AI-субагенты в Claude Code и Codex: Руководство по оркестрации мультиагентных систем

AI-субагенты в Claude Code и Codex: кратко о главном

🎯 О чём этот конспект: Практический разбор работы с мультиагентными системами: от базовых субагентов в Codex и Claude Code до создания собственного легковесного движка на Rust, способного удерживать параллельную работу более 100 агентов. В конспекте детально разбираются реальные сценарии: автономный парсер-дайджест с MCP-серверами, генерация видеоконтента через команды агентов (Agent Teams), пайплайны Dynamic Workflows и прямая автоматизация монтажа в DaVinci Resolve через терминал.

👤 Кому будет полезно: Вайбкодерам, AI-инженерам, разработчикам автоматизаций и создателям контента, которые переросли возможности одиночных чат-сессий и хотят делегировать тяжелые ресурсоёмкие пайплайны распределенным агентным сетям.

✨ Что получите: Понимание архитектурных различий между базовыми субагентами, Agent Teams, Dynamic Workflows и кастомными системами. Готовые шаблоны промптов для оркестрации агентов, методы оптимизации токенов (стриппинг системных промптов и тулов), методику интеграции LLM с DaVinci Resolve через CLI и сравнительный бенчмарк поведения ведущих моделей (Claude Opus, GPT, Kimi, MiniMax) при управлении подчиненными.

1. Декомпозиция задач и преодоление контекстных лимитов LLM

Контекст: Попытка заставить одну LLM выполнить гигантскую монолитную задачу (например, написать 20 000 уникальных анекдотов, полностью смонтировать длинный ролик или сгенерировать 100 страниц технической документации) неизбежно приводит к отказу модели либо к катастрофической потере качества и галлюцинациям. Ограничение контекстного окна и деградация внимания («attention drift») внутри длинной сессии не позволяют удерживать все детали одновременно. Решение заключается в линейном масштабировании исполнителей под объем входных и выходных данных: если агент справляется с 10 страницами, то для 100 страниц необходимо развернуть 10 субагентов с изолированными контекстами под управлением одного координатора. Такой подход изолирует промежуточный «мусорный» контекст каждого исполнителя, предотвращая засорение памяти оркестратора.

Тайминг: ▶ 01:14, ▶ 01:32, ▶ 02:88

Выгода: Устранение отказов модели из-за переполнения контекста; сохранение 100% детализации на каждом сегменте задачи; возможность параллельной обработки гигантских массивов данных без потери фокуса.

Как применить:

• Шаг 1: Оценка зависимости задачи от объёма данных — Вычислите предел качественной генерации выбранной модели. Если задача превышает устойчивый порог (например, более 5–10 страниц связного текста или анализ более 10 разнородных источников за раз), разбейте её на изолированные кванты.
• Шаг 2: Проектирование двухуровневой иерархии — Выделите один агент верхнего уровня (оркестратор/редактор), который принимает финальный результат, и $N$ субагентов (воркеров), каждый из которых отвечает строго за одну тему, один файл или один источник.
• Шаг 3: Изоляция контекста субагентов — Настройте запуск субагентов так, чтобы в сессию родительского агента возвращалась только финальная выжимка (структурированный JSON или сжатый Markdown), а не промежуточные шаги поиска и рассуждений.

Ты — главный редактор. Твоя задача — собрать итоговый отчет из 10 глав.
Не пытайся генерировать текст глав самостоятельно.
Для каждой из 10 глав запусти отдельного изолированного субагента:
- Передай субагенту: тему главы, требования к стилю и целевой объем.
- Требуй от субагента возврата строго готового текста главы в Markdown.
После получения всех 10 результатов собери финальный документ и проверь связность переходов.

Результат: Параллельное и глубокое выполнение крупномасштабной задачи без сбоев контекста и без поверхностных обобщений.

2. Автономный новостной дайджест: связка Codex, MCP и параллельных сорсеров

Контекст: Создание качественного новостного дайджеста классическим кодом требует написания хрупких парсеров под десятки сайтов, сложных алгоритмов нечеткого поиска для дедупликации и дорогостоящих Vision-пайплайнов для подбора обложек. Использование одного LLM-агента для мониторинга всех площадок быстро приводит к деградации ресерча: агент путает даты, упускает источники и выдает нерелевантную «кашу». Эффективная архитектура строится на виртуальной редакции: главный редактор координирует работу шести специализированных субагентов-сорсеров (по одному на каждый тип площадок: X/Twitter, Telegram, репозитории GitHub, новостные порталы, блоги, научные статьи). Агенты взаимодействуют с базой данных и внешним миром через стандарт Model Context Protocol (MCP).

Тайминг: ▶ 02:41, ▶ 02:64, ▶ 03:20, ▶ 03:47

Выгода: Полная ликвидация ручного труда по мониторингу индустрии; замена сотен строк кастомных парсеров универсальными вызовами MCP-инструментов; автоматическая оценка важности материалов по шкале 0–100.

Как применить:

• Шаг 1: Развёртывание базы данных — Создайте локальную или облачную базу PostgreSQL с таблицами materials (для сбора сырых находок) и posts (для готовых дайджестов).
• Шаг 2: Подключение MCP-серверов — Сконфигурируйте в Codex или Claude Code два MCP-сервера: сервер для работы с PostgreSQL (поиск, чтение, вставка) и сервер для поиска по Telegram/веб-источникам.
• Шаг 3: Задание строгого промпта для распределения задач — Запустите оркестратор с инструкцией порождения 6 параллельных субагентов. Укажите жесткие критерии скоринга и обязательный возврат нормализованных оценок.
• Шаг 4: Выбор калиброванной модели — Для предотвращения сбоев в шкале скоринга (когда слабые модели оценивают большинство новостей ниже 10 из-за неверной интерпретации диапазона 0–100) используйте флагманские модели уровня GPT-5 / Claude 3.5 Sonnet.

Напиши программу, которая будет иметь базу Postgres и миграции.
Две таблицы: materials и posts.
Подключи MCP для работы с базой (поиск и вставка записей) плюс MCP для поиска в Telegram и вебе.
Программа запускается раз в сутки по cron.
 
Промпт главного агента:
Запусти 6 изолированных субагентов. Каждый субагент должен найти ровно по 10 уникальных новостей, событий или материалов за последние 24 часа.
Закрепи за каждым субагентом строго один тип источника:
- Субагент 1: Репозитории GitHub и релизы фреймворков.
- Субагент 2: Тренды и треды в X (Twitter).
- Субагент 3: Тематические Telegram-каналы.
- Субагент 4: Профильные медиа и новостные порталы.
- Субагент 5: Технические блоги компаний.
- Субагент 6: Исследования, препринты и гайды.
 
Каждый субагент обязан:
1. Проверить материал на дубликаты через таблицу materials (поиск похожих заголовков/ссылок).
2. Оценить важность и хайп каждого материала строго по шкале от 0 до 100 (где 0 — нерелевантно, 100 — эпохальный прорыв).
3. Записать 10 отобранных материалов в таблицу materials.
 
После завершения работы всех 6 субагентов:
1. Выбери из таблицы materials топ-5 материалов с наивысшим скорингом за сегодня.
2. Составь пост-дайджест: броский заголовок дня, для каждого из 5 материалов сделай подзаголовок, краткое summary (2-3 предложения) и прямую ссылку.
3. Подбери одну наиболее релевантную иллюстрацию из найденных материалов.
4. Опубликуй пост в целевой Telegram-канал и запиши результат в таблицу posts.

Результат: Автономная ежедневная публикация подборок из 60 найденных источников с валидированным отбором топ-5 событий без участия человека.

3. Автоматизация динамического монтажа: Claude Code Agent Teams и P2P-коммуникация

Контекст: Сборка длинных разговорных видео по сценарию требует колоссального времени: поиск сотен тематических футажей, выкачивание видео, покадровый отсмотр на предмет мусорных перебивок и склеек, расчет таймингов под аудиодорожку и нарезка. При попытке решить это одним агентом процесс зависает из-за гигантского объема бинарных данных и мультимодального анализа. Решение — использование архитектуры Claude Code Agent Teams. В отличие от стандартной схемы «родитель — ребенок», в Agent Teams субагенты могут общаться напрямую друг с другом по принципу Peer-to-Peer (P2P) через инструмент message, обмениваясь замечаниями, споря о качестве материалов и запрашивая перепоиск без постоянного дергания главного менеджера.

Тайминг: ▶ 04:54, ▶ 05:08, ▶ 05:43, ▶ 06:04, ▶ 06:40

Выгода: Автоматический отбор, скачивание и покадровая верификация сотен уникальных медиафайлов под тайминги сценария; исключение испорченных кадров с чужими склейками за счет выделенного агента-верификатора.

Как применить:

• Шаг 1: Подготовка ассетов — Поместите в рабочую директорию сценарий script.txt и начитку диктора voice.mp3.
• Шаг 2: Настройка сетевой изоляции и прокси — При парсинге сотен видеосервисов (YouTube, стоки) агенты моментально получают бан по IP. Передайте в окружение терминала пул HTTP/SOCKS5 прокси.
• Шаг 3: Разворачивание команды специализированных ролей — Сконфигурируйте иерархию агентов:
  • Transcriber: обращается к Whisper или ElevenLabs API, формируя посекундную разметку слов.
  • Chapter Managers: отдельные менеджеры на каждую смысловую главу сценария.
  • Searcher: поиск и скачивание сырых B-roll футажей под тезисы главы.
  • Segmenter: вычисление точных тайм-кодов внутри найденного видео под скорость диктора.
  • Verifier: покадровый отсмотр выбранного отрезка, проверка на отсутствие дёрганых 25-х кадров, чужих переходов и плашек. При браке verifier напрямую пишет searcher'у: «Кусок содержит артефакты, скачай альтернативу».
  • Renderer: финальная сборка таймлайна через FFmpeg.

Нужно создать видео для сценария и озвучки, которые лежат в файлах voice.mp3 и script.txt.
Используй команду агентов (Claude Code Agent Teams) со следующей структурой:
 
1. Transcriber: выполняет точную транскрибацию voice.mp3 с таймстемпами каждого слова через API.
2. Renderer: общий финальный агент, собирающий утвержденные куски в единое видео.
3. Под каждую отдельную главу сценария создай изолированную рабочую группу:
   - Chapter Manager (руководитель главы).
   - Searcher (поиск и выкачивание исходников через yt-dlp/curl с использованием предоставленного пула прокси).
   - Segmenter (определение таймингов вырезки из исходника под аудиоряд главы).
   - Verifier (покадровый анализ вырезанного куска на отсутствие склеек, мусорных перебивок и водяных знаков).
 
Правила взаимодействия:
- Агенты внутри группы общаются между собой peer-to-peer через инструмент message.
- Если Verifier отклоняет сегмент, он напрямую отправляет задачу Searcher на поиск замены, не прерывая работу остальных глав.
- Все скачанные файлы структурировать по папкам: /chapters/chapter_[N]/segment_[M]/.

Результат: Полностью смонтированный черновик ролика с более чем 300 найденными и верифицированными иллюстративными футажами, идеально совпадающими по смыслу и таймингам с голосом диктора.

4. Стабилизация пайплайна: Claude Code Dynamic Workflows и генерация моушн-графики через API

Контекст: Хаотичное общение агентов в P2P-режиме (Agent Teams) хорошо подходит для исследовательских задач, но на повторяющихся пайплайнах часто дает сбои: агенты зацикливаются в бесконечных спорах, превышают лимиты контекста или произвольно меняют структуру каталогов. Для строгих производственных задач необходим детерминизм. В Claude Code для этого применяется механизм Dynamic Workflows — декларативное описание цепочки шагов, где агенты выступают узлами графа (nodes), а данные передаются между ними через строго типизированные переменные. В таком графе параллельно подключаются внешние генераторы графики (например, API сервиса «Чертила») для автоматической отрисовки стилизованных плашек и титров.

Тайминг: ▶ 07:94, ▶ 08:16, ▶ 08:52, ▶ 09:12, ▶ 09:35

Выгода: 100% повторяемость процесса генерации; предотвращение падений агентов по лимитам вывода за счет жестких контрактов между этапами; автоматический брендинг видео моушн-графикой в едином стиле через API.

Как применить:

• Шаг 1: Формирование строгих правил монтажа — Введите жесткие ограничения на длину перебивок: не более 5 секунд на фрагмент, соотношение видео/фото — минимум 80/20, запрет на резкую тряску при эффекте Ken Burns (плавный зум без грубого округления координат).
• Шаг 2: Интеграция генератора титров — Настройте вызов API графического сервиса, передав агенту спецификацию API, токен, ID стиля и образец структуры JSON для генерации интро каждой главы.
• Шаг 3: Сборка и валидация Dynamic Workflow — Попросите Claude сгенерировать workflow-схему. Проверьте через команду /workflows распределение фаз, чтобы транскрайбер и парсеры не упирались в системные ограничения максимальной длины ответа (token output limit).

Собери пайплайн генерации видео через Dynamic Workflows.
Условия монтажа:
- Длина видеовставок: строго от 2 до 5 секунд.
- 80% всех материалов должны быть видео, не более 20% — статичные изображения.
- Для статичных изображений применять мягкий Pan/Zoom без артефактов дискретности и обрезания краев.
- Для каждой главы сгенерировать брендированный моушн-титр через API сервиса Чертила.
 
Параметры для Title-агента:
- Endpoint: https://api.chertila.io/v1/render
- Auth Bearer: $CHERTILA_API_KEY
- Style_preset: "national-geographic-minimal"
- Payload: передавать точный заголовок главы и тайминг показа в секундах.
 
Зафиксируй граф:
[Transcribe Phase] -> [Chapter Splitter] -> [Parallel: Asset Fetch & Title Render] -> [Verification Node] -> [Final Assembly FFmpeg]
Управление сессиями отслеживать через команду /workflows.

Результат: Предсказуемый, повторно используемый конвейер, который стабильно проходит все фазы от сырого аудио до готового MP4 с титрами и отцентрированными футажами без ручного вмешательства.

5. Мультиагентная сеть в Telegram: оркестрация через взаимное тегирование (@mentions)

Контекст: Сложные агентские фреймворки часто страдают непрозрачностью: тяжело отследить, о чем думает агент и где возник сбой. Альтернативный архитектурный паттерн — превращение корпоративного мессенджера (Telegram, Slack) в среду оркестрации. Разворачивается пул независимых ботов, каждый из которых представляет собой обертку над LLM с кастомным системным промптом и MCP-инструментами. Бот активируется строго по упоминанию через @username. Если разрешить ботам тегать других ботов в ветках (threads), возникает полностью прозрачная агентская сеть, где ветка сообщений естественным образом формирует изолированный контекст задачи.

Тайминг: ▶ 10:58, ▶ 11:06, ▶ 11:42, ▶ 11:59, ▶ 12:26

Выгода: Наглядный UI прямо в телефоне; нулевые затраты на реализацию сложных механизмов долгосрочной памяти (контекстом служит история треда); прозрачный контроль каждого шага делегирования в реальном времени.

Как применить:

• Шаг 1: Создание ботов под роли — Зарегистрируйте в @BotFather пул ботов:
  • @DirectorBot (Режиссер: декомпозирует ролик, ставит задачи остальным).
  • @SubtitlerBot (Субтитры и тайминги слов).
  • @ClipManagerBot (Менеджер вставок под конкретные предложения).
  • @TitleMakerBot (Генератор плашек и титров).
  • @MediaCheckerBot (Проверка кропа, зума и ориентации медиа).
• Шаг 2: Реализация логики слушателя (Event Loop) — Бот прослушивает чат. При обнаружении своего @mention он собирает всю историю сообщений текущего треда, оборачивает её в промпт модели и выполняет вызов.
• Шаг 3: Делегирование между ботами — Если в выводе модели содержится тег другого бота (например, @ClipManagerBot, найди вставку для тайминга 00:15–00:18), система отправляет это сообщение в тот же тред, триггеря следующего исполнителя.

Ты — @DirectorBot. Твоя задача — руководить монтажом ролика по сценарию.
В чате присутствуют боты-специалисты:
- @SubtitlerBot: умеет извлекать точные тайминги каждого слова из аудиофайла.
- @ClipManagerBot: подбирает видеовставки под конкретный текст.
- @MediaCheckerBot: проверяет геометрию и качество видео.
 
Твой алгоритм:
1. Прими от пользователя ссылку на сценарий и черновой проект.
2. Тегни @SubtitlerBot и попроси расписать тайминги для каждого предложения.
3. Дождись ответа в этом треде.
4. Разбей ролик на смысловые фразы и для каждого диапазона таймингов вызови @ClipManagerBot с описанием требуемого визуала.
5. Контролируй выполнение работы. Когда все материалы собраны, напиши пользователю: "Монтаж завершен".

Результат: Автономная дискуссия и решение комплексной задачи монтажа командой узких специалистов в общем чате с полным логированием процесса.

6. Кастомный агентский движок на Rust: радикальный стриппинг системного промпта и прямое управление DaVinci Resolve CLI

Контекст: При масштабировании системы до 100–250 одновременно работающих агентов стандартные CLI-инструменты (стоковый Codex или Claude Code) крашат систему: процессор перегружен сотнями тяжелых Node.js/Python процессов, UI зависает, а системные промпты стоковых инструментов (содержащие тысячи токенов инструкций по программированию и десятки ненужных тулов) сжигают миллионы лишних токенов на каждом шаге каждого агента. Переход на кастомный монолитный движок на Rust, где агент — это легковесный асинхронный Task (Green Thread), а не отдельный процесс ОС, решает проблему нагрузки. Из системного промпта вырезаются все инструкции по написанию кода, остаются только терминал и файловая система, а интеграция с DaVinci Resolve переводится на программные вызовы терминальной CLI-утилиты, манипулирующей открытым проектом в реальном времени.

Тайминг: ▶ 12:40, ▶ 12:61, ▶ 12:86, ▶ 13:00, ▶ 14:51

Выгода: Возможность держать 100+ параллельных агентов на обычном MacBook без просадки FPS; сокращение расхода токенов на 70–80% за счет удаления мусорных системных промптов; прямой монтаж на таймлайне DaVinci Resolve без костылей в виде XML/EDL файлов.

Как применить:

• Шаг 1: Архитектура легковесного рантайма — Соберите приложение на Rust (с использованием tokio), где запуск субагента представляет собой спавн легковесной асинхронной корутины.
• Шаг 2: Радикальная зачистка контекста (Prompt Stripping) — Сократите базовый системный промпт агента до минимума. Оставьте только 2 инструмента: execute_terminal и file_operations. Удалите любые упоминания написания кода, если агент занимается медиаобработкой.
• Шаг 3: CLI-мост для DaVinci Resolve — Напишите утилиту командной строки, взаимодействующую с DaVinci Resolve API (через Lua/Python API DaVinci). Предоставьте агенту консольные команды для вставки клипов, настройки дорожек, включения зума и разрезания слоев.

# Пример терминальных команд, которые агент выполняет напрямую в DaVinci Resolve:
resolve-cli project open "AI_Video_Draft"
resolve-cli timeline select "Main_Timeline"
resolve-cli media import --path "/assets/b_rolls/deep_sea_squid.mp4" --bin "B-Roll"
resolve-cli clip insert --bin-item "deep_sea_squid.mp4" --track 2 --start-tc "00:01:14:12" --end-tc "00:01:17:05"
resolve-cli clip transform --track 2 --index 5 --zoom-x 1.05 --zoom-y 1.05 --smooth-zoom true

// Концепт системного промпта минималистичного воркера на Rust:
const STRIPPED_SYSTEM_PROMPT: &str = "
Ты — монтажный агент DaVinci Resolve.
Твоя единственная функция: определять параметры медиафайлов и вызывать терминальные команды resolve-cli.
Не пиши код. Не создавай тесты.
Формат ответа: строго вызов шелл-команды resolve-cli с точными флагами таймингов и путей.
";

Результат: Монтаж 18-минутного ролика на таймлайне профессионального видеоредактора силами 250 субагентов всего за 4 часа и ~$10 затрат на API.

7. Модель Network-архитектуры: самоорганизующиеся пулы задач и ограничения рекурсивного спавна

Контекст: Если позволить агентам бесконтрольно порождать любых других агентов, более мощные модели (например, GPT-5 / Claude Opus) уходят в рекурсивный самоспавн, плодя бесконечные сущности уровня «вице-президент по контролю качества», сжигая 50% недельного лимита за 20 минут без выдачи кода. Чтобы сеть работала автономно и стабильно, требуется архитектура Network с типизированными декларативными манифестами. В манифесте агента жестко фиксируется: условия вызова, ожидаемый входной формат, выходной результат и исчерпывающий список типов агентов, которых ему разрешено порождать (только нижестоящие исполнители, никаких «гигабоссов»). Задачи помещаются в общий нераспределенный пул (Unassigned Tasks Pool), откуда свободные агенты берут тикеты по мере освобождения.

Тайминг: ▶ 13:59, ▶ 14:18, ▶ 14:33, ▶ 14:76, ▶ 15:00, ▶ 17:70

Выгода: Полная защита от неконтролируемого прожигания баланса API; самобалансировка нагрузки: агенты не простаивают, а последовательно забирают задачи из очереди; структурированная передача данных через синхронизированные каналы (channels).

Как применить:

• Шаг 1: Описание манифестов типов агентов — Для каждой сущности определите строгий контракт:
  • trigger_condition: когда активировать.
  • expected_input: спецификация входных данных (JSON-схема).
  • output_schema: контракт ответа.
  • allowed_spawn_types: массив типов, которые агент имеет право инстанциировать.
• Шаг 2: Реализация Task Pool (пула задач) — Создайте очередь задач. Когда супервайзер разбивает видео на 50 предложений, он публикует 50 задач в очередь. Агенты-воркеры берут их по мере завершения текущей работы.
• Шаг 3: Синхронизация через каналы (Results Channel) — Каждый исполнитель отдает результат в общий канал результатов, откуда сборщик забирает готовые данные для компиляции проекта.

Результат: Самоорганизующаяся агентская среда, исключающая бесконечные циклы порождения боссов и гарантирующая доведение каждого фрагмента задачи до финала.

8. Сравнительный бенчмарк оркестрации: от чего зависят затраты и поведение моделей

Контекст: Одинаковый промпт на запуск команды агентов приводит к совершенно разным результатам в зависимости от используемой LLM под капотом. Эксперимент по автономной разработке игры показал: Kimi K1.5 действует предельно консервативно и спавнит всего 5 агентов; MiniMax моментально заваливает проект десятками задач и сырыми концепт-артами; GPT-5 / o3 склонны к агрессивному рекурсивному ветвлению и созданию гигантских иерархий; Claude 3.5/3.7 Opus отлично держит логику, но сжигает колоссальное количество токенов, быстро упираясь в недельные лимиты подписок. Успех вайбкодинга с субагентами зависит от правильного сопоставления модели и архитектурного паттерна под бюджет задачи.

Тайминг: ▶ 16:47, ▶ 17:23, ▶ 17:60, ▶ 18:03, ▶ 18:78, ▶ 19:30

Выгода: Экономия сотен долларов на API; осознанный выбор между Subagents, Agent Teams, Workflows и кастомными движками в зависимости от детерминированности процесса.

Как применить:

• Шаг 1: Выбор архитектурного паттерна под задачу:
  • Базовые субагенты (Codex/Claude Subagents): низкая стоимость, минимальная гибкость. Идеально для одноразовых задач, где нужно просто распараллелить вычисления (сбор новостей, написание тестов).
  • Agent Teams (P2P): высокая гибкость, средняя стоимость. Подходит для креативного ресерча, где агентам полезно спорить друг с другом и перепроверять чужие решения.
  • Dynamic Workflows: высокая надежность, строго повторяемый процесс. Рекомендуется для стабильных конвейеров (продакшн контента, CI/CD).
  • Кастомный движок (Rust/Python Network): максимальная производительность, поддержка 100+ агентов, работа без наценок и ограничений платформенных харнессов.
• Шаг 2: Гибридизация моделей — Ставьте на позицию оркестратора (директора) дорогую модель с глубоким планированием (Claude Opus / GPT-5), а в воркеры и чекеры — дешевые быстрые модели (GPT-4o mini, Kimi, Claude Haiku), отсекая лишние расходы.
• Шаг 3: Движение к детерминизму — По мере стабилизации пайплайна заменяйте свободные агентские рассуждения фиксированным программным кодом с точечными вызовами LLM строго там, где требуется распознавание неструктурированных данных.

Сравнительная таблица мультиагентных подходов

Результат: Оптимально настроенная агентская фабрика, выдающая предсказуемый результат при минимальной стоимости за токен.

AI-субагенты в Claude Code и Codex: ответы на частые вопросы

В: Почему нельзя поручить монтаж или длинный ресерч одному агенту в одной сессии? О: Потому что по мере роста контекста модель неизбежно сталкивается с проблемой деградации внимания («needle in a haystack» эффект). Агент начинает пропускать тайминги, поверхностно обобщать факты и забывать начальные инструкции. Изоляция контекста через субагентов позволяет каждому исполнителю держать в памяти только свой узкий фрагмент работы.

В: В чём ключевая разница между Agent Teams и базовыми субагентами в Claude Code? О: В базовой схеме общение идет строго по вертикали: супервайзер ставит задачу субагенту и получает ответ. В Agent Teams агенты могут взаимодействовать между собой горизонтально (Peer-to-Peer), обмениваясь сообщениями напрямую. Например, агент-верификатор может завернуть кадр агенту-поисковику без возврата контекста наверх к главному менеджеру.

В: Зачем переписывать агентскую систему на Rust, если есть готовые решения (CrewAI, AutoGen, Claude Code)? О: Коробочные решения тянут за собой тяжелые среды исполнения и огромные системные промпты (до 4000–8000 токенов на каждый запрос каждого агента). На 100+ параллельных агентах машина упирается в память и процессор, а расход токенов на служебный мусор делает запуск экономически нецелесообразным. Решение на Rust запускает агентов как асинхронные задачи внутри одного процесса и передает модели строго очищенный промпт без мусорных инструкций.

В: Как предотвратить бесконечный самоспавн агентов и слив баланса? О: Необходимо программно ограничить манифест прав агента: ввести поле allowed_spawn_types, в котором жестко указать, какие именно типы субагентов имеет право создавать данный узел. Ни один агент не должен иметь права создавать себе подобных или иерархически вышестоящих координаторов.

В: Как агент работает с DaVinci Resolve без использования мыши и Computer Use? О: Через специализированный CLI-мост. DaVinci Resolve имеет встроенный Python/Lua API. На его базе пишется консольная утилита, которая принимает простые шелл-команды (resolve-cli clip insert, resolve-cli transform zoom) и моментально применяет их к активному таймлайну без эмуляции графического интерфейса.

В: Что делать, если при массовом поиске видео YouTube блокирует IP-адреса агентов? О: Обязательно внедрять ротацию прокси в модули выкачивания (curl / yt-dlp). В системном окружении или конфигурации субагента-поисковика прописывается список HTTP/SOCKS5 прокси, через которые направляется весь исходящий трафик скрапинга.

AI-субагенты в Claude Code и Codex: инструменты и ссылки из видео

• Synapse AI (Synnx AI) — Мультимодельный AI-агрегатор, объединяющий доступ к 40+ LLM (Claude, GPT, Gemini), генераторам изображений и видеомоделям (Kling, Veo, CogVideo, Shengshu/Vidu).
• Claude Code CLI — Терминальный инструмент от Anthropic с поддержкой Agent Teams, субсессий и Dynamic Workflows.
• Чертила — Проприетарный сервис автора для программной генерации моушн-инфографики и титров через API.
• DaVinci Resolve Studio API — Официальный интерфейс автоматизации монтажа через скрипты (Lua/Python).
• Model Context Protocol (MCP) — Открытый стандарт Anthropic для безопасного подключения баз данных (PostgreSQL), мессенджеров и веб-инструментов к контексту AI-моделей.

Конспект создан на основе видео «Я запустил 100 AI Агентов» канала Oleg (Алик LLM). Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=gNsjZvzdGEE