Claude Code工程师详解动态工作流的六种核心模式

在此之前,多次介绍了动态工作流相关的内容。

Claude Code动态工作流上线:单会话跑上百子代理,11天完成75万行Bun代码迁移

AI外包!把Dynamic Workflows成本从6.2万美元狂砍到129美元的秘密

Claude Code 作者Boris:我已经不写 prompt 了,我写 loop

这次负责Claude Code的Anthropic工程师 Thariq 现身说法,发了一篇长文,把 Claude Code 动态工作流又认真的介绍了一次。

先说问题。

默认的 Claude Code 处理复杂任务时,规划和执行挤在同一个上下文窗口里。短平快的活没问题,但任务一长,三个毛病就冒出来了:

Agentic laziness——干到一半就宣布完工。安全审查列了 50 项,检查完 20 项就说搞定了。

Self-preferential bias——让 AI 自己验证自己的结果,它倾向于说"挺好的"。

Goal drift——上下文压缩时,原始目标慢慢走形。"不要做 X"这类约束,压缩几次就丢了。

动态工作流解决这些问题的思路:不靠一个 Claude 从头干到尾,而是让 Claude 自己写一个 JavaScript 调度文件,按需生成子 agent,每个子 agent 有自己的上下文窗口和独立目标。

核心 API 就两个函数。agent(prompt, opts?) 接受一个提示和可选选项,返回 Promise,结果可以是字符串或 JsonSchema 类型的数据。调用示例:

await agent("audit auth.ts", { 
schema: BugList,
model: "haiku",
isolation: "worktree",
agentType: "reviewer"
})

可以指定模型(Opus、Sonnet、Haiku)、隔离级别(worktree)、输出 schema 和 agent 类型。另一个是 parallel([fns]),做并行调度。配合标准 JavaScript 的 JSON、Math、Array 方法处理数据。

动态工作流和静态工作流的区别:静态工作流需要覆盖所有边界情况,通常更通用。而 Claude Opus 4.8 现在能自己写一个定制化的调度器,专门适配你的任务。

左边是静态方案:五个网络搜索、获取顶级结果、验证、总结,出一份通用报告。右边是动态方案:读取计费代码、逐功能匹配新供应商文档、按交易量定价、考虑反对迁移的最强论据,最后给出具体推荐。

Thariq 总结了六种常用模式,Claude 在构建工作流时会组合使用:

分类并执行(Classify-and-act)

任务进来,先分类,再路由到不同的 agent 处理。比如一个开发任务可能有读代码、改实现、补测试几种路径,以前靠人判断,现在交给分类 agent 先分再干。

分发与合成(Fan-out-and-synthesize)

大任务拆成小步骤,每个步骤跑独立 agent,最后汇总。适合大量小步骤的场景——每个步骤有自己的干净上下文,不会互相干扰。汇总步骤是个屏障,等所有子 agent 跑完,再把结构化输出合并成一个结果。

对抗验证(Adversarial verification)

每个子 agent 的产出,交给另一个独立的子 agent 按标准做对抗性验证。不是让 AI 自己检查自己,而是换一个 agent 来挑刺。

生成并筛选(Generate-and-filter)

先生成一批候选,再按标准过滤、去重,只保留质量最高的。适合命名、方案草稿、测试样例这类场景。

锦标赛(Tournament)

N 个 agent 用不同方法做同一件事,两两比较,决出胜者。比较判断比绝对评分更可靠。

循环直到完成(Loop until done)

不确定工作量的任务,循环 spawn agent 直到满足停止条件——没有新发现、日志没有新错误。停止条件写清楚是关键,不是让模型无限自嗨。

Thariq 举了几个实际用例:

迁移和重构。Bun 从 Zig 重写到 Rust 就是用工作流做的。关键是把任务拆成一系列步骤——调用点、失败测试、模块——每个修复在独立 worktree 里跑子 agent,改完再由另一个 agent 做对抗审查,然后合并。注意别让 agent 用太耗资源的命令,这样才能最大化并行度。

深度研究。Claude Code 内置的 /deep-research skill 就是用动态工作流实现的。分发搜索、抓取来源、对抗验证、综合报告。你也可以让 Claude 去 Slack 里翻上下文出状态报告,或者深入代码库研究某个功…

— 以上为试看内容(约 40%),开通会员后阅读全文 —