Sub-agent ใน Claude Code คืออะไร — ทำงาน parallel เร็วขึ้น 5 เท่า

งานวิจัยที่ตีพิมพ์ใน arXiv เมื่อปี 2025 พบว่า ระบบ AI agents ที่ทำงาน parallel พร้อมกัน มีอัตราการทำงานสำเร็จสูงกว่า single agent ที่ทำงานตามลำดับอย่างมีนัยสำคัญ — โดยเฉพาะกับงานที่มีหลาย subtask อิสระต่อกัน [arXiv, 2025] และในการทดสอบจริงของ Anthropic เอง ระบบ multi-agent research สามารถย่นเวลา workflow ซับซ้อนได้หลายนาทีถึงหลาย 10 นาทีต่อ session [Anthropic Engineering, 2025]

แต่คนส่วนใหญ่ที่ใช้ Claude Code ยังทำงานแบบ agent เดียว — ถามไปตอบมา ทำทีละขั้น — ทั้งที่ Claude Code มีระบบ sub-agent ที่พร้อมทำงาน parallel ได้อยู่แล้วตั้งแต่วันแรก

บทความนี้จะอธิบายว่า sub-agent คืออะไร, ทำงานอย่างไร, เมื่อไหร่ควรใช้, พร้อมตัวอย่างจริงที่ทำให้เห็นภาพชัด และเทคนิคเขียน prompt ที่ทำให้ sub-agent ทำงานได้ผลดี

Sub-agent ใน Claude Code คืออะไร?

Sub-agent (ซับ-เอเจนต์) คือ Claude Code instance ที่ถูกสร้างขึ้นมาใหม่, มีหน้าที่เฉพาะ, มี system prompt และ context window ของตัวเอง — ทำงานแยกจาก main agent แต่ผลลัพธ์ถูกส่งกลับมาให้ main agent ใช้ต่อ

เปรียบเหมือนคุณเป็น manager, และ main agent คือ assistant ที่คุยด้วยโดยตรง เมื่อมีงานซับซ้อน main agent จะ “spawn” (สร้าง) sub-agents ที่เป็นเหมือนทีมงานเฉพาะทาง — researcher, writer, reviewer — ให้ทำงานพร้อมกัน แล้ว main agent รอรับผลสรุปจากทุกคนเพื่อ synthesize ต่อ

ในทางเทคนิค sub-agent ถูกกำหนดด้วยไฟล์ markdown ที่มี YAML frontmatter ซึ่งระบุ:

• name — ชื่อ agent สำหรับ reference
• description — อธิบายว่า agent นี้ทำงานอะไร (ใช้สำหรับ auto-routing)
• model — เลือก Claude model เช่น claude-haiku-4-5 หรือ claude-sonnet-4-6
• tools — กำหนด tools ที่ agent มีสิทธิ์ใช้ เช่น Read, WebSearch, Bash
• system prompt — คำสั่งหลักที่บอก agent ว่าต้องทำงานอย่างไร

ไฟล์เหล่านี้เก็บไว้ที่ .claude/agents/ ในโปรเจกต์ (project-level) หรือ ~/.claude/agents/ บนเครื่องของคุณ (user-level) [Anthropic Claude Code Docs] Sub-agents ที่เป็น project-level จะถูก share กับทุกคนใน team ที่ clone repo มา ทำให้ทั้งทีมใช้ agent เดียวกัน มาตรฐานเดียวกัน

คำศัพท์ที่เกี่ยวข้องที่ควรรู้: orchestrator คือ main agent ที่ควบคุมและ delegate งาน, Task tool คือกลไกที่ใช้ spawn sub-agents, agent team คือการรวมหลาย Claude Code sessions ให้ทำงานร่วมกันแบบ coordinated, background agent คือ agent ที่รันในพื้นหลังขณะที่คุณยังทำงานต่อได้

ทำไม Sub-agent ถึงทำงานเร็วกว่า Claude Code ธรรมดา?

เหตุผลหลักคือ parallel execution — sub-agents หลายตัวทำงานพร้อมกันในเวลาเดียว แทนที่จะทำทีละอย่าง ลองนึกภาพสองแบบนี้:

แบบที่ 1: Single agent
คุณให้ Claude Code research 5 หัวข้อ → agent ไป research หัวข้อที่ 1 เสร็จ → research หัวข้อที่ 2 เสร็จ → … จนครบ 5 หัวข้อ ถ้าแต่ละหัวข้อใช้เวลา 5 นาที รวมได้ 25 นาที

แบบที่ 2: Sub-agents
คุณ spawn sub-agent 5 ตัวพร้อมกัน แต่ละตัวรับผิดชอบ 1 หัวข้อ ทำงานพร้อมกัน เสร็จทั้ง 5 หัวข้อใน ~5 นาที ได้ผลลัพธ์เร็วขึ้น 5 เท่า

นอกจาก speed แล้ว sub-agent ยังให้ประโยชน์ด้านอื่น:

• Context isolation — แต่ละ sub-agent มี context window ของตัวเอง ไม่ปน ไม่รกไม่สับสน main agent ได้รับแค่ผลสรุปที่กระชับ ไม่ต้องแบก raw data ทั้งหมด
• Specialization — sub-agent แต่ละตัว focus ได้เต็มที่ในงานของตัว researcher ก็ research อย่างเดียว reviewer ก็ review อย่างเดียว ไม่ต้อง switch context
• Reusability — สร้าง sub-agent ครั้งเดียว ใช้ได้ทุก project ทุก task ที่คล้ายกัน ไม่ต้อง re-explain ซ้ำ
• Cost optimization — sub-agent งาน routine ใช้ model เบา (เช่น Claude Haiku) ประหยัดกว่าให้ Sonnet ทำทุกอย่าง

อย่างไรก็ตาม ความเร็ว “5 เท่า” ที่พูดถึงในหัวข้อเกิดขึ้นเมื่องาน เป็นอิสระต่อกัน ถ้างานมี dependencies ที่ต้องทำตามลำดับ sub-agent ก็ไม่ได้ช่วยเรื่อง speed มากนัก แต่ยังให้ประโยชน์ด้าน context isolation อยู่

Sub-agent ทำงานอย่างไร? — กลไกเบื้องหลัง

เมื่อ Claude Code orchestrator ตัดสินใจว่าจะ delegate งานให้ sub-agent มัน invoke Task tool โดยส่ง:

1. task description — บอกว่าต้องทำอะไร
2. file references — ไฟล์ที่ sub-agent ต้องอ่านหรือแก้ไข
3. constraints — ข้อจำกัด เช่น ห้ามแก้ไขไฟล์, return ไม่เกิน 500 tokens

จากนั้น sub-agent รับ task แล้วเข้าสู่ agentic loop ของตัวเอง: อ่านไฟล์, เรียก tool, คิด, ทำงาน ซ้ำจนกว่าจะเสร็จ แล้วส่ง ผลสรุป กลับมาให้ main agent — ไม่ใช่ trace ทั้งหมด แค่ output ที่สำคัญเท่านั้น

Main agent รอรับผลจากทุก sub-agent (ถ้า parallel) แล้วนำมา synthesize เพื่อตัดสินใจขั้นต่อไป สิ่งสำคัญคือ sub-agent ที่ไม่ได้ถูก spawn ก็ยังคง “exist” อยู่ในรูป definition ไฟล์ มัน stand by รอถูก invoke เมื่อถึงเวลา

Claude Code มี sub-agents built-in มาด้วย:

• Explore — scan file structure, อ่านโค้ด, สรุปภาพรวม — เหมาะสำหรับ codebase analysis
• Plan — วางแผน implementation แบ่งงานเป็น steps
• General-purpose — fresh Claude Code instance เต็มรูปแบบ ใช้เมื่อต้องการ context ที่สะอาด

นอกจาก built-in แล้ว คุณสร้าง custom sub-agents ได้ไม่จำกัด เช่น researcher, thai-content-writer, code-reviewer, seo-optimizer — ทุก agent มี personality และ expertise ของตัวเอง ตามที่คุณออกแบบ สนใจเรื่อง MCP ที่ช่วยให้ agent เข้าถึงข้อมูลภายนอกได้? อ่านเพิ่มเติมที่ MCP คืออะไร? เทคโนโลยี USB-C ของ AI

เมื่อไหร่ควรใช้ Sub-agent — และเมื่อไหร่ไม่ควรใช้?

Sub-agent ไม่ใช่คำตอบของทุกปัญหา การรู้ว่าเมื่อไหร่ควรใช้มีความสำคัญพอๆ กับรู้ว่าใช้อย่างไร

ควรใช้ sub-agent เมื่อ:

• งานเป็นอิสระต่อกัน — research หลายหัวข้อ, วิเคราะห์หลาย module, สร้าง content หลาย format พร้อมกัน
• ต้องการ context isolation — อ่าน codebase ขนาดใหญ่โดยไม่ทำให้ main context รก
• ต้องการ specialization — งาน review ที่ต้องมองจากหลายมุม (security, performance, UX) พร้อมกัน
• งาน research หนัก — ค้นข้อมูลจาก web, อ่าน doc ยาว — ให้ sub-agent ทำแล้วส่งสรุปมา
• ต้องการ reusable workflow — กระบวนการที่ทำซ้ำบ่อย เช่น review code ก่อน commit

ไม่ควรใช้ sub-agent เมื่อ:

• งานเล็กและตรงไปตรงมา — แก้ typo, เปลี่ยนชื่อตัวแปร — overhead จาก sub-agent ไม่คุ้ม
• งานมี dependency แน่น — ถ้า step 2 ต้องรู้ผล step 1 การ parallel ไม่ได้ช่วย และอาจสร้าง conflict ถ้า edit ไฟล์เดียวกัน
• ต้องการ narrative ต่อเนื่อง — เช่น implement feature ที่ต้องปรับ design ระหว่างทางตลอด เหมาะกว่าให้ main agent ทำเอง
• ไม่มี governance — sub-agent ที่มี permission มากเกินไปโดยไม่มี oversight อาจทำการที่ไม่ได้ตั้งใจได้เร็วมาก

สำหรับทีมในไทยที่เพิ่งเริ่มต้น แนะนำให้ลองกับงาน research หรือ content production ก่อน เพราะเห็นผลชัดที่สุด และมี risk ต่ำ ก่อนจะ expand ไปงาน coding หรือ system automation ที่ซับซ้อนกว่า

ตัวอย่างจริง: Research 5 หัวข้อพร้อมกันใน 1 คำสั่ง

สมมติทีม marketing ต้องการ research 5 หัวข้อสำหรับ content calendar ประจำเดือน:

1. เทรนด์ AI ในวงการ HR ปี 2026
2. ธุรกิจ SME ไทยที่ใช้ AI สำเร็จแล้ว
3. เครื่องมือ AI ฟรีที่นักการตลาดควรรู้
4. ข้อกฎหมาย PDPA ล่าสุดที่เกี่ยวกับ AI
5. เปรียบเทียบ Claude vs ChatGPT ในงาน copywriting

วิธีที่ 1 — Single agent (ไม่มี sub-agents):
Claude Code research ทีละหัวข้อตามลำดับ ใช้เวลาประมาณ 4-6 นาทีต่อหัวข้อ รวมแล้ว 20-30 นาที และ context window ของ main agent เต็มไปด้วย raw research data ทั้ง 5 หัวข้อ

วิธีที่ 2 — Parallel sub-agents:
สร้าง sub-agent ชื่อ researcher ไว้ใน .claude/agents/researcher.md:

---
name: researcher
description: ค้นข้อมูลเชิงลึกจาก web และสรุปผลเป็นภาษาไทย เหมาะสำหรับ content research
model: claude-haiku-4-5
tools: [WebSearch, WebFetch, Read]
---

คุณคือ researcher เชี่ยวชาญด้านการค้นหาและสรุปข้อมูล

กฎการทำงาน:
- ค้นข้อมูลจากแหล่งที่น่าเชื่อถือ ไม่น้อยกว่า 3 แหล่ง
- สรุปผลเป็นภาษาไทย ไม่เกิน 400 คำ
- ระบุ source URL ทุก claim สำคัญ
- เน้น facts และ statistics ที่มี year กำกับ

จากนั้นสั่ง Claude Code ว่า:

“Research 5 หัวข้อต่อไปนี้พร้อมกันโดยใช้ researcher sub-agent: [list 5 หัวข้อ] ให้แต่ละ agent ทำ 1 หัวข้อ รันพร้อมกัน แล้วสรุปผลรวมให้ฉัน”

Claude Code จะ spawn researcher sub-agents 5 ตัวพร้อมกัน แต่ละตัวค้น 1 หัวข้อ เสร็จใน ~5-8 นาที (แทนที่จะเป็น 25-35 นาที) Main agent รับผลสรุปจากทั้ง 5 ตัว synthesize เป็น content brief — context ของ main agent ยังสะอาด พร้อมทำงานต่อ

รูปแบบนี้ใช้ได้กับงาน content marketing, competitive analysis, ค้นหา sources สำหรับบทความ, และอื่นๆ อีกมาก ถ้าสนใจ Claude Code Skills ที่ช่วยทำ workflow ซับซ้อนแบบนี้ได้อัตโนมัติ อ่านได้ที่ Claude Code Skills คืออะไร? สร้าง Custom Workflow ส่วนตัวใน 10 นาที

เทคนิคเขียน Prompt ให้ Sub-agent ได้ผลดี

Sub-agent ต่างจาก chatbot ตรงที่มันทำงาน อัตโนมัติโดยไม่ถามกลับ ดังนั้น prompt ต้องครอบคลุมและชัดเจนตั้งแต่ต้น เทคนิคสำคัญมี 4 ข้อ:

1. ระบุ scope ชัดเจน

แทนที่จะบอกว่า “analyze the codebase” ให้บอกว่า “summarize the auth module โดยอ่านไฟล์ไม่เกิน 10 ไฟล์ และ return structured overview ที่มี: responsibilities, key functions, dependencies, และ risks” ยิ่งชัดยิ่งดี เพราะ sub-agent ไม่ถามกลับ

2. กำหนด success criteria

บอก sub-agent ว่า “สำเร็จ” หมายความว่าอะไร เช่น “return เป็น JSON ที่มี fields: summary (≤300 คำ), top_3_risks (list), confidence (1-10)” หรือ “ห้ามแก้ไขไฟล์ใดๆ ทำได้แค่อ่าน” criteria ที่ชัดทำให้ output ตรงกับที่ต้องการทุกครั้ง

3. ตั้ง token budget

บอกขนาด output ที่ต้องการ เช่น “สรุปไม่เกิน 500 คำ” หรือ “return bullet points ไม่เกิน 10 ข้อ” ป้องกัน sub-agent ส่งผลสรุปยาวเกินจนทำให้ main context เต็ม โดยเฉพาะเมื่อรัน parallel หลายตัวพร้อมกัน

4. จำกัด tools ตาม role

sub-agent ที่ทำหน้าที่ research ควรมีแค่ WebSearch, WebFetch, Read — ไม่จำเป็นต้องมี Bash หรือ Edit sub-agent ที่ทำหน้าที่ review code ควร read-only ห้าม write เพื่อความปลอดภัย การจำกัด tools ไม่ใช่แค่ลด risk แต่ยังทำให้ sub-agent ทำงานได้ focused ขึ้นด้วย

ตัวอย่าง prompt สำหรับ research sub-agent ที่ดี:

“Research เรื่อง ‘เทรนด์ AI ใน HR ปี 2026’ โดยค้นหาจาก web ไม่เกิน 5 แหล่ง สรุปเป็นภาษาไทยไม่เกิน 400 คำ ประกอบด้วย: 1) key trends 3-5 ข้อ, 2) statistics พร้อม source, 3) implication สำหรับบริษัทในไทย ห้ามเดาหรือสร้างข้อมูลที่ไม่มี source”

Prompt แบบนี้ชัด, มี scope, มี output format, และมี constraint — sub-agent ทำงานได้ทันทีโดยไม่ต้องถามกลับ อยากเรียนการใช้ Claude Code อย่างจริงจังตั้งแต่ต้น? Claude Code and CoWork สำหรับหัวหน้ายุคใหม่ ของ FutureSkill สอนตั้งแต่พื้นฐาน agents workflow จนถึง advanced multi-agent patterns

สรุป

Sub-agent ใน Claude Code คือกลไกที่เปลี่ยน AI จาก assistant คนเดียวให้เป็น ทีมงาน ที่ทำงาน parallel พร้อมกัน โดยสรุปสิ่งที่ควรจำ:

• Sub-agent คือ Claude Code instance ที่มี context, system prompt, และ tools ของตัวเอง — เก็บไว้ที่ .claude/agents/
• ประโยชน์หลัก: parallel execution, context isolation, specialization, และ reusability
• ควรใช้เมื่อ: งานเป็นอิสระต่อกัน, ต้องการ multiple perspectives, หรืองาน research หนัก
• ไม่ควรใช้เมื่อ: งานเล็ก, งาน dependency แน่น, หรือยังไม่มี governance
• เทคนิค prompt: ระบุ scope ชัด, กำหนด success criteria, ตั้ง token budget, จำกัด tools

Sub-agent เป็นแค่หนึ่งในหลาย feature ที่ทำให้ Claude Code แตกต่างจาก chatbot ทั่วไป ถ้าคุณอยากเรียนรู้วิธีใช้ Claude Code อย่างครบถ้วน ตั้งแต่ Claude Code คืออะไร, Skills, MCP, จนถึง sub-agents และ multi-agent workflows — คอร์ส Claude Code and CoWork สำหรับหัวหน้ายุคใหม่ ของ FutureSkill พาคุณจาก 0 ถึง production-ready ได้ในเวลาที่สั้นที่สุด

หรือถ้าต้องการเรียนทั้ง AI Agent, Workflow Automation, และ Tech Stack ครบจบในที่เดียว AI Automation Tech Pass ให้คุณเข้าถึงทุกคอร์สสาย AI Tech ของ FutureSkill ในราคาเดียว พร้อม update คอร์สใหม่ตลอดปี