Claude Code 的 Agent Teams 功能实现了多智能体并行协作，通过直接通信与对抗性辩论，突破单一智能体的局限。这为处理复杂编程任务提供了全新视角，推动AI编程从“单兵作战”迈向“团队协作”的新阶段。
智能速览
Agent Teams允许多个Claude实例并行工作并直接互相通信。
其与Subagents的本质区别在于网状拓扑下的成员间直接通信与对抗性协作。
最佳应用场景是并行代码审查和竞争假设调试等需要多角度探索的复杂任务。
成本随团队规模线性增长，一个三人团队Token消耗约为单实例的3-4倍。
功能目前仍为实验性，存在会话无法恢复等已知局限。
精华内容
理解Agent Teams的价值，需要深入其架构内核，它不仅是一次功能叠加，更是一场关于协作模式的根本性变革。
协作架构
Agent Teams由Team Lead、Team Mates和共享基础设施构成。Team Lead负责创建团队、分配任务与综合结果。每个Team Mate是拥有独立上下文窗口的Claude实例，通过Team Creator、Task Creator、SendMessage等七大工具原语进行任务管理、直接通信和资源清理，整个生命周期分为设置、执行和清理三个阶段，职责清晰。
模式差异
Agent Teams与Subagents的本质区别在于通信模型。Subagents是星形拓扑，成员仅能向主智能体汇报，彼此隔离。Agent Teams则是网状拓扑，成员可通过SendMessage直接通信，互相质疑甚至辩论。这种对抗性协作能更深入地探索问题，但代价是Token消耗显著增加，约为单实例的3-7倍。
场景选择
Agent Teams并非万能，其价值体现在两个特征：任务的不同方面可独立深入工作，且多视角能产生额外价值而非简单加速。并行代码审查是其典型场景，安全、性能、测试审查员可同步工作。竞争假设调试则最能体现其对抗性价值，通过多成员测试不同假设并互相挑战，有效避免单一智能体的锚定效应。
成本策略
Agent Teams的计费完全透明，使用标准Claude Code API Token，无额外费用，但消耗随团队规模线性增长。优化成本的关键策略包括：使用更经济的Sonnet模型作为Team Mates，而用Opus担任Team Lead；先采用计划模式制定方案，再进行高速并行执行；以及保持团队精简，任务完成后立即清理，避免空闲成员持续消耗Token。
Agent Teams代表了AI编程从单一工具向团队协作的范式演进。尽管当前尚处实验阶段，但其展现的并行探索与对抗性协作潜力，为解决复杂工程难题开辟了新路径。未来，多智能体协作将成为AI能力提升的关键方向。
