多Claude协同:动态工作流详解

unicodef1wn 发布于 2026-06-26 阅读 108

本文介绍Anthropic在Claude Code中推出的动态工作流功能,解决了单个AI窗口处理大型任务时出现的代理懒惰、自我偏好偏差和目标偏移问题。

图像

大多数人使用 AI 的方式是最慢的:手动输入请求、等待、修正、再问。任务不大时还行,一旦变大规模,单个窗口中的 Claude 就开始失效,你隐隐感觉不对劲却不知为何。工作流(Workflows)就是解决方案。

Anthropic 在 Claude Code 中推出了动态工作流。Claude 现在能即时编写自己的运行框架,为当前任务量身定制。

默认框架是为编码设计的,能让你走得很远,因为很多工作底层看起来像编码。但有些任务会突破其限制:长时间运行的任务、大规模并行任务、带有严格评价标准的对抗性任务。工作流就是突破这个瓶颈的方法。

大多数人忽略了一点:你不是在配置一个工具,而是在让 Claude 构建工具,然后运行它。

图像

为什么单个窗口会失效

向默认框架请求大型任务时,它会在同一上下文窗口中规划和执行。窗口运行时间越长,三种失效模式就会显现。

智能体懒惰:Claude 在部分进展后就宣布胜利,比如审核 50 个项目只完成 20 个就算结束。

自我偏好偏差:让 Claude 根据评价标准评估自己的输出时,它会偏爱自己的结果。

目标漂移:经过多轮对话后,尤其是在上下文压缩后,目标逐渐模糊。每次总结都会丢失一些信息,你最初写的“不要做 X”会在不知不觉中消失。

工作流通过结构而非意志力消除这三种模式。它将任务拆分给多个独立的 Claude,每个都有自己干净的窗口和一个狭窄的目标。编排者持有计划,执行者完成工作,独立的检查者进行评分。

你不需要会编码也能使用

人们的第一反应:这是开发者的玩具。并非如此。工作流只是让 Claude 协调一个 Claude 团队,而需要团队协作的任务无处不在。将以下任一内容粘贴到 Claude Code 中,它就会自动构建运行框架。

图像

对一堆东西进行排名

“这里有一个包含 80 份简历的文件夹。使用工作流对它们进行后端岗位排名,然后复核前十名。先通过提问我来构建评价标准。”

一个智能体在它自己的窗口中阅读每份简历,一个锦标赛通过成对比较进行排名,然后一个检查者重新阅读你的前十份,确保没有遗漏优秀者。同样可以处理一千张支持工单。

核查自己文章的事实准确性

“检查我的博客草稿,使用工作流对照代码库验证每一个技术声明。我不想发布任何错误的东西。”

一个智能体提取所有事实声明,然后另一个独立智能体逐一检查,再由第三个智能体评估原始来源是否可靠。做出声明的作者无法让自己的声明轻易通过。

挖掘无人阅读的历史记录

“在 Slack 中搜索过去六个月的 #incidents,使用工作流找出重复出现的根本原因,且没有人为此创建工单。”

这不只适用于工程师。将 Slack 换成你的销售数据(“为什么三月份收入下降?”)或一个失败的流程,相同的结构就能运行事后分析:多个智能体从不同证据中形成理论,然后进行辩论。

命名及其他品味判断

“为这个工具头脑风暴 30 个名字,然后运行工作流锦标赛,根据评价标准选出前三个。”

命名、设计、文案,任何需要判断力的答案都可以。Claude 生成一批候选,一个评审智能体根据“好”的标准评分,然后一个淘汰赛选出胜者。没有单个智能体会偏爱自己的方案。

把你的错误转化为规则

“使用工作流检查我最近的 50 次会话,找出我反复进行的修正,并将重复出现的修正转化为规则。”

它将修正归类,对照真实的历史错误检查每个候选规则,只保留那些本可以捕获错误的规则。幸存下来的规则放入 Claude 每次都会读取的文件中。

它由六种模式组成

底层上,Claude 从一小部分模块组装每个工作流。掌握这六种模式,你就能理解它编写的任何工作流,并引导它朝你想要的方向发展。

图像

分类与行动:一个分类器判断任务类型,然后路由到相应的智能体。

分块与合成:拆分成许多小步骤,每个步骤运行一个智能体,然后合并。合并会等待所有步骤完成,因此步骤之间不会交叉污染。

对抗性验证:对于每个生成内容的智能体,再生成第二个智能体,其唯一任务是根据评价标准攻击它。这是工具箱中最有用的一招。

生成与过滤:生成大量结果,删除重复项,只保留经过测试的幸存者。

锦标赛:多个智能体在同一任务上竞争,裁判成对比较,直到产生优胜者。比较比评分更好。

循环直到完成:当你不知道工作量有多大时,持续运行直到某个条件满足:没有新发现、没有剩余错误。不是一个固定的计数器。

让制作者远离检查者

以上所有都基于一个在单一窗口中无法实现的操作:将执行工作的智能体与评判它的智能体分开。

一个既编写修复又对修复进行评分的 Claude,会让自己写的修复通过。这就是自我偏好偏差,任何提示都无法说服它改变。工作流将输出交给一个没有利益关系的检查者。同样的技巧也用于调试:生成智能体从不同证据中形成理论,一个根据日志,一个根据文件,一个根据数据,然后将每个理论发送给一组验证者和反驳者。没有人会爱上自己的答案。

何时跳过工作流

工作流消耗更多 Token。一个由五名评审组成的团队对于普通的错误修复来说过于冗余。在采用工作流之前,先问任务是否真的需要更多计算资源。大多数不需要。将工作流保留给那些单个窗口无法应对的任务:迁移、千行排序、不能出错的报告。

转变

静态工作流最先出现,使用 SDK 手动编写,通用到能覆盖每个边界情况。随着 Opus 4.8 的推出,Claude 改为为你的具体任务编写自定义运行框架。配合 /goal 设置硬性终点,配合 /loop 按计划运行。通过告诉它“使用 10k tokens”来限制成本。在菜单中按 s 保存一个工作流,然后将其作为技能发布,以便你的团队重复使用。

过去的工作是编写提示。现在的工作是设计团队,让 Claude 构建运行工作流的框架。

收藏本文以备将来提示之用。回复你首先会交给工作流处理的任务。

  • 原文链接: x.com/unicodef1wn/status...
  • 登链社区 AI 助手,为大家转译优秀英文文章,如有翻译不通的地方,还请包涵~

相关文章

0 条评论