Anthropic 解释了 Claude 如何构建自己的执行框架

Anthropic 详细介绍 "了 Claude Code 新推出的“动态工作流”背后的协调系统，并重点描述了该功能如何生成定制化的执行框架，用于协调 AI 代理团队完成复杂的任务。 最初的公告着重介绍了动态工作流在大型软件工程项目中的应用，这次则重点说明了 Claude 如何创建和管理这些工作流。Anthropic 表示，Claude 能够动态生成 JavaScript 框架，用于分配任务、指派代理、验证结果以及确定工作流的持续时间。 该公司认为，这种方法有助于解决与长期运行的 AI 任务相关的若干挑战。Anthropic 指出了诸如“代理惰性”（即 AI 系统在未完全完成任务前便停止运行）、“自我偏好偏差”（即模型在评估过程中倾向于采纳自身的结论）以及“目标漂移”（即在长时间交互过程中目标逐渐模糊）等问题。 动态工作流采用了多个独立的代理，每个代理承担特定的角色，而非使用单一上下文窗口。Anthropic 大致描述了 Claude 的若干策略，包括“扇出与合成”（将任务拆分为并行子任务后再合并）以及“对抗性验证”（由评审代理对其他代理的发现提出质疑）。 该公司还重点介绍了竞赛式工作流，即让多名代理采用不同的方法尝试解决同一问题，并相互评估；此外，他们还介绍了分类器系统，它可以根据任务的复杂程度或要求，将任务分配给不同的代理。 该系统的一个显著特点是模型路由。Anthropic 表示，工作流可以针对任务的不同阶段分配不同的模型，让成本较低的模型处理比较简单的工作，将性能更强的模型保留给需要更深入推理的任务。 开发者对该功能的反应褒贬不一。一些用户认为，动态工作流可能是迈向更自主的 AI 系统的重要一步，而另一些用户则质疑其成本效益权衡。在 Reddit 上的一场讨论中，有一位用户 写道 "： 总有一天它会变得很棒，但目前它只是个烧 Token 的炫酷方法。 还有人 指出 "了模型选择所带来的灵活性： Claude Code 中的动态工作流允许对每个阶段使用的具体的子代理进行精确控制。根据复杂程度的不同，可以为不同的任务分配不同的模型。例如，对于不需要大量推理的工作流，可以使用成本更低的模型。通过这种方式，可以有效地优化并降低每次执行工作流时的总体运营成本。 这一讨论反映了 AI 发展中存在的一种更广泛的趋势：企业越来越关注编排框架、验证系统和多智能体协调，借此来提升性能，使其超越单个模型的能力范围。 原文链接： https://www.infoq.com/news/2026/06/claude-code-harnesses/ "