Anthropic 动态工作流如何协调多个 Claude 智能体

在 AI Engineer 纽约 2026 大会上，Anthropic 以 Unix 和 Linux 的发展历程作为开场类比。从 Ken Thompson 独自构建 Unix，到 Linus Torvalds 创立 Linux 后逐步形成分层可信维护者体系，演讲者 CJ Avilla 指出，当前许多开发者在管理大量智能体时已开始感受到自己成为瓶颈——不断在 GitHub 上审批 PR、确认各环节是否正常运转。这种压力正是动态工作流试图解决的核心问题。

动态工作流（flows）被定义为「一种新型多智能体编排方式，专为最具雄心的工作负载而生」。与此前 Claude Managed Agents 需要开发者手动配置协调器和子智能体名单不同，flows 让 Claude 自主生成编排程序，决定如何拆解任务、启动子智能体、收集结果并管理信息流。Harrison Stall 将其描述为多智能体编排的「下一个版本」，Claude 可以完全自主编排整个多智能体拓扑结构。

在现场演示中，演讲者以股票观察列表扫描器为例展示了基本运作模式：扫描阶段将各支股票代码分发给拥有独立上下文的子智能体，审查阶段则汇总各方发现并生成报告。尽管这一示例与 Anthropic 所设想的宏大项目相去甚远，但它清晰呈现了 flows 的核心模式——离散、可验证的工作单元在多个阶段中有序推进，开发者无需手动管理各节点之间的连接关系。

问答环节中，预算控制成为焦点话题之一。Stall 表示，模型在运行时并不知晓自身的 token 预算，但开发者可以在会话层面设置预算上限。他幽默地补充道，若让模型实时感知预算，可能会让智能体「有点焦虑」，引发现场笑声。此外，他还介绍了「dreaming」功能——该功能可读取历史会话记录并重组记忆库，合并重复内容、替换过时条目，从而帮助 flows 随时间推移变得更高效。

关于子智能体之间的通信问题，Stall 说明子智能体共享同一文件系统，可通过文件系统交换信息，但开发者目前无法通过 API 直接指令某个子智能体向另一个发送消息。在可见性方面，Claude Console 提供了图形化功能，开发者可以查看主智能体向子智能体传递的具体载荷，深入了解整个工作流每一次状态转换的细节。Avilla 也指出，开发者可以在智能体配置中预先传入专用子智能体，以满足特定场景需求。

在成本层面，Avilla 坦承动态工作流比单智能体方案「贵得多」，但在发现细节方面也「有效得多」。有观众提问 flows 能否支撑大型科学研究项目，并以 OpenAI 近期宣布的 Navier-Stokes 千禧年大奖问题相关进展为参照。Stall 未就具体细节作出回应，但整体讨论表明，flows 的设计初衷正是面向那些超出单一智能体处理能力的复杂、长周期任务，其边界仍有待开发者在实践中持续探索。

要点

• 动态工作流（flows）让 Claude 自主生成多智能体编排程序，开发者无需手动配置协调器与子智能体名单，显著降低管理复杂度。
• flows 的成本明显高于单智能体方案，适合任务复杂、需要高度并行处理的场景，预算控制是落地关键。
• 「dreaming」功能可通过重组历史记忆库帮助 flows 随时间优化，但智能体自主改进扫描策略等能力尚未内置。
• 子智能体共享文件系统可交换信息，但目前不支持通过 API 直接进行跨智能体消息传递。
• Claude Console 提供图形化可见性工具，开发者可逐节点审查主智能体与子智能体之间的数据传递详情。