上周 Anthropic 发布了 Dynamic Workflows24 小时不到就被人公开指控抄袭了。一个叫 Sisyphus Labs 的团队直接在推特上了 Anthropic说 Claude Code 新推的 ultracode 模式跟他们做的 OMO 工具里的 ultrawork 和 atlas 功能几乎一模一样。抄没抄的我不评价。但这件事背后有个更值得想的问题。让 AI 自己写编排脚本这个能力已经成了 Coding Agent 赛道的兵家必争之地。OpenAI 的 Codex 也在用 /goal 模式干类似的事第三方开源工具像 OMO 也早就跑通了类似的路线。路径各不相同但所有人都要解决同一个问题AI 要能自己拆任务、调度一支 Agent 舰队去干大活。Dynamic Workflows 就是 Anthropic 的做法。你告诉它帮我做什么它自己写一段 JavaScript 编排脚本派几十上百个 Agent 并行干活干完把结果交回来。如果你用过 n8n 或者 Dify 搭工作流对把任务拆成多个步骤、每步塞一个 AI 节点应该不陌生。Dynamic Workflows 干的事跟这个一样区别是编排者不是你是 AI 自己。它到底是什么很多人看到 Workflow 这个词以为是某种跑在 Anthropic 服务端的编排引擎。Dynamic Workflows 就是一段 JavaScript 脚本。Claude Code 根据你的任务临场现写这段脚本然后在本机后台跑。脚本里每碰到一个 agent() 调用就派生一个 subagent 去读文件、改代码、跑命令。脚本只管调度不碰文件系统也不碰 shell。如果你是 n8n 用户可以这样理解n8n 是静态路由你得提前画好死流程每次执行走的路线都一样Dynamic Workflows 是动态路由AI 根据前一个 Agent 返回的结果现场决定下一步是该加 5 个 agent 去修 bug 还是直接收工。这个编排脚本是 Claude 看到你的任务后临时用 JavaScript 写出来的不是预先配好的模板。每次任务不同脚本就不同。同一个任务换个说法脚本的结构也可能不一样。而且这段脚本不在主对话的 session 里执行Claude 把它丢到后台独立跑主 Agent 全程在睡觉只在最后被叫醒去读结果。所以触发一个 Workflow 之后主对话还可以继续干别的事。跟 Subagent、Skill 什么区别三者的区别是协作规模不同。核心问题只有一个谁握着计划Subagent 就像你派一个小弟去跑腿“帮我去查一下这个文件里有什么”查完结果直接回到你的对话上下文里。Claude 逐轮判断下一步简单直接但所有中间结果都会堆在你的上下文窗口。Skill 是一份预写好的 Markdown 指令Claude 照着做。还是 Claude 决定下一步按 prompt 走。可以理解成标准作业流程SOP。中间结果同样落在 Claude 的上下文窗口里。Dynamic Workflows 把编排逻辑从对话里剥出来写成代码。脚本自己决定下一步。循环、分支、中间结果全在脚本变量里流转Claude 的上下文只保留最终答案。这个差异有多大看上下文占用就知道了。用 subagent 或 skill 派 10 个小弟去干活10 份结果全部作为 tool result 回到你的对话里上下文越跑越臃肿到后面 Claude 的注意力都被过程信息稀释了。Workflow 的 10 份中间结果在脚本变量里流转最后只有一份汇总报告回到 Claude 的上下文。需要跑腿用 subagent需要按手册操作用 skill需要流水线作业用 Workflow。怎么用3 步跑起来你的第一个 Workflow准备工作确保功能已开启打开 Claude Code输入 /config 命令检查 Dynamic workflows 那一行是不是已经开启。版本要求 Claude Code v2.1.154 或更高。如果你的 /config 里没这一行先更新版本。触发方式一在 prompt 里说workflow最简单的方式就是在 prompt 里包含 workflow 这个关键词。Claude Code 会把它高亮成彩色提示你可能触发一个工作流。回车之后Claude 会先写一段 Workflow 脚本然后在后台开始运行。触发方式二开启 ultracode 模式不想每次手动判断这个任务值不值得起 Workflow可以把这个决定权交给 Claude/effort ultracode这条命令做两件事把推理努力拉到最高档xhigh同时允许 Claude 自动判断什么时候该用 Workflow。开了 ultracode 之后一个复杂的请求可能被拆成连续好几个 Workflow比如先跑一个理解代码再跑一个做修改最后跑一个验证。ultracode 模式下每个请求消耗的 token 明显更高别在简单任务上开着忘关了。想退回日常模式/effort high 就行。触发方式三使用内置的 /deep-researchAnthropic 内置了一个现成的 Workflow——/deep-research后面跟一个问题就行/deep-research What changed in the Node.js permission model between v20 and v22?它从多个角度发起搜索抓取并交叉核对来源对每一条结论投票表决最后产出一份带出处的报告。没通过交叉验证的结论会被直接剔除。想感受 Workflow 是什么体验跑一个 /deep-research最快。运行中可以干什么Workflow 启动之后可以随时查看运行状态。输入 /workflow 命令就能看到当前 Workflow 的进度。用方向键切换到不同的阶段看每个阶段跑到哪了。几个关键操作查看详情选中某个 agent 后按 Enter 或 → 进入详情能看到它调了什么模型、花了多少 token、用了几次工具、跑了多久还能看完整的 prompt 和输出。内容太长的话用 j/k 上下翻页。暂停运行按键盘上的 p 键可以随时暂停再按 p 恢复继续跑已经完成的工作不会白费。保存 Workflow跑得不错的话按 s 键就能保存下来。保存后它会变成一个 /命令名 的斜杠命令下次直接调用不用 Claude 重新写脚本了。保存的位置有两种选择按 Tab 切换.claude/workflows/ —— 项目级克隆仓库的人都能用~/.claude/workflows/ —— 个人级只有你能看到但在每个项目里都能用保存这个操作看着不起眼但它可能是 Dynamic Workflows 最长期的价值。保存下来的文件里每个 agent 的提示词都完整保留着。你可以把这个文件分享给别人也可以在其他项目里直接复用。下次遇到类似任务直接调用保存好的命令就行不用 Claude 重新写脚本。被沉淀下来的不是一个 n8n 工作流而是一整套 Agent 协作的编排逻辑。硬约束Workflow 不是万能的有几个硬约束先记下来核心价值抹平了编排的技术门槛在官方推出这个功能之前想让多个 Agent 并行干活、结果汇总、错误重试你得自己写编排代码处理并发控制、限流重试、中间状态管理、结果聚合全是脏活。Dynamic Workflows 把编排这层的技术门槛直接抹平了。以前是人写编排代码、手搓各种脏活AI 只管卖力气。现在是 AI 自己根据任务现场生成编排逻辑跑在官方提供的运行时里。门槛从会写编排代码降到了会定义目标。什么时候该用 Workflow不是每个任务都需要起 Workflow。它是用大量并行 agent 换效率而并行 agent 是实打实烧 token 的。代码库范围的批量扫描全仓库 bug 排查、安全审计、性能优化审计。特点是多视角并行扫加独立验证一个 agent 看一个维度。run a workflow to scan this project分成架构、安全、性能、测试四个维度并行检查每个维度独立出结论。只报问题不要改任何文件。最后合成一份按优先级排序的清单标注哪些是马上要修的、哪些可以后面再说。不要改任何文件这句最好加上不然 AI 很容易边查边改改到一半上下文乱了。大规模迁移框架替换、API 弃用迁移、跨语言移植。Bun 的作者就用 Dynamic Workflows 把整个运行时从 Zig 移植到了 Rust11 天、75 万行代码。研究类任务研究一个新工具、一篇论文、一个开源项目。这类直接用 /deep-research 就行会自动多路搜索、交叉验证、剔除不靠谱的结论。内容生产类任务公众号文章、视频脚本、课程大纲。相当于搭了一个小编辑部不同 agent 各管一摊有人查资料有人提观点有人找案例有人专门挑废话。run a workflow to help me produce a WeChat article about Claude Code Dynamic Workflows需要这几个角色并行工作1. 一个 agent 负责从官方文档和社区讨论中整理事实2. 一个 agent 负责找 2-3 个真实使用场景3. 一个 agent 负责提炼核心观点要有判断不要写成说明书4. 最后一个 agent 负责把前面三个的输出合成一篇文章并删掉废话和重复需要多角度推敲的决策选技术栈、评估方案、做产品判断。这类任务最怕 AI 和稀泥说各有优劣Workflow 能强制把不同立场拆给不同 agent最后必须给一个结论。run a workflow to compare n8n vs Dify for my automation course一个 agent 只站 n8n 的角度说优势一个只站 Dify 的角度说优势一个专门看学员上手难度一个只算成本。四份结论互相不能看到对方的输出。最后由一个汇总 agent 综合判断必须给一个主推荐不要说看情况。不适合用 Workflow 的场景一两步就能搞定的小修补、需要你中途频繁拍板的探索性工作、碰安全和支付这类高风险代码的改动。Workflow 是实打实烧 token 的。几十上百个 subagent 同时跑账单自然往上走。建议从小任务开始摸清楚大概花多少大规模运行前用 /model 确认模型不是每一步都得用最贵的脑子。Workflow 随时可以叫停已经完成的工作不会白费。聊聊我的感受跑了几次 Dynamic Workflows 之后这东西确实解决了一个真实的问题。以前想让多个 Agent 协作干活要么自己写 Harness 搞并发控制要么用 subagent 一个个派中间结果全堆在上下文里越来越臃肿。现在说一句话Claude 自己把编排脚本写好后台跑完把结果交回来中间过程不占上下文。Agent 做不好的事情交给代码。它会忘上下文就把控制流写进脚本它自己验自己不靠谱就让多个 Agent 互相交叉验证。Dynamic Workflows 做的就是这个分工。编排这件事正在从人的技术活慢慢变成AI 的基础能力。以前搭一套多 Agent 协作的流程门槛不低现在说清楚想干什么就行AI 自己搞定编排。不只 Anthropic 在做OpenAI 的 Codex 也在走类似的路社区里手搓编排框架的人也越来越多。具体形态会怎么演化现在说还太早但让 AI 自己编排工作流这个方向大概率不会错。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】