Claude 开始自己写程序管理 Agent 了：Anthropic 披露动态工作流架构

Claude 开始自己写程序管理 Agent 了：Anthropic 披露动态工作流架构 — infoq.cn · 5 小时前 · 🤖 AI / ML

Agent 系统的编排方式正在经历一次根本性变化。Anthropic 近日披露了一套动态工作流架构：不再由开发者预先写死任务流程，而是让 Claude 在运行时自己编写编排程序，用来拆解任务、调度子 Agent 并汇总结果。长期以来，Agent 应用的主流做法是把工作流固化成提示词链或预定义的流程图，工程师负责设计每一个分支节点，这种静态编排的问题在于脆弱：遇到流程图没覆盖的长尾任务，链路很容易卡死或产出低质量结果，而且每改一次需求就要重写一遍编排代码，维护成本随任务复杂度线性上涨。Anthropic 的新思路是把编排逻辑本身也交给代码——由 Claude 现场写一段可执行的工作流脚本，代码天然自带条件分支、循环和异常处理，比纯提示词驱动更精确，也避免了把大量流程描述塞进上下文造成的 token 浪费；子任务则并行派发给各自拥有独立上下文的子 Agent，互不污染，最后由主流程统一汇总。这套架构同时暴露出新的工程难题：模型现场生成的代码必须跑在受控沙箱里，权限边界、审计日志、成本上限都要重新设计，可观测性也从「看日志」变成「审代码」。文章的结论是，动态工作流意味着 Agent 编排正从「人写死、系统执行」转向「系统自己写、自己改」，但这一转向能否在生产环境站稳，取决于沙箱隔离、监控告警与成本治理这些配套工程能否跟上。

核心信息

传统 Agent 应用普遍采用静态编排：工程师把任务流程固化为提示词链或预定义流程图，每个分支节点都由人工设计。这种做法在窄场景里稳定可控，但一旦碰到流程图没有覆盖的长尾任务，整条链路就容易卡死或输出劣化；需求每变一次，编排代码就得跟着重写一次，维护成本随任务复杂度不断上涨，编排设计与模型实际能力之间的鸿沟也越来越明显。
动态工作流架构的核心，是把编排逻辑也变成代码交给系统现场生成：Claude 接到任务后自己写一段可执行的工作流脚本，由它决定如何拆解任务、派发哪些子 Agent、以什么顺序执行。代码形态天然支持条件分支、循环和异常处理，边界条件写得清清楚楚，比纯提示词驱动的链式调用更精确；子任务可并行派发给拥有独立上下文的子 Agent，最后由主流程统一汇总结果。
灵活性的另一面是工程代价。系统现场写出的编排程序必须运行在受控沙箱里，否则一次错误的文件操作或网络调用就可能造成真实损失，权限边界、审计日志、成本上限、失败回滚都需要重新设计。Anthropic 此前披露的多智能体研究系统曾显示，多智能体协作的 token 消耗约为普通对话的 15 倍，动态编排会让这个问题更突出，可观测性也随之从「看日志」升级为「审代码」。
这一转向对行业格局的冲击在于编排层的价值正在转移：过去 LangGraph、Dify 这类以静态流程图见长的编排框架是 Agent 技术栈的核心，如果编排由系统在运行时自己完成，框架的护城河会被明显稀释，竞争焦点将转向沙箱执行环境、评测基线、成本治理和安全护栏。对开发团队而言，需要先判断自己的任务是稳定重复型还是长尾多变型，再决定是否跟进这条路线。

💡 为什么值得读: 「谁来定义工作流」这个行业默认假设正在被改写，无论你在搭编排框架、做企业落地还是选技术栈，这篇文章都能帮你提前看清这条路线的机会与代价。

✍️ 小编看法: 这次披露值得认真对待，因为它动的是 Agent 工程里最核心的一块地：编排权。过去两年，行业默认分工是工程师画流程、系统填内容，工具链和框架全都围绕这个假设建设，而 Anthropic 把编排权交还给系统本身，等于承认了一个事实——再精细的人工流程设计，也追不上任务分布的变化速度。这件事的重要性被不少讨论低估了：大家盯着 Claude 能力又涨了多少，却没注意到编排层正在被重写。被乐观情绪掩盖的代价同样真实——企业级场景要的恰恰是确定性和可预测，现场写出的编排程序每次都可能不一样，回归测试几乎无从做起，故障排查也从读日志变成审代码，团队技能要求被整体拔高。对小团队这反而是机会，不用养平台工程组也能搭复杂流程；对做中间件的厂商则是警钟，流程图式的产品叙事正在失效，沙箱、评测、成本护栏会是下一个战场。后续值得盯三个信号：Anthropic 会不会公开这套架构在生产环境的稳定性数据和失败案例；企业客户在可审计性与灵活性之间如何取舍；编排代码的版本化与回滚会不会长成新的基础设施品类。谁先解决「系统自己写流程」的信任问题，谁就握有下一轮的定义权。

🏷️ Anthropic, agent, workflow, Claude