Claude Code Sub Agents实战：三分钟复现Kiro规范驱动开发工作流

Claude Code 最新版本推出了一项重磅功能——Sub Agents（子代理）。这一功能让 Claude Code 从单纯的 AI 编程工具，进化为一个功能丰富的 AI 智能体平台。更令人兴奋的是，借助 Sub Agents，我们可以完美复现近期大火的 Kiro IDE 的 Spec-Driven（规范驱动）AI 编程工作流，而且实际体验速度远超尚未正式发布的 Kiro。

什么是Sub Agents？独立沙箱与任务专业化

Sub Agents 的核心理念是任务专业化和模块化。你可以将它理解为一个专家团队——每个成员都有自己的专长，负责特定的任务领域。

其最关键的技术特性在于：每个子代理都在独立的沙箱环境中运行，拥有独立的上下文窗口。这意味着子代理的上下文不会污染主对话的上下文，主对话可以始终聚焦于更高层次的任务编排，而不会被子任务的细节所干扰。

要理解这一设计的重要性，需要了解一些技术背景。沙箱（Sandbox）是一种安全隔离机制，最早广泛应用于操作系统和浏览器领域，用于将不受信任的代码限制在受控环境中运行。在 AI Agent 的语境下，沙箱意味着每个子代理拥有独立的运行环境和内存空间，彼此之间不会产生状态干扰。而上下文窗口（Context Window）是大语言模型的核心限制之一，指模型在单次推理中能够处理的最大 token 数量。当前主流模型如 Claude 的上下文窗口为 200K tokens，但随着对话深入，上下文会被历史信息填满，导致模型对新信息的关注度下降——这就是所谓的「上下文污染」问题。Sub Agents 通过为每个子代理分配独立的上下文窗口，从根本上解决了这一问题：主对话保持精简的任务编排视角，而子代理在各自的上下文中处理具体细节，完成后仅将结果摘要返回主对话。

Sub Agents 配置界面

Sub Agents 的核心优势包括：

单一职责原则：每个 Agent 专注于一个特定领域，如代码审查、文档生成、架构设计等
跨项目复用：创建好的 Agent 可以在不同项目间共享使用，团队内也可以统一分发
安全性控制：可以精确限制每个子代理能访问的工具，实现最小权限原则
MCP 工具支持：完整支持 MCP 协议工具的调用，扩展能力几乎无限
版本控制友好：Agent 配置以文件形式存储，天然支持 Git 版本管理

其中，单一职责原则（Single Responsibility Principle, SRP）是面向对象设计 SOLID 五大原则之首，由 Robert C. Martin 提出，核心思想是「一个模块应该有且仅有一个引起它变化的原因」。将这一原则应用于 AI Agent 设计，意味着每个子代理只负责一个明确的任务领域，避免出现「万能 Agent」导致的提示词臃肿和行为不可预测问题。而最小权限原则（Principle of Least Privilege）源自信息安全领域，要求系统中的每个主体只被授予完成其任务所需的最小权限集合。在 Sub Agents 的场景中，一个负责代码审查的 Agent 不应该拥有文件写入权限，一个负责文档生成的 Agent 不需要访问数据库的能力。这两个原则的结合，使得 Sub Agents 体系在功能强大的同时保持了可控性和安全性——这对于企业级应用场景尤为重要。

关于 MCP（Model Context Protocol，模型上下文协议），这是由 Anthropic 于 2024 年底推出的开放标准协议，旨在为大语言模型提供一种统一的方式来连接外部数据源和工具。可以将 MCP 理解为 AI 世界的「USB-C 接口」——在 MCP 出现之前，每个 AI 应用要接入不同的外部工具（如数据库、API、文件系统等），都需要编写定制化的集成代码，导致大量重复工作和兼容性问题。MCP 采用客户端-服务器架构：AI 应用作为 MCP 客户端发起请求，而各种工具和数据源通过 MCP 服务器暴露其能力。目前 MCP 生态已经涵盖了 GitHub、Slack、PostgreSQL、Puppeteer 等数百个常用工具，Sub Agents 对 MCP 的完整支持意味着每个子代理都可以灵活调用这些外部能力，极大地拓展了自动化的边界。

快速上手：创建你的第一个Sub Agent

使用 Sub Agents 非常简单。首先确保安装了 Claude Code 最新版，然后在 VS Code 中通过 Cmd + Esc 打开 Claude Code，输入 /agents 即可进入子代理管理界面。

方式一：自动生成Agent配置

Claude Code 支持根据自然语言描述自动生成 Agent 配置。例如输入"创建一个能够生成产品需求文档的 Agent"，系统会自动生成完整的名称、描述、系统提示词和工具配置。

自动生成的 Agent 配置详情

生成后的 Agent 会以配置文件的形式保存在项目目录中。之后只需简单调用，比如输入"使用 PRD Generator 帮我写一个电商 App 的 PRD 文档"，就能得到一份结构完整、内容详尽的产品需求文档。

方式二：手动创建Agent

对于需要精确控制的场景，也可以选择手动创建。手动创建时需要指定：

Agent 名称：如"代码审查专家"
系统提示词：定义角色、目标和工作流程
工具权限：选择该 Agent 可以调用的工具集
作用范围：当前项目级别或全局级别

复现Kiro的Spec-Driven规范驱动工作流

亚马逊推出的 Kiro IDE 以其规范驱动的 AI 编程方式引发了广泛关注，但由于尚未正式发布，实际体验中响应速度非常慢。借助 Claude Code 的 Sub Agents，我们可以完整复现这套工作流，而且执行效率更高。

Kiro 是亚马逊 AWS 于 2025 年中期推出的 AI 原生 IDE，其核心理念「规范驱动开发」（Spec-Driven Development）并非全新发明，而是对软件工程中经典的「瀑布模型」和「设计先行」思想的 AI 时代重新诠释。在传统软件开发中，大型项目通常会经历需求分析、概要设计、详细设计、编码实现、测试验证等阶段，每个阶段都会产出相应的规范文档。然而随着敏捷开发的普及，许多团队逐渐弱化了前期文档的重要性。AI 编程工具的出现让这个问题更加突出——当开发者直接用自然语言描述需求让 AI 生成代码时，缺乏中间规范文档会导致 AI 对需求理解的偏差在后续开发中不断放大。Kiro 的创新在于将规范文档的生成也交给 AI 完成，形成「AI 生成规范 → 人类审核规范 → AI 按规范编码」的闭环，兼顾了效率与质量。

Kiro规范驱动开发的完整执行流程

Kiro 的工作流分为两大阶段：

规划阶段：

项目初始化：分析现有代码库，生成项目规则文件、产品愿景、技术栈结构等
功能需求定义：用户角色故事分析，生成需求规范文件
技术架构设计：组件结构设计，生成架构文档
任务分解：依赖关系排序，生成执行清单

执行阶段：

严格按照规范执行代码编写和修改
实时更新任务状态文件

创建 Agent 命令界面

三个核心Sub Agent的构建方案

为了用 Claude Code 复现这套 Kiro 工作流，我们需要创建三个专业化的 Sub Agent：

Agent 1：项目指导架构师

角色：AI 项目分析师 + 文档架构师
职责：分析项目并创建指导文件，包括项目结构、技术栈配置等基础文档
工作流：分析现有代码 → 初始化项目文件 → 交互确认细节

Agent 2：专家级软件架构师 + 协作规划师

职责：功能规划、需求分析、任务分解
输出：需求文档、架构文档、任务清单三个核心文件

Agent 3：软件工程师

职责：严格按照任务清单逐步执行编码
特点：专注于代码实现，遵循前两个 Agent 产出的规范文档

这三个 Agent 的协作模式本质上是一个流水线架构（Pipeline Architecture）：每个 Agent 的输出成为下一个 Agent 的输入，形成了从抽象到具体的逐层细化过程。这种设计与微服务架构中的职责分离思想一脉相承，确保了每个环节的输出质量可以被独立验证和调整。

实战演示：用Sub Agents构建TodoList应用

以一个 TodoList 项目为例，完整的规范驱动开发工作流如下：

第一步：调用项目指导架构师

输入提示词后，Agent 自动分析项目环境并创建项目指导文件，包括项目结构定义和技术栈配置。

生成的项目指导文件

第二步：调用软件架构师进行功能规划

该 Agent 调用了多个工具，完整生成了 TodoList 的功能规划，包括需求文档、架构文档和任务清单三个文件。

第三步：调用软件工程师执行编码任务

第三个 Agent 严格按照任务清单逐步执行，最终生成了完整的项目代码。最终产出的 TodoList 应用功能完备，支持：

任务添加与优先级设置
任务完成状态切换
任务编辑与删除
待完成/已完成任务分类展示

整个过程从需求到代码产出，每一步都有对应的规范文档作为依据，这正是 Spec-Driven 开发的核心价值。

从Vibe Coding到Spec-Driven的范式升级

Sub Agents 的出现标志着 AI 编程正在经历一次重要的范式转换。传统的 Vibe Coding（即兴式 AI 编程）虽然门槛低、上手快，但在项目复杂度提升后往往难以维护。

Vibe Coding 这一概念由 OpenAI 联合创始人 Andrej Karpathy 在 2025 年初提出，他将其描述为一种「完全沉浸于氛围中，拥抱指数级增长，忘记代码本身存在」的编程方式。在 Vibe Coding 模式下，开发者只需用自然语言描述想要的功能，AI 工具（如 Cursor、GitHub Copilot、Claude Code 等）直接生成代码，开发者甚至不需要完全理解生成的代码就能运行项目。这种方式极大地降低了编程门槛，让非专业开发者也能快速构建原型。然而，Vibe Coding 的局限性在实际工程中逐渐暴露：生成的代码缺乏统一架构、不同模块之间风格不一致、难以进行系统性重构、技术债务快速累积。当项目规模超过几千行代码后，AI 在缺乏全局规范指导的情况下，生成的新代码往往与已有代码产生冲突，导致 bug 频发。这正是规范驱动开发试图解决的核心痛点。

而规范驱动的开发方式通过先规划、再执行的结构化流程，带来了显著的工程化优势：

一致性：所有代码都遵循统一的架构规范
可追溯性：从需求到实现的每一步都有文档记录
可维护性：清晰的任务分解让后续迭代更加可控
团队协作：标准化的工作流让团队成员可以无缝衔接

Claude Code 的 Sub Agents 不仅让这种规范驱动的工作流成为可能，更通过独立沙箱、工具权限控制等机制，确保了整个流程的安全性和可靠性。对于追求工程质量的开发团队来说，这无疑是一个值得深入探索的方向。

核心要点

Claude Code 新增 Sub Agents 功能，每个子代理在独立沙箱中运行，拥有独立上下文窗口，实现任务专业化和模块化
Sub Agents 支持跨项目复用、团队共享、工具权限控制和 MCP 协议，可通过自动生成或手动创建两种方式配置
通过构建三个专业化 Agent（项目架构师、软件规划师、软件工程师），可以完整复现 Kiro 的 Spec-Driven 规范驱动开发工作流
规范驱动开发遵循「先规划再执行」的结构化流程，依次完成项目初始化、功能规划、任务分解和代码执行四个阶段
Sub Agents 的出现标志着 AI 编程从 Vibe Coding 向结构化规范驱动开发的范式升级，显著提升代码一致性和可维护性