pobierz dosłowne potwierdzenia
twierdzenia. Zwróć tablicę { url, snippet, supports_claim: yes|no }.

Prawnuk nie ma Agent w tools, więc nie uruchomi kolejnego poziomu w drzewie.

Krok 5. Uruchom orkiestratora.

claude --agent research-orchestrator

Następnie przekaż tekst źródłowy lub publiczne URL w czacie: „Wyodrębnij i zweryfikuj do 5 konkretnych twierdzeń z tych źródeł; zwróć twierdzenia, źródła i pewność”. Z --agent research-orchestrator sama sesja jest orkiestratorem; dzieci weryfikujące i wyszukujące dodają dwa poziomy delegacji pod nią. Jeśli zwykła główna sesja deleguje do tego orkiestratora, pod główną sesją znajdują się trzy poziomy delegacji.

Jakich 5 antywzorców marnuje tokeny i niszczy obserwowalność?#

Antywzorzec 1. Zadanie mieści się w jednym oknie.

Jeśli jeden agent podrzędny może wykonać zadanie bez szumu, nie dodawaj kolejnych poziomów: zagnieżdżanie tylko niepotrzebnie zwiększa koszt i opóźnienie.

Antywzorzec 2. Zależy ci na szybkości, a nie na izolacji.

Jeśli chcesz zwiększyć szybkość, potrzebujesz równoległości, a nie głębokości. Uruchom 5 agentów podrzędnych obok siebie na tym samym poziomie zamiast budować łańcuch. Głębokość służy przeniesieniu hałaśliwej pracy przygotowawczej do okna dziecka, a nie przyspieszaniu pracy.

Antywzorzec 3. Praca z natury jest płytka.

„Znajdź ten plik i pokaż mi go” to zadanie dwuetapowe; nie wymaga hierarchii złożonej z trzech poziomów. Zagnieżdżanie ma sens, gdy zadanie zawiera hałaśliwe podzadanie. Jeśli nie ma szumu, nie dodawaj agentów podrzędnych.

Antywzorzec 4. Niejasne prompty na pierwszym poziomie.

To najgroźniejszy scenariusz. Jeśli dasz niejasny prompt orkiestratorowi na poziomie 1, niejasność się zwielokrotni. Jeden niejasny prompt poziomu 1 zamieni się w 4 niejasne prompty poziomu 2 i 16 na poziomie 3. Gdy prawnuki zaczną pracę, nie będą nawet wiedziały, czego szukają.

Antywzorzec 5. Geometryczny wzrost kosztów.

To najważniejszy argument ekonomiczny: zagnieżdżanie zwiększa zużycie tokenów, a efekt ten kumuluje się wraz z głębokością.

Przybliżony rachunek: łańcuch o głębokości 3 z rozgałęzieniem równym 3 na każdym poziomie oznacza 27 agentów podrzędnych. To co najmniej 27 razy więcej tokenów niż w przypadku prostego żądania. W planie Claude Pro taki rachunek wyczerpuje dzienny limit w kilka godzin. Jeśli korzystasz z planu Max, w jeden dzień zużyjesz tygodniowy przydział.

Dodatkowy antywzorzec (z mojego doświadczenia): „50 agentów wykonujących bezsensowną pracę”.

Gdy przyglądam się projektom innych osób, często widzę coś takiego: „Mam 50 agentów w pracy”. Pytam, co robią. Okazuje się, że tych 50 agentów wykonuje bezsensowną pracę. Generują stosy niepotrzebnych wyników, mnóstwo surowych podsumowań, duplikaty i ściany logów. Każdy robi coś „ogólnie użytecznego”, a w efekcie kontekst tonie w treści, a rachunek za tokeny przypomina rachunek małej firmy. Głębokość 5 nie rozwiązuje tego problemu — pogarsza go. Jeśli już na poziomie 1 nie wiadomo, kto co robi, głębokość 5 oznacza pięć poziomów zamieszania.

Przed uruchomieniem dowolnego agenta podrzędnego odpowiedz w pół minuty na 4 pytania:

• Co dokładnie robi (w jednym zdaniu)?
• Jakich plików dotyka?
• Co zwraca rodzicowi?
• Kto to sprawdza?

Jeśli nie potrafisz odpowiedzieć w 30 sekund, ten agent podrzędny nie powinien istnieć. Osobno wyjaśniłem tę regułę w przewodniku o równoległych agentach podrzędnych.

Dlaczego zagnieżdżanie bez inżynierii kontekstu oznacza 5 poziomów halucynacji?#

To właśnie wtedy ludzie często pytają: „Zaktualizowałem Claude Code, dodałem Agent do tools, drzewo się tworzy — ale ostateczna odpowiedź nadal jest nietrafiona. Dlaczego?”

Odpowiedź jest prosta. Każdy agent podrzędny w Claude Code zaczyna od zera. Oficjalna dokumentacja mówi:

Na poziomie 1 można sobie z tym poradzić: orkiestrator przekazuje dziecku krótki opis zadania. Ale na poziomie 3 prawnuk otrzymuje od rodzica wiadomość delegującą, a ten rodzic również miał tylko wiadomość delegującą. Każdy przekazuje dalej odrobinę informacji. Na poziomie 5 masz agenta podrzędnego, którego okno zawiera wyłącznie frazę „sprawdź twierdzenie X”. Nie wie, nad jakim projektem pracuje, jakie zadanie rozwiązuje ani na czym powinien się skupić.

Bez CLAUDE.md prawnuk na piątym poziomie przypomina pracownika, który po raz pierwszy w życiu przychodzi do biura i nie dostaje żadnego wprowadzenia. Coś zrobi, bo dostał zadanie. Nie będzie to jednak to, czego potrzebuje projekt.

Dlatego ta konfiguracja jest niezbędna. Głębokość 5 bez prawidłowo skonfigurowanych CLAUDE.md, business/ i przepływu umiejętności jest loterią. Z nimi staje się narzędziem. Konfigurację opisano w „Trzech filarach”.

Co jeszcze zmieniło się w v2.1.172 poza zagnieżdżaniem?#

Otwórz pełny dziennik zmian v2.1.172, a zobaczysz, że całe wydanie dotyczy agentów podrzędnych.

Poprawka 1. Agent podrzędny działający w tle nie pozostaje już „zawieszony” jako aktywny w panelu agentów po zatrzymaniu uruchomionego przez niego zagnieżdżonego agenta podrzędnego. Ten błąd może wystąpić wyłącznie przy zagnieżdżaniu.

Poprawka 2. Ograniczenia availableModels obowiązują teraz również agentów podrzędnych. Wcześniej, jeśli ograniczałeś modele dostępne dla zespołu (na przykład zabraniając używania opus, by oszczędzić pieniądze), agenci podrzędni mogli omijać tę regułę, nadpisując ustawienie we własnej konfiguracji. W v2.1.172 reguła obowiązuje wszędzie.

Poprawka 3. Strzałka w górę w historii promptów pokazuje teraz prompty z bieżącej karty agenta podrzędnego, a nie głównego agenta. To dopracowanie obserwowalności.

Poprawka 4. Zmniejszono zużycie CPU w stanie bezczynności: wskaźnik /goal nie przerysowuje już terminala z częstotliwością 5 Hz podczas bezczynności, a interfejs odświeża się rzadziej, gdy równolegle pracują agenci podrzędni.

Chcę podkreślić, że wszystkie cztery poprawki dotyczą agentów podrzędnych. To oznacza, że Anthropic wydało cały stos infrastruktury do zagnieżdżania, a nie tylko jedną linijkę w dzienniku zmian. Zagnieżdżanie było używane wewnątrz Anthropic już od jakiegoś czasu, zanim je opublikowano.

Lista kontrolna: kiedy zagnieżdżanie pomaga, a kiedy szkodzi#

Używaj zagnieżdżania, jeśli:

• Zadanie zawiera podzadanie obejmujące dużą liczbę zapytań do sieci, operacji grep lub odczytów plików.
• Możesz zaakceptować utratę tego podzadania (jeśli prawnuk odpowie „nic nie znaleziono”, orkiestrator może kontynuować).
• Nie potrzebujesz wyników pośrednich w głównym oknie.
• Masz CLAUDE.md i zebrany kontekst projektu, na którym agent podrzędny może polegać.
• Potrafisz jasno opisać, co zwróci każdy poziom (dane wejściowe, wyjściowe i format).
• Masz plan Max albo zapas pozwalający pokryć ×27 tokenów.

Nie używaj zagnieżdżania, jeśli:

• Jeden agent podrzędny może rozwiązać zadanie bez szumu.
• Potrzebujesz wyników pośrednich w głównym oknie (to oznacza, że potrzebujesz równoległości).
• Projekt nie ma CLAUDE.md albo zawiera tylko skąpe informacje o działalności.
• Prompty na poziomie 1 są niejasne (niejasność będzie się wykładniczo powielać w całym drzewie).
• Potrzebujesz szybkości — przy porównywalnym wyniku równoległość jest szybsza niż głębokość.
• Masz plan Pro i pracujesz cały dzień — w kilka godzin wyczerpiesz limit.

Więcej materiałów znajdziesz na stronie Ailoot.