Anthropic 发布 Claude 动态工作流，由 Claude 自主编排多智能体

AI Engineer New York 2026 大会于今天上午以一系列研讨会拉开帷幕，其中 Anthropic 讨论了如何编排其 Claude Managed Agents。尤其引人关注的是一项全新功能，于周五宣布，名为动态工作流——或者如演讲者反复称呼的那样，简称“flows”。

Flows 被定义为“一种新型的多智能体编排，专为你最具雄心的工作负载而构建”。

CJ Avilla 和 Harrison Stall，两人均为 Anthropic 的技术人员，开场时援引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）演变为层层可信的维护者。教训是：智能体需要同等水平的组织，才能完成 Anthropic 为动态工作流所设想的那种宏大、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，他们不仅拥有并控制自己的数据、算力和基础设施，还拥有部署在自己云上的持久运行时。

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

直接通过 AWS Marketplace 开始，并免费试用 Union.ai 30 天。

欲了解更多信息，请在 AI Engineer New York 第 48 号展位访问我们。

“我认为，我们中许多现在正在编排和管理大量智能体的人，可能会开始感受到这种成为瓶颈和崩溃点的感觉，因为我们有大量智能体贡献了成吨的 PR，”Avilla 说。“而我们坐在 GitHub 里，试图批准 PR 并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，动态工作流始于 Claude Code 中的“为每个任务配备一个 harness”概念。但flows 可以比单个智能体或名册运行得更久。基本理念是 Claude 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。”

其工作方式是，主导智能体制定一个计划，说明它希望如何完成任务。然后 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个子智能体名册。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、可验证的工作单元，而无需你管理这些事物之间的任何相互连接，”Stall 说。

尽管如此，Avilla 指出，用户如果愿意，可以引入专家子智能体。

“在智能体配置中也可以传入预配置的子智能体，”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 时使用的界面——这正是 Claude Managed Agents 的核心所在。

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 所鼓励的大型、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代理，随后的审查阶段检查发现结果，然后生成报告。

问答环节：预算与自我改进的局限

观众问答环节暴露出了若干潜在问题。一位观众询问Claude 如何决定一项任务需要多少个代理，以及一个简单的股票代码扫描是否会触发数百个子代理？

“答案其实就是评估和更低的默认值，”Stall 回答道，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。

代理编排中一个长期存在的担忧是对 token 预算保持控制。有人问主代理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代理“有点焦虑”，这引来了观众的笑声。

一个相关的问题是，开发者如何让重复的流程随着时间的推移变得更便宜、更高效？

除了让 Claude 检查所产生的成本外，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，“过时或矛盾的条目”被替换，“新的见解被呈现出来”。

Avilla 在流程语境中将 dreaming 描述为能够“结晶化并基本上改进与这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充分，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。

另一位观众问，那对子代理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 内的图形化功能来检查这一点。

“你可以看出，主代理实际传递给了子代理什么？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代理之间能否相互通信？

Stall 表示，这些代理共享一个文件系统，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代理向另一个子代理发送消息。

流程的成本要高得多，但它是为大型任务而设计的

在 watchlist-scanner 对比中，Avilla 表示，flows 的成本比单智能体方法“高得多”，但在“发现所有细节方面也有效得多。”

更大的问题是，flows 究竟能有多大的雄心？一位观众提问，动态工作流能否支撑大型科研项目，并提到了 OpenAI 最近公布的关于纳维-斯托克斯千禧年大奖难题的证明。

虽然 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、并从模型中以更快速度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，释放这种能力是我们让这类发现或科学进步能够被公众广泛实现的第一步。”