
Anthropic 工程师在 AI Engineer NYC:Dynamic Workflows 让 Claude 自写编排程序,成本更高但细节更全
一句话结论
在 AI Engineer NYC 工作坊上,Anthropic 介绍 Dynamic Workflows:由主导 agent 制定计划并编写编排程序来拉起子 agent、汇总结果与管理信息流,拓扑由 Claude 决定而不再主要由开发者预先配置;演示为股票观察名单的扫描/复盘两阶段,代价是比单 agent 贵得多,但更擅长捞细节,并可通过 API 把 test-time compute 砸向难题。
背景与理念
Dynamic workflows / flows 被定位成面向「野心更大」工作负载的新一代多 agent 编排。过去开发者要自己配置协调者与子 agent 名册;现在倾向让 Claude 决定组织方式与拓扑。
目标表述很直接:通过 API 把更多 test-time compute 砸向难问题。代价也写明了——比单 agent 贵很多,但在找出细节上更有效。
具体做法
编排怎么跑
1. 主导 agent 先做计划,再写出编排程序。该程序负责启动 agents、收集结果、管理信息流动;拓扑由模型侧决定,开发者仍可在 agent 配置里传入预配置子 agent。
2. 演示是股票观察名单。扫描阶段把标的分发给上下文隔离的 agents;复盘阶段汇总报告。
Q&A 里的操作约束
3. 「该起多少 agent?」——靠评测,并倾向更低的默认值。对野心较大的任务,需要明确鼓励并行,否则模型可能不敢拆开。
4. 模型在运行中并不知道预算。应设置 session budget;把预算数字直接告诉模型,有可能让它们变得「焦虑」。
5. 子 agent 共享文件系统,但 workflow 子 agent 之间没有直接的 API 消息通道。协作更多靠文件与编排程序收口。
Dreaming(研究预览)
6. Dreaming 会根据过往转录重组记忆。仍属 research preview,用来改善长程上下文组织,而不是现场问答的主路径。
关键数据/例子
活动锚点:2026 年 10 月 12 日前后的 AI Engineer NYC 工作坊;报道来自 Latent Space(Richard MacManus),演讲方包括 CJ Avilla、Harrison Stall。文中可核的产品主张包括:flows 比单 agent 贵得多、但找细节更有效;模型运行时不知预算;子 agent 共享文件系统且无直接 API 互发消息。
演示形态是 watchlist:扫描分发 ticker → 隔离上下文 agent → 复盘报告。具体美元成本与准确率表未在所给事实中给出,故不作数字发明。
创新点
第一,把「协调者 + 名册」从开发者配置推进到「模型自写编排程序」。第二,用评测与更低默认值约束 agent 数量,并对高并行任务显式鼓励拆分。第三,把 session budget、文件系统共享、无子 agent 直连消息、Dreaming 记忆重组等约束讲清楚,避免把 Dynamic Workflows 理解成无限免费平行宇宙。
可否复用
- 难题优先试「主导 agent 写编排程序」,简单任务仍用单 agent,避免无谓成本膨胀。
- 用评测决定默认并行度,并对真正需要并行的任务写明鼓励拆分的指令。
- 设置 session budget,不要把预算数字随口塞进提示词里「吓」模型。
- 子任务靠共享文件系统与编排收口通信,不要假设 workflow 子 agent 能彼此直接打 API。