多 Agent 并行与 Headless 模式：让 Claude Code 效率翻 10 倍

想象这样一个场景：你接到了一个大型重构任务——把一个 50 个文件的模块从 REST 迁移到 GraphQL。你敲下一行指令，Claude Code 自动将任务拆成 5 个子任务，启动 5 个 Agent，每个 Agent 在独立的 Git Worktree 中工作，各自提交 PR。你只需要喝杯咖啡，回来 Review 即可。

这不是科幻，这是 2026 年的 Claude Code 日常。

前面的文章里，我们已经掌握了单 Agent 的高效交互、CLAUDE.md 配置、工具权限管理和 Hooks 自动化。但单 Agent 的效率天花板就在那里——一个 Agent 一次只能干一件事。今天这篇，我们要彻底打破这个瓶颈：用并行 Agent 把吞吐量拉满，用 Headless 模式把 Claude Code 嵌入你的 CI/CD 流水线。

四种并行方式，一次讲清楚

Claude Code 目前提供了四种并行 Agent 的方式，适用场景各不相同。先看总览：

方式	隔离级别	适用场景	复杂度
Subagents	同一会话内	搜索日志、并行调研、辅助分析	低
Agent View (`claude agents`)	独立后台会话	同时处理多个独立任务	中
Agent Teams （实验性）	独立 Worktree	团队协作式大规模重构	高
`/batch` Skill	独立 Worktree + 独立 PR	批量修改（5-30 个子任务）	中

简单来说：Subagents 是助手，Agent View 是分身，Agent Teams 是团队，/batch 是流水线。

Subagents：你的贴身助理团

Subagents 是最轻量的并行方式。你在主会话中工作时，可以随时派出 Subagent 去处理"支线任务"，它们完成后会把结果汇报回来。

内置 Subagent 类型：

Explore Agent

：只读模式，专门用于搜索和浏览代码。当你需要在大项目中找某个实现细节时，它比你翻 grep 快得多。
Plan Agent

：只读规划模式，分析需求并输出执行计划，不动代码。适合在动手前做方案评估。
通用 Agent

：默认类型，可以读写文件、执行命令。

自定义 Subagent：

在 .claude/agents/ 目录下创建 Markdown 文件，即可定义专属 Subagent。比如一个专门做安全审计的 Agent：


# Security Auditor
你是一个安全审计专家。检查代码时重点关注：
- SQL 注入风险
- XSS 漏洞
- 硬编码的密钥和凭证
- 不安全的依赖版本
输出格式：按严重程度分为 Critical / High / Medium / Low，每项给出文件路径和修复建议。

最佳使用场景：

搜索大量日志

：让 Subagent 去翻几十 MB 的日志文件，主会话不阻塞。
并行调研

：同时派出 3 个 Subagent，分别调研三种技术方案的优劣。
竞争假设

：让两个 Subagent 分别验证两种不同的 Bug 修复思路，看谁先跑通。

Agent Teams：一支 AI 工程团队

Agent Teams 是目前 Claude Code 最强大的并行能力，仍处于实验阶段。它的核心理念是：一个 Team Lead 负责规划和协调，多个 Teammate 各自在独立的 Git Worktree 中执行任务。

启用方式：

export CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1
claude

运作机制：

你向 Team Lead 描述任务后，它会：

分析任务并拆解为子任务
为每个 Teammate 分配独立的 Worktree（Git 工作目录隔离）
每个 Teammate 独立编码、测试
Team Lead 监控进度，协调冲突

实战建议：

团队规模

：推荐 3-5 个 Teammate，太少浪费并行能力，太多协调成本上升。
任务分配

：每个 Teammate 分配 5-6 个子任务为宜，保持上下文聚焦。
分支命名

：Team Lead 会自动为每个 Worktree 创建分支，命名规则清晰方便 Review。

成本警告：

Agent Teams 的 Token 消耗是线性增长的。5 个 Teammate 约等于 5-6 倍的 Token 用量（含 Team Lead 的协调开销）。在大规模使用前，建议先用小任务跑一次，观察 Token 消耗再决定规模。

Headless 模式：让 Claude Code 跑在流水线上

如果说并行 Agent 解决的是"同时干多件事"的问题，那 Headless 模式解决的是"让 Claude Code 融入自动化流程"的问题。

核心命令：

# 最基本的 Headless 用法：管道输入 + 非交互执行
echo "解释这段代码的作用" | claude -p
# 读取文件并分析
cat error.log | claude -p "分析这个错误日志，找出根因"
# Git Diff Review
git diff main...HEAD | claude -p "Review 这个 PR 的改动，关注潜在 Bug"

结构化输出：

# 输出为 JSON
claude -p "列出项目中所有 TODO 注释" --output-format json
# 用 JSON Schema 约束输出格式，确保下游程序可解析
claude -p "分析 package.json 的依赖" --json-schema '{
  "type": "object",
  "properties": {
    "outdated": {
      "type": "array",
      "items": {
        "type": "object",
        "properties": {
          "name": { "type": "string" },
          "current": { "type": "string" },
          "latest": { "type": "string" },
          "risk": { "enum": ["low", "medium", "high"] }
        }
      }
    }
  }
}'

--bare 模式：CI 环境的最佳搭档

claude -p "检查代码中的安全漏洞" --bare

--bare 会跳过 Hooks、Skills、MCP 服务器和 CLAUDE.md 的加载，确保每次执行的环境完全一致。在 CI/CD 中，可复现性比便利性重要得多。

多轮对话与上下文延续：

# 继续上一次对话
claude -p "继续上次的分析" --continue
# 恢复指定会话
claude -p "补充一下测试覆盖率的建议" --resume

权限控制：

# 完全不询问权限，适合无人值守的 CI
claude -p "运行测试并报告结果" --permission-mode dontAsk
# 自动允许文件编辑，但其他操作仍需确认
claude -p "重构 utils 目录" --permission-mode acceptEdits
# 只允许使用指定工具
claude -p "检查代码风格" --allowedTools "Read,Glob,Grep"

CI/CD 集成实战

理论讲完了，来看几个可以直接抄走的实战案例。

案例一：GitHub Actions 自动 Review PR

# .github/workflows/claude-review.yml
name: Claude Code Review
on:
  pull_request:
    types: [opened, synchronize]
jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
        with:
          fetch-depth: 0
      - name: Setup Claude Code
        run: npm install -g @anthropic-ai/claude-code
      - name: Review PR
        env:
          ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
        run: |
          git diff origin/main...HEAD | claude -p 
            "你是一位资深 Code Reviewer。请从以下维度审查这个 PR：
             1. 潜在的 Bug 和边界情况
             2. 性能隐患
             3. 安全风险
             4. 代码风格和可维护性
             输出中文，按严重程度排序。" 
            --output-format text > review.md
      - name: Post Review Comment
        uses: actions/github-script@v7
        with:
          script: |
            const fs = require('fs');
            const review = fs.readFileSync('review.md', 'utf8');
            await github.rest.issues.createComment({
              owner: context.repo.owner,
              repo: context.repo.repo,
              issue_number: context.issue.number,
              body: `## 🤖 Claude Code Reviewnn${review}`
            });

案例二：自动生成 Changelog

# 在 Release 流程中自动生成变更日志
- name: Generate Changelog
  env:
    ANTHROPIC_API_KEY: ${{ secrets.ANTHROPIC_API_KEY }}
  run: |
    git log v${{ env.PREV_VERSION }}..HEAD --oneline | 
    claude -p 
      "根据以下 Git 提交记录，生成一份结构化的 Changelog。
       分为 Features、Bug Fixes、Breaking Changes、Performance 四类。
       每条用一句话描述，面向用户而非开发者。" 
      --json-schema '{
        "type": "object",
        "properties": {
          "features": { "type": "array", "items": { "type": "string" } },
          "bug_fixes": { "type": "array", "items": { "type": "string" } },
          "breaking_changes": { "type": "array", "items": { "type": "string" } },
          "performance": { "type": "array", "items": { "type": "string" } }
        }
      }' > changelog.json

案例三：AI Lint 集成到 npm scripts

{
  "scripts": {
    "lint:ai": "git diff --cached | claude -p '检查暂存区的代码变更，指出潜在的逻辑错误、类型问题和不良实践。如果没有问题，输出 LGTM。' --bare --permission-mode dontAsk",
    "precommit:ai": "claude -p '快速审查即将提交的变更，只输出 Critical 和 High 级别的问题' --bare --allowedTools 'Read,Glob,Grep'"
  }
}

案例四：Pipeline 中的多轮会话

# 第一步：分析
- name: Analyze
  run: |
    claude -p "分析项目结构，列出最需要重构的 3 个模块" 
      --output-format json > analysis.json
# 第二步：基于分析结果执行（通过 session 延续上下文）
- name: Execute Refactor
  run: |
    claude -p "根据上次的分析，开始重构排名第一的模块，确保测试通过" 
      --continue --permission-mode acceptEdits

Agent SDK：构建你自己的 AI Agent

如果你需要的不只是 Headless 模式的"一次性调用"，而是想构建具有复杂逻辑的自定义 Agent，Anthropic 提供了官方的 Agent SDK：

# Python
pip install claude-agent-sdk
# TypeScript / Node.js
npm install @anthropic-ai/claude-agent-sdk

用 SDK 你可以做到：

以编程方式控制 Agent 的生命周期
自定义工具注册和调用逻辑
构建多 Agent 编排系统
集成到现有的后端服务中

from claude_agent_sdk import Agent
agent = Agent(
    model="claude-sonnet-4-20250514",
    instructions="你是一个数据库迁移助手...",
    tools=["read_file", "write_file", "execute_sql"]
)
result = await agent.run("将 users 表从 MySQL 迁移到 PostgreSQL")