Anthropic 推出动态工作流，让 Claude 自行编排多智能体

← 阅读室Latent SpaceAnthropic 的动态工作流如何协调 Claude 智能体（已更新视频！）

在 AI Engineer New York 上，Anthropic 借鉴 Unix 和 Linux 的经验，阐释了智能体如何在不给开发者造成过重负担的情况下攻克更宏大的项目。Richard MacManus10月12日·5 分钟阅读

Anthropic 技术团队成员 CJ Avilla 和 Harrison Stall 今日在 AI Engineer NYC 现场。

AI Engineer New York 2026 大会于今天上午以一系列工作坊拉开帷幕，其中包括 Anthropic 讨论如何编排其 Claude Managed Agents。尤其引人关注的是一项周五刚刚宣布的全新功能——动态工作流（dynamic workflows），或者如两位演讲者反复所称的，简称为“flows”。

Flows 被定义为“一种新型多智能体编排方式，专为你最具雄心的负载而打造”。

Anthropic 技术团队成员 CJ Avilla 和 Harrison Stall 在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。其启示是：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。

构建主权 AI 工厂

最优秀的工程团队正在构建 AI 工厂，他们不仅拥有并掌控自己的数据、算力和基础设施，还拥有运行在自身云上的持久运行时。

Union.ai 为你的工作流提供持久性，使其能够自适应并合理配置基础设施资源，并在无需重跑已完成工作的情况下从故障中恢复。

欲了解更多，请到 AI Engineer New York 第 48 号展位找我们。

“我想，我们当中许多如今在编排和管理大量智能体的人，可能会开始感受到一种成为瓶颈、成为崩溃点的感觉，因为大量智能体在贡献成堆成堆的 PR，”Avilla 说。“而我们坐在 GitHub 里，努力审批 PR，确保一切按预期运行。”

从智能体名单到动态工作流

两人指出，动态工作流最初在 Claude Code 中以“为每项任务配备一套 harness”的概念起步。但 flows 的运行时间可以超过单个智能体或一份名单。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 完全编排它自己的整个多智能体拓扑结构。”

其运作方式是，主导智能体（lead agent）制定一个完成任务的计划。随后 Claude 编写一个编排程序，由它启动智能体、收集结果并管理信息流。

图片来自 Anthropic

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单。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，它能够完成一个个独立、可验证的工作单元，而你无需管理这些环节之间的任何相互连接，”Stall 说。

尽管如此，Avilla 指出，用户如果愿意，也可以引入专门的子智能体。赞助你的赞助广告位在这里触达正在构建下一波浪潮的 AI 工程师。

Latent Space 的读者正是那些交付智能体、模型和基础设施的人。咨询赞助此广告位事宜，请联系 business@latent.space →

“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 时所用的界面——也正是 Claude Managed Agents 的核心所在。

Claude Console，Managed Agents 所在之处。

随后，两位演讲者展示了一个相对简单的工作流：股票自选列表扫描器。尽管这与 Anthropic 所鼓励的宏大项目相去甚远，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拥有隔离上下文的智能体，随后的审查阶段检查各项发现，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一些潜在问题。一位观众问，Claude 如何决定一项任务需要多少智能体，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，并指出宏大的任务通常需要明确鼓励更高程度的并行化。

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，主导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”，这引得观众一阵轻笑。

股票自选列表示例中的扫描器。

一个相关的问题是，开发者如何让重复运行的 flows 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 还建议使用另一项相对较新的功能：dreaming。在文档中，“dreaming”被定义为一項研究预览功能。一次 dream“会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、重新组织过的记忆存储”，其中重复项会被合并，“过时或相互矛盾的条目”会被替换，并且“新的洞见会被呈现出来”。

Avilla 在 flow 的语境中将 dreaming 描述为能够“将那些会话相关的记忆存储加以结晶并基本加以改进”。

在股票自选列表的例子中，有人问这个自选列表 flow 能否自我改进？例如，识别出它的扫描模型不够好，并更改下一次计划运行？

Stall 表示这并非内置功能，但他和 Avilla 建议可以用爬山法和 dreaming 来改进这个循环。

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，可以，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，主导智能体实际向子智能体传递了什么？你可以在这里查看该载荷，从而深入理解整个图中每一次转换实际发生了什么。”

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子智能体发送消息。

Flows 成本高得多，但专为大型任务而设计

在自选列表扫描器的对比中，Avilla 表示 flows 的成本比单智能体方案“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，flows 究竟能有多大的雄心？一位观众问，动态工作流能否支撑大型科学研究项目，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 不愿就 Anthropic 如何计算大型科学问题透露具体细节，但他表示，让普通用户也能解决这些问题正是他们的目标。

“Flows 本质上是一种把测试时计算投入到难题上、并更快从模型中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，释放这一能力的力量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。”感谢阅读

保持领先一步。