--- title: "Claude Agent Teams: How One Prompt Now Deploys an Entire AI Workforce" title_ar: "فِرَق الوكلاء في Claude: كيف يُطلق أمرٌ واحد قوةَ فريق كامل من الذكاء الاصطناعي" url: "https://www.aiwithmo.com/prompts/claude-agent-teams" canonical: "https://www.aiwithmo.com/prompts/claude-agent-teams" published: 2026-05-10 updated: 2026-05-10 category: ai-tools languages: [ar, en] author: Mohamed Khair site: aiwithmo --- # Claude Agent Teams: How One Prompt Now Deploys an Entire AI Workforce ## فِرَق الوكلاء في Claude: كيف يُطلق أمرٌ واحد قوةَ فريق كامل من الذكاء الاصطناعي Source: https://www.aiwithmo.com/prompts/claude-agent-teams · Author: Mohamed Khair (محمد خير), aiwithmo · Published in Arabic and English. ## English Most people still think of AI as a single assistant answering one question at a time. Claude Agent Teams (also called Teammates) is something categorically different: you define a complex goal, and Claude spawns an entire coordinated workforce to achieve it. One Claude instance acts as the team lead. It breaks the project into parallel workstreams and delegates each to a specialist teammate: a separate, fully independent Claude session with its own context window, tools, and assigned scope. Teammates work simultaneously, share findings, challenge each other's conclusions, and coordinate directly without you managing the handoffs. The lead reviews each teammate's plan before execution begins, approves or rejects with feedback, and synthesizes the final output. You interact with the goal at the top level. The coordination layer runs itself. Anthropic's own research team stress-tested this by tasking 16 agent teammates to build a C compiler from scratch capable of compiling the Linux kernel: over 100,000 lines of code, produced across nearly 2,000 Claude Code sessions. Netflix has already deployed multiagent orchestration for its platform team. And on May 7, 2026, Anthropic added 'Dreaming' to the stack: agents that review their own past sessions, extract patterns, and self-improve over time. This is not an incremental update to how AI assists you. It is a new architecture for how work gets done. Follow for more: - https://www.instagram.com/ai.with.mo/ Course Registration: https://tally.so/r/D4KBB5 ## العربية اعتاد الناس على التعامل مع الذكاء الاصطناعي باعتباره مساعداً فردياً يُجيب على سؤال واحد في كل مرة. غير أن ميزة Agent Teams في Claude (المعروفة أيضاً بـ Teammates) تمثّل نقلةً مغايرة في جوهرها: تُحدّد هدفاً معقداً، فيُفرز Claude طاقماً متكاملاً من الوكلاء المستقلين لتحقيقه. يتولى أحد النماذج دور قائد الفريق؛ إذ يُقسّم المشروع إلى مسارات عمل متوازية، ويُكلّف كلاً منها إلى وكيل متخصص: جلسة Claude مستقلة بالكامل، لها نافذة سياقها الخاصة وأدواتها ونطاق عملها المحدد. يعمل الوكلاء في آنٍ واحد، ويتبادلون النتائج، ويتحدّون استنتاجات بعضهم، وينسّقون فيما بينهم مباشرةً دون أن تتدخل في إدارة تسليم المهام. يراجع القائد خطة كل وكيل قبل بدء التنفيذ، ويُوافق عليها أو يرفضها مع ملاحظاته، ثم يُجمّع المخرجات النهائية. أنتَ تتعامل مع الهدف على المستوى الأعلى. طبقة التنسيق تُدير نفسها. اختبر فريق الأبحاث في Anthropic هذه البنية بتكليف 16 وكيلاً من Teammates ببناء مترجم C من الصفر قادر على تصريف نواة Linux: أكثر من 100,000 سطر برمجي، أُنتجت عبر ما يقارب 2,000 جلسة. كما نشرت Netflix بالفعل منظومة متعددة الوكلاء لفريق منصتها التقنية. وفي 7 مايو 2026، أضافت Anthropic ميزة 'Dreaming': وكلاء تراجع جلساتها السابقة، وتستخلص الأنماط، وتُحسّن أداءها ذاتياً مع الوقت. هذا ليس تحسيناً تدريجياً لطريقة مساعدة الذكاء الاصطناعي. إنه بنية جديدة لكيفية إنجاز العمل. تابع حسابي على الانستغرام: - https://www.instagram.com/ai.with.mo/ رابط الانضمام للدورة: - https://halaqa.app/enrollment?course=start-with-ai ## Steps ### 1. What Agent Teams Actually Are *Not one AI helping you - multiple AIs working together* Standard AI tools work sequentially: you ask, it answers, you ask again. Claude Agent Teams breaks that model entirely. You define a complex goal, and Claude spawns multiple fully independent instances - called teammates - to pursue it simultaneously. One instance acts as the team lead: it decomposes the project, assigns each workstream to a specialist teammate with its own context window and tools, and synthesizes the final output. Teammates communicate and share findings directly with each other without you coordinating the handoffs. Unlike subagents, which only report back to the main agent, you can also message individual teammates directly to redirect their approach mid-execution. This is not AI working faster. It is AI working at a different organizational scale. ### 2. The Lead and Teammate Architecture: How Coordination Works *Plans get reviewed before a single line is executed* The coordination model is deliberate. When a teammate finishes planning its approach, it sends a plan approval request to the lead. The lead reviews it and either approves or rejects with specific feedback. If rejected, the teammate revises and resubmits before touching anything. Once approved, execution begins autonomously. The lead makes these approval decisions without asking you - but you can influence its judgment by embedding criteria in your initial prompt: 'only approve plans that include test coverage,' or 'reject any plan that modifies the database schema.' This means you are not managing a team. You are writing the governance rules for a team that manages itself. The quality gate is built into the architecture, not into your attention. ### 3. Real-World Proof: 100,000 Lines, 16 Agents, Zero Supervision *Anthropic built a C compiler to stress-test the system* Anthropic's own research team ran one of the most demanding tests of this architecture: they tasked 16 agent teammates with writing a Rust-based C compiler from scratch capable of compiling the Linux kernel. The result, across nearly 2,000 Claude Code sessions: a 100,000-line compiler that runs on x86, ARM, and RISC-V. The researcher's key insight was that the system works best when you design the environment for the agents rather than directing them step by step. Clear test suites, progress files that agents update continuously, and task-locking mechanisms to prevent two agents from solving the same problem simultaneously. The agents oriented themselves using these structures without human guidance. Netflix has independently deployed multiagent orchestration for its platform team in production. ### 4. Dreaming: The Layer That Makes Agents Self-Improve *Launched May 7, 2026 - memory that compounds over time* On May 7, 2026, Anthropic added Dreaming to Claude Managed Agents - a scheduled process that makes agents self-improving over time. After sessions complete, Dreaming reviews the execution history, extracts behavioral patterns, identifies what worked and what did not, and updates the agent's memory store automatically. The next time the agent runs, it starts from a more informed baseline. You control how much autonomy Dreaming has: it can update memory automatically, or you can review proposed changes before they are applied. Together with persistent memory across sessions, this creates a compounding system: agents do not just execute tasks, they become progressively better at the specific workflows you run. The gap between a newly configured agent and one that has been running for a month becomes measurable. ## الخطوات ### 1. ما هي فرق الوكلاء فعلاً *ليس ذكاءً اصطناعياً واحداً يساعدك، بل فريق كامل يعمل معاً* تعمل أدوات الذكاء الاصطناعي التقليدية بصورة تسلسلية: تسأل فتُجاب، ثم تسأل من جديد. تكسر فِرَق الوكلاء في Claude هذا النموذج كلياً. تُحدّد هدفاً معقداً، فيُفرز Claude نسخاً مستقلة متعددة - تُعرف بـ Teammates - تسعى إلى تحقيقه في آنٍ واحد. تضطلع إحداها بدور قائد الفريق: تُفكّك المشروع، وتُكلّف كل مسار عمل إلى وكيل متخصص بنافذة سياقه الخاصة وأدواته، ثم تُجمّع المخرجات النهائية. يتواصل الوكلاء فيما بينهم ويتبادلون النتائج مباشرةً دون أن تتولى أنت إدارة التسليم. وخلافاً للوكلاء الفرعيين الذين لا يُعاودون إلا المنسّق الرئيسي، يمكنك مراسلة أي وكيل مباشرةً لإعادة توجيه مساره في منتصف التنفيذ. ### 2. بنية القائد والزملاء: كيف تعمل آلية التنسيق *تُراجَع الخطط قبل تنفيذ أي خطوة* نموذج التنسيق مُصمَّم بعناية. حين يُنهي أي وكيل صياغة خطته، يرفعها إلى القائد طالباً الموافقة. يراجع القائد الخطة فيُجيزها أو يرفضها مع ملاحظات محددة. إن رُفضت، يُعيد الوكيل صياغتها ويُقدّمها من جديد قبل الشروع في أي تنفيذ. بمجرد الموافقة، ينطلق التنفيذ باستقلالية تامة. يتخذ القائد هذه القرارات دون الرجوع إليك - غير أنك تستطيع التأثير في حكمه بإدراج معايير واضحة في مطلبك الأولي: 'وافق فقط على الخطط التي تشمل اختبارات التغطية'، أو 'ارفض أي خطة تُعدّل مخطط قاعدة البيانات'. هذا يعني أنك لا تُدير فريقاً، بل تضع قواعد الحوكمة لفريق يُدير نفسه بنفسه. ### 3. إثبات من الواقع: 100,000 سطر، 16 وكيلاً، بلا إشراف مستمر *بنى فريق Anthropic مترجم C لاختبار حدود النظام* أجرى فريق الأبحاث في Anthropic أحد أكثر الاختبارات صرامةً لهذه البنية: كلّفوا 16 وكيلاً من Teammates بكتابة مترجم C قائم على Rust من الصفر، قادر على تصريف نواة Linux. النتيجة، عبر ما يقارب 2,000 جلسة من Claude Code: مترجم يتجاوز 100,000 سطر برمجي يعمل على معماريات x86 وARM وRISC-V. الاستخلاص الجوهري للباحث كان أن النظام يبلغ أقصى كفاءته حين تُصمّم البيئة من أجل الوكلاء لا حين توجّههم خطوة بخطوة: مجموعات اختبار واضحة، وملفات تقدّم يُحدّثها الوكلاء باستمرار، وآليات لقفل المهام تمنع وكيلَين من معالجة الإشكالية ذاتها في آنٍ واحد. نشرت Netflix بدورها منظومة متعددة الوكلاء لفريق منصتها التقنية في بيئة الإنتاج الفعلية. ### 4. Dreaming: الطبقة التي تجعل الوكلاء يتحسّنون ذاتياً *أُطلقت في 7 مايو 2026 - ذاكرة تتراكم وتتعمّق مع الوقت* في 7 مايو 2026، أضافت Anthropic ميزة Dreaming إلى Claude Managed Agents - وهي عملية مجدولة تجعل الوكلاء يتحسّنون ذاتياً بمرور الوقت. بعد اكتمال الجلسات، تراجع هذه الميزة سجل التنفيذ، وتستخلص الأنماط السلوكية، وتُحدّد ما نجح مما أخفق، ثم تُحدّث مخزن ذاكرة الوكيل تلقائياً. في المرة التالية التي يعمل فيها الوكيل، يبدأ من قاعدة معرفية أكثر نضجاً. تتحكم في مستوى الاستقلالية الممنوح لـ Dreaming: يمكنها تحديث الذاكرة تلقائياً، أو يمكنك مراجعة التغييرات المقترحة قبل تطبيقها. إلى جانب الذاكرة الدائمة عبر الجلسات، يتشكّل نظام متراكم الأثر: الوكلاء لا ينفّذون المهام فحسب، بل يزدادون كفاءةً تدريجياً في سير العمل المحدد الذي تُشغّلونه. ## Prompt (البرومبت) ```text # CLAUDE AGENT TEAMS: HOW TO ACTIVATE AND USE # Requirements: Claude Code v2.1.32 or later # Check your version: claude --version # ─── STEP 1: ENABLE AGENT TEAMS ─── # In settings.json, add: { "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1" } # Or set the environment variable in your shell: export CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1 # ─── STEP 2: DEFINE A GOAL THAT BENEFITS FROM PARALLEL WORK ─── # Agent teams work best when work can be divided with minimal dependencies. # Bad fit: Sequential tasks where step 2 needs step 1's output # Good fit: Parallel investigation, separate modules, competing hypotheses # ─── STEP 3: DESCRIBE THE TEAM STRUCTURE IN YOUR PROMPT ─── "Create an agent team to analyze this product from three angles: - Teammate 1: Market positioning and competitive landscape - Teammate 2: Technical feasibility and architecture risks - Teammate 3: Devil's advocate, find every reason this will fail Have them share findings with each other and produce a synthesis." # ─── STEP 4: INTERACT WITH INDIVIDUAL TEAMMATES ─── # In-process: Shift+Down to cycle through teammates # Type to send a message directly to a specific teammate # Press Enter to view their session, Escape to interrupt # ─── STEP 5: THE LEAD HANDLES PLAN APPROVAL ─── # Each teammate submits a plan to the lead before executing # The lead approves, rejects with feedback, or requests revision # To influence the lead's judgment, add criteria to your prompt: # "Only approve plans that include test coverage" # "Reject any plan that modifies the database schema" # ─── STRONG USE CASES ─── # Research: multiple teammates investigate different aspects simultaneously # New features: each teammate owns a separate module # Debugging: teammates test competing hypotheses in parallel # Cross-layer work: frontend / backend / tests each owned by one teammate ``` --- More free bilingual AI guides: https://www.aiwithmo.com/prompts · One to one AI mentorship in Arabic or English: https://www.aiwithmo.com/mentorship