Субагенты: когда они экономят время, а когда просто жгут токены

Anthropic приводит цифру: команда агентов расходует примерно в семь раз больше токенов, чем обычная сессия. Семь раз — это когда напарники работают в режиме планирования, то есть даже не пишут код.

Разберу, как устроено делегирование у Claude Code и Codex, где оно окупается и где ты платишь за красивую картинку с параллельной работой.

Что такое субагент по факту

Субагент — это отдельная сессия со своим контекстом, которая получает задачу, делает её и возвращает результат. Главный агент видит только результат, а не всю переписку внутри.

Ты выносишь грязную работу туда, где её мусор не осядет в твоём контексте.

У Codex делегирование настраивается в config.toml:

[agents]
enabled = true
max_concurrent_threads_per_session = 8
default_subagent_model = "gpt-5.6"
default_subagent_reasoning_effort = "high"

Восемь параллельных потоков в примере из документации. Своих агентов можно описать отдельными TOML-файлами в ~/.codex/agents с обязательными полями name, description и developer_instructions. У меня таких 24 штуки.

Отдельная деталь: на большинстве уровней рассуждений Codex делегирует, только если попросить. Сам, без просьбы, он начинает это делать на уровне ultra.

У Claude Code субагенты с конца июня 2026 по умолчанию уходят в фон, а сами могут порождать своих субагентов — цепочка до пяти уровней вглубь. Есть режим команд, где несколько агентов работают над общей задачей, но по умолчанию он выключен.

Где делегирование окупается

Первое — поиск по большому репозиторию. Задача «найди, где формируется письмо про отмену подписки» заставляет открыть десяток файлов, и почти все они окажутся мимо. Если это делает главный агент, весь этот мусор оседает в контексте. Если субагент, возвращается один путь и пара строк объяснения.

Второе — ресерч по нескольким источникам. Факты для этой серии статей собирали два агента параллельно: один шёл по документации OpenAI, второй по документации Anthropic. Первый отработал за четыре минуты, второй за шесть. Каждый прочитал десятки страниц, в моём контексте от них не осело ничего, кроме двух отчётов со ссылками.

Третье — ревью. Проверяющий не должен видеть, как автор мучился с задачей, иначе он унаследует его логику вместе с ошибками. Отдельный контекст тут работает как условие, при котором проверка вообще способна что-то найти.

Где это выброшенные деньги

Первое — задача, которую ты не умеешь объяснить. Субагент не видит твоей переписки, всё нужное должно лежать в тексте задачи. Плохо поставленная задача возвращается плохо сделанной, только теперь ты заплатил за неё вдвойне и узнал об этом позже, чем узнал бы сам.

Второе — параллельная работа над связанным кодом. Два агента, которые одновременно правят один модуль, дают конфликт и разбор полётов вместо экономии. Изолированные чекауты через worktree это лечат, но добавляют шаг слияния, и на маленькой задаче он дороже выигрыша.

Как считать выгоду

Рабочее правило простое: делегируй то, где объём прочитанного сильно больше объёма ответа.

Двадцать файлов на входе, три строки на выходе — идеальный случай для субагента. Один файл на входе, один файл на выходе — делай сам.

Второй фильтр по деньгам. У Anthropic средний расход на разработчика в активный день — около тринадцати долларов. Семикратный множитель на разовой задаче незаметен, на ежедневной привычке заметен очень. Как считается сам счёт, я разобрал в статье про стоимость дня работы с агентом.

Codex про то же говорит прямым текстом в документации: субагенты жгут больше токенов. Ставку в кредитах за модели Astra и GPT-5.6 OpenAI публично не приводит, так что точную цену параллельного прогона я посчитать не могу и выдумывать не буду.

Что сделать сегодня

Возьми задачу, которую ты обычно делаешь в основной сессии и после которой приходится чистить контекст командой очистки. Скорее всего это поиск, ресерч или проверка. Вынеси её субагенту — один раз, руками, с внятной формулировкой на пять предложений.

Если после этого основная сессия дожила до конца задачи без компактификации, приём работает. Если нет, лишнее грузится в контекст ещё до всяких субагентов — про это отдельный разбор с цифрами по подключённым сервисам: как люди на самом деле работают с Claude.

Контекст, база знаний, каскады моделей и проверки собраны вместе в гайде Claude как рабочий инструмент.