Anthropic 在 AI Engineer NYC 发布动态工作流，协调 Claude 智能体

Anthropic 于上周五发布了一个名为 dynamic workflows（简称 flows）的新功能，并在 AI Engineer New York 2026 的 workshop 上由 CJ Avilla 与 Harrison Stall 介绍。两人均为 Anthropic 的技术人员（Members of Technical Staff）。flows 被定义为“一种新型多智能体编排，为最宏大的工作负载而构建”。

它的来路是 Claude Code 中“为每个任务配一个 harness”的概念。Stall 称 flows 是“多智能体编排的下一个版本”，可让 Claude 完全编排自身的多智能体拓扑。具体机制是：lead agent 先制定完成任务计划，Claude 随后编写编排程序来启动智能体、收集结果并管理信息流。

与之前 Claude Managed Agents 需要开发者配置协调者与子智能体名单不同，dynamic workflows 由 Claude 自行决定如何划分和编排工作。Avilla 表示，用户仍可在 agent config 中传入预先配置好的专家子智能体。该功能在 Claude Console 中提供，即开发者通过 API 访问 Claude 的界面，也是 Claude Managed Agents 的所在。

演示的股票自选股扫描工作流分为两个阶段：扫描阶段把各只股票分发给具有隔离上下文的智能体，后续审查阶段检查发现并生成报告。Anthropic 用它说明基本模式，尽管它距离官方鼓励的宏大项目还很远。

这个演示也暴露了编排的可见性问题。Avilla 称开发者可通过 Claude Console 内的图形化功能检查子智能体动作，包括 lead agent 传给子智能体的 payload，从而理解整个图中每一次转移实际发生了什么。

至于子智能体之间如何协作，Stall 称它们共享文件系统并借此交换信息，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消息。

在自选股扫描对比中，Avilla 称 flows 成本“远高于”单智能体方案，但在找出所有细节上“更有效”。这是定性表述，没有给出具体数值。

预算控制是现场问答的焦点之一。Stall 称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。他还提到，把预算告知模型可能会让智能体“有点焦虑”——这是现场表述，缺乏进一步说明。

对于任务需要多少智能体，Stall 的回答是“答案其实是 evals 和更低的默认值”，并称宏大任务通常需要显式鼓励更多并行。至于简单任务（如股票扫描）是否会触发数百个子智能体，现场未给出明确上限。

有人问自选股工作流能否自我改进，例如识别出扫描模型不足并改变下一次计划运行。Stall 表示这并非内建能力，但他和 Avilla 建议可用 hill-climbing 和 dreaming 来改进循环。

文档将“dreaming”定义为研究预览功能：它会读取现有记忆存储与过往会话记录，生成重新组织的记忆存储，合并重复项、替换过时或矛盾条目并浮现新洞见。Avilla 在 flow 语境中把它描述为能够“crystallize 并基本改进与这些会话相关的记忆存储”。

需要区分的是：dreaming 目前仍是研究预览功能，flows 长期能否借此变得更便宜高效，尚无验证。

现场有人问 dynamic workflows 能否支撑大型科研项目，并提到 OpenAI 近期关于 Navier–Stokes 千禧年大奖难题的证明。Stall 未就 Anthropic 如何计算大型科学问题给出具体说明，但称让普通用户也能处理这类问题是他们的目标。

他的表述是：flows 本质上是把测试时算力投向难题、更快从模型中获得更多能力的一种方式；作为 API 服务，解锁这种能力是让这类发现或科学进展被普通公众广泛可做的第一步。

因此，flows 究竟能承担多宏大的任务、能否让普通公众广泛开展此类科学发现，目前只有目标层面的表述，没有可验证的结果。