Anthropic 推出動態工作流：Claude 代理的自主協作新模式

Anthropic 的技術人員 CJ Avilla 和 Harrison Stall 在今天的 AI Engineer NYC 大會上發表演講。AI Engineer New York 2026 大會於今天上午拉開序幕，舉辦了一系列工作坊，其中包括 Anthropic 討論如何編排其 Claude Managed Agents 的環節。

其中一個特別引人注目的新功能，是上週五發表的「動態工作流」，簡稱為「工作流」（flows），講者們多次提及此名稱。

工作流被定義為「一種新型的多代理編排方式，專為您最雄心勃勃的工作負載而打造」。

CJ Avilla 和 Harrison Stall 這兩位 Anthropic 的技術人員，首先回顧了過去的一些作業系統專案，從 Ken Thompson 建立原始的 Unix 作業系統，到 Linux 從 Linus Torvalds 一人發展到多層值得信賴的維護者。他們從中得到的啟示是：代理也需要相同程度的組織能力，才能執行 Anthropic 為動態工作流所設想的那些宏大而具挑戰性的專案。

Avilla 表示：「我認為我們許多現在正在編排和管理大量代理的人，可能會開始感覺自己成為瓶頸和崩潰點，因為我們有大量的代理貢獻了大量的 PR（Pull Request）。我們坐在 GitHub 前，努力批准 PR 並確保一切按預期運作。」

兩人指出，動態工作流最初在 Claude Code 中以「每個任務一個協調器」的概念開始。但工作流可以比單一代理或代理名單運行更長時間。其基本理念是，Claude 會選擇代理的組織方式。

Stall 說：「工作流本質上是多代理編排的下一代版本，您可以讓 Claude 完全編排其自身的多代理拓撲結構。」

其運作方式是，主代理會建立一個如何完成任務的計畫。然後 Claude 會編寫一個編排程式，該程式會啟動代理、收集結果並管理資訊流。

以前，Claude Managed Agents 要求開發者配置一個協調器和一個子代理名單。透過動態工作流，Claude 本身會決定如何劃分和編排工作。

Stall 表示：「在多代理編排的多個不同階段中，它能夠完成離散、可驗證的工作單元，而您無需管理這些單元之間的任何互連。」

儘管如此，Avilla 指出，如果使用者願意，他們仍然可以引入專業的子代理。他說：「在代理配置中，也可以傳入預先配置好的子代理。」

所有這些功能都可以在 Claude Console 中使用，這是開發者透過 API 存取 Claude 的介面，也是 Claude Managed Agents 的核心。

講者們隨後展示了一個相對簡單的股票觀察清單掃描工作流。儘管這與 Anthropic 鼓勵的宏大專案相去甚遠，但它確實說明了基本模式：掃描階段將單獨的股票代碼分發給具有獨立上下文的代理，然後審查階段檢查結果，最後生成一份報告。

聽眾問答環節提出了一些潛在問題。一位聽眾問 Claude 如何決定一個任務需要多少代理，以及一個簡單的股票代碼掃描是否會觸發數百個子代理？

Stall 回答說：「答案實際上是評估和較低的預設值。」他指出，雄心勃勃的任務通常需要明確鼓勵更大的平行化。

代理編排的一個持續關注點是控制您的代幣預算。有人問主代理是否知道它有多少可用資金？

Stall 回答說，模型在運行時不知道其預算，但開發者可以設定會話預算。他補充說，告知模型其預算可能會讓代理「有點焦慮」，這引發了聽眾的笑聲。

一個相關的問題是，開發者如何讓重複的工作流隨著時間推移變得更便宜、更有效率？

除了要求 Claude 檢查所產生的成本外，Avilla 建議使用另一個相對較新的功能：「夢境」（dreaming）。在文件中，「夢境」被定義為一項研究預覽功能。一個夢境「讀取現有的記憶儲存和過去的會話記錄，然後產生一個新的、重新組織的記憶儲存」，其中重複項會合併，「過時或矛盾的條目」會被替換，並「浮現新的見解」。

Avilla 將工作流情境中的夢境描述為能夠「結晶並基本上改進與這些會話相關的記憶儲存」。

對於股票觀察清單的例子，有人問觀察清單工作流是否可以自我改進？例如，識別其掃描模型不足並更改下一次排程運行？

Stall 表示這並非內建功能，但他和 Avilla 建議可以使用爬山演算法（hill-climbing）和夢境來改進循環。

關於子代理行動的可見性，另一位聽眾問道。Avilla 回答說，是的，開發者可以隨時透過 Claude Console 內的圖形功能進行檢查。

他說：「您可以知道，主代理實際傳遞給子代理的內容是什麼？您可以在這裡查看該負載，以深入了解整個圖形中每次轉換實際發生的情況。」

另一個有趣的問題是子代理之間是否可以相互通訊？Stall 表示，代理共享一個檔案系統，可以用它來交換資訊，但開發者不能直接透過 API 指示一個工作流子代理向另一個發送訊息。

在觀察清單掃描器的比較中，Avilla 表示工作流的成本比單代理方法「高得多」，但也「在尋找所有細節方面有效得多」。設定預算至關重要！

更大的問題是，工作流究竟能有多大的野心？一位聽眾問動態工作流是否可以為大型科學研究專案提供動力，並提到了 OpenAI 最近宣布的關於 Navier–Stokes 千禧年大獎問題的證明。

雖然 Stall 不願透露 Anthropic 如何計算大型科學問題的具體細節，但他表示他們的目標是讓一般使用者也能夠解決這些問題。

他說：「工作流基本上是一種將測試時運算投入到困難問題中，並更快地從模型中獲得更多能力的方法。我們認為，特別是作為一項 API 服務，釋放這種力量是我們讓這些類型的發現或科學進步廣泛地為大眾所用的第一步。」