Anthropic 推出动态工作流 优化多智能体编排
Anthropic 在 AI Engineer NYC 大会上正式介绍其 Claude Managed Agents 的新特性“动态工作流”(Flows)。该功能旨在通过更灵活的多智能体编排机制,帮助开发者在复杂任务中更高效地分配测试时计算资源,从而提升模型能力并降低科学发现类任务的门槛。
报道正文
本文目录3 个章节

CJ Avilla 和 Harrison Stall,Anthropic 的技术团队成员(Members of Technical Staff),今日现身 AI Engineer NYC 大会。
AI Engineer New York 2026 大会于今晨拉开帷幕,举办了一系列工作坊,其中 Anthropic 重点探讨了如何编排其 Claude Managed Agents。备受关注的是一项全新功能——周五刚刚宣布的 动态工作流(dynamic workflows),演讲者反复将其简称为“flows”。
Flows 被定义为“一种新型的多智能体编排方式,专为最具挑战性的工作负载而构建。”
CJ Avilla 和 Harrison Stall 均为 Anthropic 的技术团队成员(Members of Technical Staff)。他们开篇回顾了过去的操作系统项目——从 Ken Thompson 构建最初的 Unix 操作系统,到 Linux 从单人开发(Linus Torvalds)演变为拥有多层受信任维护者体系的项目。这一历史带来的启示是:智能体需要同等水平的组织架构,才能完成 Anthropic 在动态工作流中设想的那些宏大且富有野心的项目。
由 Union.ai 赞助
构建主权 AI 工厂
顶尖的工程团队正在打造 AI 工厂,在其中不仅掌控数据、算力和基础设施,还在自己的云上运行持久化的运行时环境。
Union.ai 赋予工作流所需的持久性,使其能够适应变化、按需调整基础设施资源规模,并在故障恢复时无需重新执行已完成的任务。
可直接通过 AWS Marketplace 上手,并 免费试用 Union.ai 30 天。
如需了解更多,欢迎莅临 AI Engineer New York 的 48 号展位。
“我认为,许多正在编排和管理大量 Agent 的人,可能会开始感受到这种成为瓶颈和断点的压力,因为众多 Agent 提交了海量的 PR,”Avilla 说道。“而我们只能坐在 GitHub 里,忙着审批 PR,并确保一切按预期运行。”

从 Agent 名册到动态工作流
这两位指出,动态工作流(dynamic workflows)在 Claude Code 中起源于“为每个任务提供一套框架(harness for every task)”的概念。但 Flows 的运行时长可以超过单个 Agent 或一个 Agent 名册。 其基本理念是:由 Claude 自主选择 Agent 的组织方式。
“Flows 本质上是多 Agent 编排的下一个版本,” Stall 表示,“你可以让 Claude 完全自主地编排其整个多 Agent 拓扑结构。”
其工作原理如下:主导 Agent(lead agent)制定一个计划,说明它希望如何完成任务。随后,Claude 编写一个编排程序,该程序负责启动 Agent、收集结果并管理信息流动。

图片 来自 Anthropic
此前,Claude Managed Agents 要求开发者配置一个协调器(coordinator)和一个子 Agent 名册。而在动态工作流中,Claude 自身决定如何划分和编排工作。
Stall 说:“在多 Agent 编排的多个不同阶段中,它能够完成离散且可验证的工作单元,而你无需管理这些部分之间的任何互联关系。”

话虽如此,Avilla 指出,如果用户愿意,可以引入专门的子代理(sub-agents)。
“在代理配置中传入预配置的子代理也是可行的,”他说。
以上所有功能均可在 Claude Console 中使用,这是开发者通过 API 访问 Claude 时所使用的界面——这正是 Claude Managed Agents 的核心意义所在。

Claude Console,Managed Agents 功能所在的位置。
随后,演示者展示了一个相对简单的工作流:股票自选列表扫描器。虽然这与 Anthropic 所鼓励的那些宏大、雄心勃勃的项目相去甚远,但它确实阐明了基本模式:扫描阶段将各个股票代码分发给拥有独立上下文(isolated contexts)的代理,随后的审查阶段则在生成报告之前对结果进行检查。
Q&A:预算限制与自我改进的局限
观众问答环节暴露出一些潜在问题。一位观众询问 Claude 如何决定一项任务需要多少代理,以及一个简单的股票代码扫描是否会触发数百个子代理?
Stall 回答说:“答案其实在于评估(evals)和更低的默认值。”他指出,对于雄心勃勃的任务,通常需要明确鼓励更高程度的并行化。
关于代理编排(agent orchestration),一个长期存在的担忧是如何控制你的 token 预算。有人问,主代理(lead agent)是否知道自己有多少可用资金?
Stall 回复说,模型在运行过程中并不知晓自己的预算,但开发者可以设置会话预算。他补充道,告知模型其预算可能会让代理变得‘有点焦虑’”,这一说法引得观众一阵轻笑。

股票自选表示例中的扫描器。
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 检查产生的成本外,Avilla 还建议利用另一项相对较新的功能:dreaming(做梦)。在文档中,“dreaming”被定义为一项研究预览功能。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、重新组织后的记忆存储”,在此过程中合并重复项,替换“过时或相互矛盾的条目”,并“浮现出新的洞察”。
Avilla 将 flow 上下文中的 dreaming 描述为能够 “结晶化并从根本上改进与这些会话相关的记忆存储”。
以股票自选列表为例,有人提问 自选列表 flow 能否自我改进? 例如,识别出其扫描模型存在不足,并更改下一次计划运行的配置?
Stall 表示这并非内置功能,但他和 Avilla 建议可以利用 hill-climbing(爬山算法)和 dreaming 来优化这一循环。

Managed Agents 的“大脑/双手”概念概览图。
另一位听众问道:对于 子代理(sub-agents)的操作可见性 如何?
Avilla 回答说,是的,开发人员始终可以通过 Claude Console 内部的图形化功能来查看这些信息。
“你可以看出,主代理(lead agent)实际上传递给子代理的是什么? 你可以在这里查看该 payload,从而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,代理共享一个文件系统,可以利用它来交换信息,但开发人员无法通过 API 直接指示一个 workflow 子代理向另一个子代理发送消息。
Flows 成本更高,但专为大型任务设计
在自选列表扫描器的对比中,Avilla 指出 flows 的成本比单代理方法“高得多”,但在 “找到所有细节方面也更有效得多”。

设定预算至关重要!
更大的问题是:工作流(Flows)究竟能有多大的雄心? 一位听众询问动态工作流能否为大型科研项目提供动力,并提到了 OpenAI 最近宣布的关于 纳维–斯托克斯千禧年难题 的证明。
虽然 Stall 不愿透露 Anthropic 如何处理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。
“工作流本质上是一种 向难题投入测试时计算资源(test-time compute) 的方法,从而更快地从模型中挖掘出更强的能力,”他说。“我们认为,特别是作为 API 服务,释放这种力量是我们实现此类发现或科学进步的第一步,使其 能够被公众广泛使用。”