Claude Code动态工作流通过让Claude编写JavaScript调度文件按需生成子agent有效解决了传统AI处理复杂任务时的“懒惰”、“自偏”和“目标漂移”问题。文章介绍了其核心API及六种常用模式并提供了多个实际应用案例如代码迁移、深度研究、根因调查等帮助读者理解和实践这一强大工具。在此之前多次介绍了动态工作流相关的内容。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TournamentN 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能怎么工作的。深度验证。如果你有一份报告想核实每个事实性声明可以生成一个工作流一个 agent 识别所有事实性声明然后 spawn 子 agent 逐一核查再安排一个验证 agent 检查来源质量。排序。1000 行数据在一个 prompt 里排序质量会下降上下文也装不下。用锦标赛模式两两比较——比较判断比绝对评分更可靠——或者并行分桶再合并。每个比较是一个独立 agent确定性循环持有 bracket只有运行顺序留在上下文里。根因调查。调试最好的方式是提出多个独立假设并分别验证。但一个上下文窗口里Claude 容易陷入自我偏好。工作流可以结构性地防止这个问题——从日志、文件、数据分别 spawn agent 生成假设每个假设面对一组验证者和反驳者。这不只是对代码有用销售为什么三月销量下滑、数据工程为什么管道失败了、任何事后复盘都适用。记忆和规则遵守。如果 Claude 总是漏掉某些规则哪怕写进 CLAUDE.md 也没用可以创建一个工作流每个规则配一个验证 agent再创建一个怀疑者角色来审查规则本身避免误报。反过来也行——挖掘最近的会话和代码审查记录找出你反复犯的错误用并行 agent 聚类对抗性验证每条候选规则蒸馏回 CLAUDE.md。大规模分类。每个团队都有处理不完的支持队列、bug 报告。分类工作流可以自动分类、去重、采取行动——尝试修复或升级到人工。一个有用的模式是隔离读取不可信公共内容的 agent 不能执行高权限操作这些操作由负责执行的 agent 完成。配合 /loop 可以让 Claude 持续运行。探索和品味。工作流也适合探索不同方案尤其是基于品味判断的任务比如设计或命名。让一个 agent 探索一批方案给审查 agent 一个评分标准任务在审查 agent 认为达标时完成。方案也可以通过锦标赛按标准排序。轻量评估。在 worktree 里 spawn 独立 agent 执行任务再 spawn 对比 agent 按标准评分。比如评估并优化你创建的 skill。模型路由。创建一个分类 agent根据任务复杂度决定用哪个模型。比如解释 auth 模块怎么工作这个任务取决于 auth 模块有多少文件、代码库的结构。分类 agent 先做调研然后根据预期复杂度路由到 Sonnet 或 Opus。Thariq 也说了什么时候别用。工作流消耗更多 token。常规编码任务不需要五个 reviewer 组成的评审团。问自己一句这活真的需要更多算力吗几个实用技巧提示词要详细用上面提到的具体模式来引导可以用quick workflow做快速对抗验证可重复的工作流如 triage、research配合 /loop 和 /goal 使用可以设置 token 预算比如用 10k tokens工作流可以保存到 ~/.claude/workflows也可以通过 skill 分发通过 skill 分享时把 JavaScript 工作流文件放在 skill 文件夹里在 SKILL.MD 中引用。为了更灵活可以提示 Claude 把 skill 中的工作流当作模板而不是逐字执行的脚本。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
收藏必备！小白程序员快速掌握Claude Code动态工作流，轻松提升AI效率与创造力
Claude Code动态工作流通过让Claude编写JavaScript调度文件按需生成子agent有效解决了传统AI处理复杂任务时的“懒惰”、“自偏”和“目标漂移”问题。文章介绍了其核心API及六种常用模式并提供了多个实际应用案例如代码迁移、深度研究、根因调查等帮助读者理解和实践这一强大工具。在此之前多次介绍了动态工作流相关的内容。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TournamentN 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能怎么工作的。深度验证。如果你有一份报告想核实每个事实性声明可以生成一个工作流一个 agent 识别所有事实性声明然后 spawn 子 agent 逐一核查再安排一个验证 agent 检查来源质量。排序。1000 行数据在一个 prompt 里排序质量会下降上下文也装不下。用锦标赛模式两两比较——比较判断比绝对评分更可靠——或者并行分桶再合并。每个比较是一个独立 agent确定性循环持有 bracket只有运行顺序留在上下文里。根因调查。调试最好的方式是提出多个独立假设并分别验证。但一个上下文窗口里Claude 容易陷入自我偏好。工作流可以结构性地防止这个问题——从日志、文件、数据分别 spawn agent 生成假设每个假设面对一组验证者和反驳者。这不只是对代码有用销售为什么三月销量下滑、数据工程为什么管道失败了、任何事后复盘都适用。记忆和规则遵守。如果 Claude 总是漏掉某些规则哪怕写进 CLAUDE.md 也没用可以创建一个工作流每个规则配一个验证 agent再创建一个怀疑者角色来审查规则本身避免误报。反过来也行——挖掘最近的会话和代码审查记录找出你反复犯的错误用并行 agent 聚类对抗性验证每条候选规则蒸馏回 CLAUDE.md。大规模分类。每个团队都有处理不完的支持队列、bug 报告。分类工作流可以自动分类、去重、采取行动——尝试修复或升级到人工。一个有用的模式是隔离读取不可信公共内容的 agent 不能执行高权限操作这些操作由负责执行的 agent 完成。配合 /loop 可以让 Claude 持续运行。探索和品味。工作流也适合探索不同方案尤其是基于品味判断的任务比如设计或命名。让一个 agent 探索一批方案给审查 agent 一个评分标准任务在审查 agent 认为达标时完成。方案也可以通过锦标赛按标准排序。轻量评估。在 worktree 里 spawn 独立 agent 执行任务再 spawn 对比 agent 按标准评分。比如评估并优化你创建的 skill。模型路由。创建一个分类 agent根据任务复杂度决定用哪个模型。比如解释 auth 模块怎么工作这个任务取决于 auth 模块有多少文件、代码库的结构。分类 agent 先做调研然后根据预期复杂度路由到 Sonnet 或 Opus。Thariq 也说了什么时候别用。工作流消耗更多 token。常规编码任务不需要五个 reviewer 组成的评审团。问自己一句这活真的需要更多算力吗几个实用技巧提示词要详细用上面提到的具体模式来引导可以用quick workflow做快速对抗验证可重复的工作流如 triage、research配合 /loop 和 /goal 使用可以设置 token 预算比如用 10k tokens工作流可以保存到 ~/.claude/workflows也可以通过 skill 分发通过 skill 分享时把 JavaScript 工作流文件放在 skill 文件夹里在 SKILL.MD 中引用。为了更灵活可以提示 Claude 把 skill 中的工作流当作模板而不是逐字执行的脚本。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
