让 AI 自主编排多智能体任务

动态工作流的核心在于让 Claude 在运行时自行编写并执行一个 JavaScript 文件，该文件包含若干专用函数，用于生成和协调子智能体。与静态工作流相比，动态工作流无需预先覆盖所有边界情况，而是由 Claude Opus 4.8 根据具体任务即时裁剪出最合适的编排方案。工作流还支持标准 JavaScript 功能（如 JSON、Math、Array），并可为每个子智能体指定不同的模型和独立的工作目录，从而在智能程度与隔离性之间灵活权衡。

在实际应用场景上，Anthropic 列举了多类典型用例：复现概率极低的偶发性测试失败、从历史会话中挖掘用户习惯并生成规则文件、扫描 Slack 频道中的历史事故以识别重复根因、从投资人/客户/竞争对手多角度拆解商业计划，以及对大批量简历进行分层筛选与交叉验证。这些场景的共同特点是任务量大、结构复杂，且往往需要多视角的对抗性验证。

动态工作流内置了几种可组合使用的编排模式。「分类-路由」模式先用分类智能体判断任务类型，再将其分发给对应的专项智能体；「扇出-汇总」模式将大任务拆解为若干子任务并行执行，最终由汇总步骤合并结构化输出；「对抗验证」模式为每个执行智能体配备一个独立的验证智能体，按照预设标准审查其输出；「生成-筛选」模式批量生成候选方案后按质量标准过滤去重；「锦标赛」模式则让多个智能体以不同策略竞争同一任务，由裁判智能体逐轮淘汰直至产生最优解。

动态工作流之所以能够缓解单一上下文窗口的固有缺陷，关键在于每个子智能体都拥有独立且干净的上下文。在长时间运行的单一会话中，Claude 面临三大风险：一是在完成部分工作后过早宣告任务结束（智能体惰性）；二是在自我审查时倾向于认可自身结果（自我偏好偏差）；三是经过多次上下文压缩后，边界条件或「禁止事项」等细节逐渐丢失（目标漂移）。将任务分配给多个独立子智能体，可从结构层面规避上述问题。

在使用建议方面，Anthropic 强调动态工作流会消耗更多 token，因此更适合复杂度高、价值密度大的任务，而非日常简单编码需求。用户可直接用自然语言要求 Claude 创建工作流，或在提示词中加入「ultracode」关键词来确保触发工作流模式。若工作流在执行过程中被中断，恢复会话后可从断点继续执行。目前最佳实践仍在持续演进，Anthropic 鼓励开发者在实践中探索并分享各自的工作流模板。

要点

• Claude Code 动态工作流允许 Claude 在运行时即时生成专属编排脚本，自动调度多个独立子智能体并行处理复杂任务。
• 该功能从结构层面解决了单一上下文窗口下的三大失效模式：智能体惰性、自我偏好偏差和目标漂移。
• 工作流内置分类路由、扇出汇总、对抗验证、生成筛选、锦标赛竞争等多种可组合的编排模式，适配不同任务结构。
• 动态工作流消耗 token 较多，建议优先用于高复杂度、高价值场景，如安全审计、多视角分析和大规模数据处理。
• 生成的工作流支持分享与复用，用户可通过自然语言或「ultracode」关键词触发，中断后可从断点恢复执行。