Anthropic 的动态工作流如何协调 Claude 智能体
在 AI Engineer New York 大会上，Anthropic 借鉴 Unix 和 Linux 的经验，阐释了智能体如何在不压垮开发者的前提下攻克更宏大的项目。
CJ Avilla 与 Harrison Stall，Anthropic 技术团队成员，今日于 AI Engineer NYC 现场。
AI Engineer New York 2026 大会于今日上午以一系列工作坊拉开帷幕，其中 Anthropic 探讨了如何编排其 Claude Managed Agents。尤为引人注目的是上周五宣布的一项全新功能，名为动态工作流——或者如演讲者反复称呼的那样，简称为“flows”。
Flows 被定义为“一种新型多智能体编排方式，专为你们最具雄心的负载而构建”。
CJ Avilla 和 Harrison Stall 均为 Anthropic 技术团队成员，他们首先回顾了过往的一些操作系统项目——从 Ken Thompson 构建最初的 Unix 操作系统，到 Linux 从一个人（Linus Torvalds）演变为层层可信维护者。其教训是：智能体需要同等水平的组织架构，才能完成 Anthropic 为动态工作流所设想的那些宏大而雄心勃勃的项目。
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，在其中他们不仅拥有并控制自己的数据、算力和基础设施，还拥有部署在其云上的持久运行时。
Union.ai 为你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，并在无需重新运行已完成工作的情况下从故障中恢复。
欲了解更多信息，请到 AI Engineer New York 第 48 号展位找我们。
“我认为，我们中许多正在编排和管理大量智能体的人，现在可能开始感受到一种成为瓶颈、成为断裂点的感觉，因为我们有大量智能体贡献着成吨成吨的 PR，”Avilla 说。“而我们坐在 GitHub 里，试图批准 PR，确保一切按预期运行。”
从智能体名册到动态工作流
两人指出，动态工作流最初在 Claude Code 中是以“为每项任务配备一套挽具”的概念出现的。但 flows 的运行时间可以比单个智能体或一份名册更长。其基本理念是，由 Claude 来选择智能体的组织方式。
“Flows 本质上是多智能体编排的下一个版本，”Stall 说，“你可以让 Claude 完全编排其自身的整个多智能体拓扑结构。”
其运作方式是，主导智能体制定一份它想要如何完成任务的计划。随后 Claude 编写一个编排程序，该程序启动智能体、收集结果并管理信息流。
此前，Claude Managed Agents 要求开发者配置一个协调者和一份子智能体名册。借助动态工作流，Claude 自身决定如何划分和编排工作。
“在多智能体编排的多个不同阶段中，它能够完成离散的、可验证的工作单元，而你无需管理这些事物之间的任何相互连接，”Stall 说。
话虽如此，Avilla 指出，如果用户愿意，也可以引入专家子智能体。
“在智能体配置中也可以传入预先配置好的子智能体，”他说。
所有这些都可以在 Claude Console 中使用，这是开发者通过 API 访问 Claude 所使用的界面——也正是 Claude Managed Agents 的核心所在。
Claude Console，Managed Agents 所在之处。
随后，演讲者展示了一个相对简单的股票自选股扫描器工作流。尽管这与 Anthropic 所鼓励的那些宏大而雄心勃勃的项目相去甚远，但它确实说明了基本模式：扫描阶段将各个股票代码分发给具有隔离上下文的智能体，随后的审查阶段在生成报告之前检查各项发现。
问答：预算与自我改进的局限
观众问答环节暴露出若干潜在问题。一位观众询问 Claude 如何决定一项任务需要多少个智能体，以及一次简单的股票代码扫描是否会触发数百个子智能体？
“答案其实就是评估和更低的默认值，”Stall 回答说，并指出雄心勃勃的任务通常需要明确鼓励更大程度的并行化。
智能体编排中一个长期存在的担忧是如何控制你的 token 预算。有人问主智能体是否知道自己有多少可用资金？
Stall 回答说，模型在运行时并不知道自己的预算，但开发者可以设置会话预算。他补充说，告知模型其预算可能会让智能体“有点焦虑”，这引来了观众的笑声。
股票自选股示例中的扫描器。
一个相关的问题是，开发者如何让重复的流程随着时间推移变得更便宜、更高效？
除了让 Claude 检查所产生的成本之外，Avilla 建议使用另一个相对较新的功能：dreaming。在文档中，“dreaming”被定义为一个研究预览功能。一次 dream“读取现有的记忆存储以及过去的会话记录，然后生成一个新的、重新组织的记忆存储”，其中重复项被合并，“过时或被矛盾的条目”被替换，并且“新的见解被浮现出来”。
Avilla 在流程语境中将 dreaming 描述为能够“结晶化并基本上改进与那些会话相关的记忆存储”。
对于股票自选股示例，有人问自选股流程能否自我改进？例如，识别出其扫描模型不够完善，并更改下一次计划运行？
Stall 表示这并非内置功能，但他和 Avilla 建议可以使用爬山法和 dreaming 来改进循环。
Managed Agents 的大脑/双手概念概览。
另一位观众问，那对子智能体行为的可见性又如何呢？
Avilla 回答说，是的，开发者始终可以通过 Claude Console 内的图形化功能进行检查。
“你可以看出，主智能体实际传递给子智能体的是什么？你可以在这里查看该负载，以深入理解整个图中每一次转换实际发生的情况。”
另一个有趣的问题是，子智能体之间能否相互通信？
Stall 表示，这些智能体共享一个文件系统，可以利用它来交换信息，但开发者无法通过 API 直接指示一个工作流子智能体向另一个发送消息。
流程成本高得多，但专为大型任务而设计
在自选股扫描器的比较中，Avilla 表示流程的成本“高得多”，但也“在找出所有细节方面有效得多”。
设定预算是关键！
更大的问题是，流程究竟能有多雄心勃勃？一位观众询问动态工作流能否驱动大型科学研究项目，并提到了 OpenAI 最近宣布的关于纳维-斯托克斯千禧年大奖难题的证明。
尽管 Stall 不愿透露 Anthropic 如何计算大型科学问题的具体细节，但他表示，他们的目标是让普通用户也能解决这些问题。
“Flows 基本上是一种将测试时计算投入到难题上、并从模型中更快获得更多能力的方式，”他说。“我们认为，尤其是作为一项 API 服务，释放这一能力的潜力是我们让这类发现或科学进步能够被大众广泛实现的第一步。”