Claude Code Subagenten: Aufgaben automatisch parallelisieren

Ein Claude Code, der selbst weitere Claude-Instanzen startet — das ist kein Science-Fiction mehr. So funktioniert Multi-Agent-Orchestration in der Praxis.

Wer Claude Code nur als smarten Terminal-Assistenten kennt, hat erst die Hälfte gesehen. Das eigentlich Interessante beginnt, wenn Claude Code aufhört, ein einzelner Helfer zu sein, und anfängt, ein Dirigent zu werden: Es startet weitere Agenten, verteilt Aufgaben, wartet auf Ergebnisse und fasst alles zusammen. Parallel. Ohne dass du eingreifen musst.

Was sind Subagenten?

Subagenten sind eigenständige Claude-Instanzen, die von einem übergeordneten Claude Code-Prozess gestartet werden. Jeder Subagent läuft unabhängig, hat seinen eigenen Kontext und bearbeitet eine klar abgegrenzte Teilaufgabe. Der Haupt-Agent koordiniert, verteilt und konsolidiert.

Das Prinzip ist einfach: Statt dass ein Claude-Prozess der Reihe nach zehn Dateien analysiert, startet er zehn Subagenten, die es gleichzeitig tun. Was sequenziell 10 Minuten dauert, läuft parallel in der Zeit der langsamsten Einzelaufgabe durch.

Claude Code unterstützt dieses Muster nativ. Du musst keine eigene Orchestrierungsschicht bauen — der Agent entscheidet selbst, wann Parallelisierung sinnvoll ist, und baut die Subagenten-Struktur intern auf.

Das einfachste Beispiel

Du musst nichts Besonderes konfigurieren, um Subagenten zu nutzen. Claude Code startet sie intern, sobald die Aufgabe es nahelegt. Ein simples Beispiel:

claude "Analysiere alle .py Dateien im src/ Ordner und schreib einen Report"

Claude Code liest nicht einfach Datei für Datei durch. Es erkennt, dass die Dateien unabhängig voneinander analysiert werden können, und startet intern mehrere Lesevorgänge parallel. Das Ergebnis ist ein zusammengefasster Report, der schneller fertig ist als bei sequenzieller Bearbeitung.

Willst du die Parallelisierung explizit steuern, kannst du das in deinem Prompt direkt ansprechen:

claude "Analysiere src/auth.py, src/api.py und src/models.py gleichzeitig
und schreib für jede Datei einen separaten Abschnitt im Report"

Das Signal "gleichzeitig" veranlasst Claude Code, die Analyse tatsächlich parallel aufzusetzen statt nacheinander. Der Unterschied bei großen Codebases ist messbar.

Praktisches Beispiel: Code-Review mit Experten-Rollen

Das stärkste Anwendungsmuster für Subagenten ist die Spezialisierung. Verschiedene Teile einer Codebase brauchen unterschiedliches Fachwissen — genau das kannst du in einem einzigen Prompt ausdrücken:

claude "Prüfe src/auth.py auf Security-Issues, src/api.py auf
Performance-Probleme und src/models.py auf Code-Qualität -- gleichzeitig.
Fasse die Ergebnisse am Ende in einer gemeinsamen Prioritätsliste zusammen."

Was passiert intern: Claude Code erstellt drei Subagenten mit unterschiedlichem Fokus. Der Security-Agent kennt OWASP-Patterns und sucht nach Injection-Schwachstellen, unsicheren Defaults, fehlender Input-Validierung. Der Performance-Agent analysiert Datenbankabfragen, unnötige Schleifen, fehlende Indizes. Der Code-Quality-Agent prüft auf Lesbarkeit, Duplikate, fehlende Fehlerbehandlung.

Alle drei arbeiten gleichzeitig. Der Haupt-Agent wartet, sammelt die Ergebnisse und erstellt die Prioritätsliste. Das Ganze läuft in der Zeit der langsamsten Einzelanalyse — nicht in der Summe aller drei.

Wann Subagenten sinnvoll sind — und wann nicht

Subagenten sind kein Allheilmittel. Der Einsatz lohnt sich in bestimmten Situationen, in anderen ist er Overhead ohne Gewinn.

Sinnvoll bei:

• Parallelen, unabhängigen Aufgaben — Dateien, Module, Repositories, die keine gegenseitigen Abhängigkeiten haben.
• Großen Codebases — wenn ein einzelner Agent nicht genug Kontext-Fenster hat, um alles auf einmal zu verarbeiten.
• Verschiedenen Experten-Rollen — wenn ein Problem aus Security-, Performance- und Qualitätssicht gleichzeitig bewertet werden soll.
• Batch-Verarbeitung — zehn Reports schreiben, zwanzig Tests generieren, dreißig Pull-Request-Beschreibungen erstellen.

Nicht sinnvoll bei:

• Sequenziellen Abhängigkeiten — wenn Schritt B das Ergebnis von Schritt A braucht, bringt Parallelisierung nichts.
• Kleinen Tasks — für eine einzelne Funktion ist der Overhead eines Subagenten größer als der Nutzen.
• Engen Token-Budgets — Subagenten multiplizieren den API-Verbrauch. Bei kleinen Projekten rechnet sich das nicht immer.

Limitierungen und Kosten

Das wichtigste Thema, das viele Tutorials unterschlagen: Subagenten kosten echtes Geld. Jeder Subagent ist eine eigene API-Session mit eigenem Kontext, eigenem Prompt und eigenen Output-Tokens. Fünf parallele Subagenten verbrauchen in der gleichen Zeit fünfmal so viele Tokens wie ein einzelner Agent.

Weitere Grenzen, die du kennen solltest:

• Kontext-Isolation: Subagenten sehen nicht den Kontext anderer Subagenten. Informationsaustausch zwischen Agenten geht nur über den Haupt-Agenten als Vermittler.
• Rate-Limits: Anthropic begrenzt parallele API-Anfragen. Bei sehr vielen gleichzeitigen Subagenten kann es zu Wartezeiten kommen.
• Fehlerfortpflanzung: Wenn ein Subagent einen Fehler macht, merkt der Haupt-Agent das möglicherweise nicht sofort. Validierung der Subagenten-Outputs ist wichtig.
• Keine gemeinsamen Dateizugriffe: Zwei Subagenten, die gleichzeitig dieselbe Datei schreiben wollen, erzeugen Konflikte. Bei schreibenden Operationen parallel arbeiten lassen nur, wenn die Zieldateien disjunkt sind.

Mit etwas Planung lassen sich die meisten dieser Grenzen umgehen. Der Schlüssel: Aufgaben so aufteilen, dass Subagenten wirklich unabhängig sind, und das Token-Budget im Blick behalten.

Wer Claude Code ernsthaft für Multi-Agent-Workflows nutzen will, kommt an einer sauberen Architektur nicht vorbei. Wie die aufgebaut wird, welche Patterns sich in der Praxis bewährt haben und wie man Kosten kontrolliert — das sind die Themen, die in einem Blog-Artikel nicht vollständig behandelt werden können.

Zwei Artikel, die direkt auf diesem Thema aufbauen:

• Claude Code Hooks einrichten — wie du automatisch Qualitätssicherung, Logging und Schutzmaßnahmen für jeden Agenten-Lauf einbaust
• Claude Code lernen: Der strukturierte Weg — der Pfad von den Grundlagen zur vollständigen Agent-Architektur