7.3
深览指数
科技人人都是产品经理·程序员鱼皮··AI 生成
面试官坏笑：“怎么用 Claude Code 最烧 token？” 我皱眉：“动态工作流？” 她鼓掌：“晚上吃饭细聊”
本文系统拆解了 Claude Code 的「动态工作流」功能，明确其本质是 Anthropic 提出的「Orchestrator-Workers」模式的产品化实现，而非全新范式。作者通过对比传统多 Agent 编排（开发者写编排代码）与动态工作流（AI 自己写编排脚本），清晰地划定了模型能力（智能规划、自我纠错）与平台能力（并发管理、上下文隔离）的边界。文章还结合 Bun 语言迁移（11 天 75 万行代码）等案例，说明了该功能的适用场景（一次性、大规模、不可预测任务）与成本考量。适合对 AI Agent 架构有技术兴趣、希望理解下一代 AI 编程工具设计原理的读者。原文 ↗
核心观点
- ▍动态工作流的本质是 Anthropic 提出的「Orchestrator-Workers」模式的产品化实现，区别在于传统方式开发者自己编写编排逻辑，而动态工作流由 AI 在运行时自动生成并执行编排脚本。
- ▍动态工作流是「模型能力+平台能力」的结合体：模型提供任务规划、自我纠错等智能，平台提供子 Agent 生命周期管理、并发控制、上下文隔离等基础设施。
- 01Anthropic 在 2024 年 12 月发布的博客《Building Effective Agents》中将 Agent 系统分为 Workflow 和 Agent 两类，Workflow 下又细分 5 种模式，其中第 4 种 Orchestrator-Workers 是动态工作流的理论基础。
- 02动态工作流执行过程分为四个阶段：接收任务制定计划、分发执行（最多 16 个并发子 Agent，总计上限 1000 个）、交叉验证（含对抗性 Agent 找茬，循环至一致）、结果汇总。
- 03编排执行发生在对话上下文之外，子 Agent 在独立工位执行，不挤占主对话上下文窗口，这是处理大规模任务（数百个文件）的关键设计。
- 04Bun 语言迁移案例：11 天产出约 75 万行 Rust 代码，测试通过率 99.8%。过程包括遍历代码库映射生命周期、并行翻译文件（每个文件两个审查 Agent）、修复循环、通宵优化并生成 PR。
- 05Opus 4.8 对自己代码缺陷的检出率是前代模型的 4 倍，这种自我检验能力是动态工作流实现交叉验证的基础。
- 06启动方式有两种：直接命令创建（如「审计整个代码库的安全漏洞」），或在 effort 菜单开启 ultracode 设置让 AI 自动判断是否切换工作流模式。
反方 / 局限
- — Token 消耗量远超普通 Claude Code 会话，作者建议按需使用，先从小范围任务开始试，感受消耗量级再逐步扩大，避免直接对整个代码库一把梭。
- — 传统多 Agent 框架（LangGraph、CrewAI）与动态工作流无绝对好坏之分：高度标准化、流程固定的任务更适合传统框架（更稳定、可控、成本低），一次性、大规模、不可预测任务才适合动态工作流。
Claude CodeAnthropicClaude Opus 4.8Orchestrator-WorkersBuilding Effective AgentsLangGraphCrewAIBunJarred SumnerLoop EngineeringCursorPrompt ChainingRoutingParallelizationEvaluator-OptimizerZigRust
14 分钟 · 3 卡片 · 9 资料
读原文 →