How Anthropic’s Dynamic Workflows Coordinate Claude Agents

Anthropic 的动态工作流如何协调 Claude 代理

在 AI Engineer New York 会议上，Anthropic 借鉴 Unix 和 Linux 的经验，解释了代理如何在不压垮开发者的前提下处理更大项目。

Richard MacManus

2026 年 10 月 12 日

今天在 AI Engineer NYC 上，Anthropic 的技术团队成员 CJ Avilla 和 Harrison Stall 进行了演讲。

AI Engineer New York 2026 会议今天上午拉开帷幕，包括 Anthropic 在内的一系列研讨会介绍了如何协调其 Claude 管理代理。特别引人关注的是周五宣布的一项全新功能，名为“动态工作流”——演讲者反复称其为“flows”。

“flows”被定义为“一种新型的多代理协调机制，专为处理最雄心勃勃的工作负载而设计”。

Anthropic 的技术团队成员 CJ Avilla 和 Harrison Stall 从过去的一些操作系统项目入手，从 Ken Thompson 创建最初的 Unix 操作系统，到 Linux 从一个人（Linus Torvalds）发展到多层受信任的维护者。他们的观点是：代理需要同样程度的组织，才能实现 Anthropic 所设想的动态工作流中的大型、雄心勃勃的项目。

由 Union.ai 赞助

构建主权 AI 工厂

最优秀的工程团队正在构建 AI 工厂，他们不仅拥有和控制自己的数据、计算和基础设施，还拥有在云端的持久运行时环境。

Union.ai 为您的工作流提供持久性，使其能够适应并合理调整基础设施资源，并在不重新运行已完成工作的情况下从故障中恢复。

通过 AWS Marketplace 直接开始使用，免费试用 Union.ai 30 天。

了解更多，请访问 AI Engineer New York 展位 #48。

Avilla 表示：“我认为现在正在协调和管理大量代理的我们中有很多人，随着大量代理提交大量 PR，可能会开始感到自己成为瓶颈和崩溃的临界点。”“我们坐在 GitHub 上，试图批准 PR 并确保一切按预期工作。”

从代理名单到动态工作流

两人指出，动态工作流最初在 Claude Code 中作为“每个任务的工具”概念出现。但工作流可以运行时间比单个代理或名单更长。基本思路是 Claude 选择代理的组织方式。

Stall 表示：“工作流本质上是多代理协调的下一个版本，您可以让 Claude 完全协调其自身的多代理拓扑结构。”

工作原理是，主代理创建一个计划，说明它想如何完成任务。然后 Claude 编写一个协调程序，启动代理、收集结果并管理信息流。

图片由 Anthropic 提供

此前，Claude 管理代理需要开发人员配置协调器和子代理名单。通过动态工作流，Claude 本身决定如何划分和协调工作。

Stall 表示：“在多代理协调的多个不同阶段，它能够完成离散的、可验证的工作单元，而无需您管理这些事物之间的任何连接。”

不过，Avilla 指出，用户如果需要，也可以引入专业子代理。

他补充道：“在代理配置中，也可以传入预先配置的子代理。”

所有这些功能都可以在 Claude 控制台中找到，这是开发者通过 API 访问 Claude 时使用的界面——这正是 Claude 托管代理的核心价值所在。

托管代理的界面位置。

演示者随后展示了一个相对简单的股票观察清单扫描工作流程。尽管这个案例与 Anthropic 鼓励的大规模项目相去甚远，但它确实展示了基本模式：扫描阶段将独立股票代码分配给具有隔离上下文的代理，后续的审查阶段在生成报告前会检查发现的结果。

问答环节：预算与自我改进的局限性

观众提问环节提出了多个潜在问题。有观众询问 Claude 如何决定任务所需的代理数量，以及简单的股票代码扫描是否会触发数百个子代理？

"答案其实在于评估和默认值设置，" Stall 回应道，指出大规模任务通常需要明确鼓励更高的并行处理。

代理编排的一个持续关注点是保持对令牌预算的控制。有观众询问主代理是否知道可用的资金额度？

Stall 回应称模型在运行时并不知晓自己的预算，但开发者可以设置会话预算。他补充说告知模型预算可能会让代理"稍微有些焦虑"，这一说法引发了观众的笑声。

股票观察清单示例中的扫描器。

相关问题是如何让开发者随着时间推移使重复流程更便宜、更高效？

除了让 Claude 分析产生的成本外，Avilla 建议使用另一个相对较新的功能：梦境。在文档中，"梦境"被定义为研究预览功能。梦境会"同时读取现有记忆存储和过往会话记录，然后生成新的重组记忆存储"，其中重复内容被合并，"过时或矛盾的条目"被替换，并"浮现新的见解"。

Avilla 在流程上下文中描述梦境时称其可以"使与这些会话相关的记忆存储结晶化并实质性改进"。

针对股票观察清单示例，有观众询问观察清单流程能否自我改进？例如，识别其扫描模型不足并修改下一次计划运行？

Stall 表示这并未内置，但他和 Avilla 建议可以通过爬坡算法和梦境功能来改进循环。

托管代理的脑/手概念概述。

关于子代理操作的可见性，另一位观众提问。

Avilla 回应称开发者确实可以通过 Claude 控制台内的图形功能随时检查这些信息。

"你可以查看主代理实际传递给子代理的内容，这里可以查看这个有效载荷，深入理解整个图中每个转换过程实际发生的情况。"

另一个有趣的问题是子代理之间能否互相通信？

Stall 表示代理共享文件系统并可以利用它交换信息，但开发者无法通过 API 直接指示一个工作流子代理向另一个子代理发送消息。

流程成本更高，但专为大型任务设计

在观察清单扫描器的对比中，Avilla 表示流程的成本比单代理方法"高得多"，但"在发现所有细节方面也有效得多"。

设置预算至关重要！

更大的问题是，这些工作流究竟能有多宏大？一位观众询问动态工作流是否能够驱动大型科学研究项目，并提到了OpenAI最近关于纳维-斯托克斯千禧年难题的证明进展。

虽然Stall没有具体说明Anthropic如何计算大型科学难题，但他表示，他们的目标是让普通用户也能解决这类问题。

“工作流本质上是一种将测试时的计算资源投入到复杂问题中的方式，从而更快地提升模型能力，”他表示，“我们认为，特别是作为一项API服务，释放这种能力是让我们实现这些类型的发现或科学进步，成为公众普遍可及的第一步。”

Previous