机器之机杼剪部
上周，Claude Code 发布了一个新能力：动态职责流。
该功能允许 Claude 根据具体任务即时编写定制化实践框架，联接多个子 Agent 并行职责，搞定大规模、高并行、抗争性任务中的系统性失效问题。
近日，Anthropic 工程师 Thariq 发了篇长文，分享了他率先的职责流训戒和心得。
咱们对此进行了全文整理译述。
在深切期间细节之前，Thariq 先提供了一些示例教导，来让咱们通晓职责流的后劲：
「这个测试可能每 50 次初始失败一次。配置一个职责流，相似初始测试，酿成假定，并在职责树中对其进行抗争性考证 / 方向：不休尝试，直到有一个假定见效。」
「使用职责流，总结我最近的 50 次会话，挖掘我反复犯的乖谬，并将这些相似性问题生成 CLAUDE.md 规则。」
「用职责流翻查畴昔六个月 Slack 的 #incidents 频谈，找出反复出现、但还莫得东谈主提交工单的根底原因。」
「拿我的交易缱绻，初始一个职责流，让不同的 Agent 从投资者、客户和竞争敌手的角度进行拆解。」
「这里有一个包含 80 份简历的文献夹，用职责流对其进行名次，选出后端岗亭的最好候选，并对前十名进行复核。使用 AskUserQuestion 器具进行口试评分。」
「我需要给这个 CLI 器具取名。使用职责流生成多个选项，并进行淘汰赛选出前三个最好决策。」
「使用职责流，将咱们的 User 模子重定名为 Account。」
「审查我的博客著述草稿，使用职责流考证每一项期间声明是否顺应代码库，确保不发布乖谬信息。」
动态职责流如何职责
动态职责流实践一个包含特殊函数的 JavaScript 文献，这些函数匡助生成和联接子 Agent。
同期，动态职责流还包括方法 JavaScript 功能，如 JSON、Math 和 Array，用于处理数据。
动态职责流不错决定一个 Agent 使用的模子类型，以及子 Agent 是否在沉寂的职责树中初始，从而让 Claude 遴荐所需的智能水暄和停止方式。
若是职责流中断，例如被用户操作或终局退出，规复会话时，职责流不错从中断点连接实践。
为何使用动态职责流
当咱们使用默许 Claude Code 框架实践任务时，它需要在团结个高下文窗口中同期进行缱绻和实践。对于好多编程任务，这高出灵验，但在永劫期初始、大规模并行或高度结构化的抗争任务中，或然会出现问题。
原因在于，Claude 在单个高下文窗口中处理复杂任务时期越长，就越容易出现以下几类失败模式：
智能体懒惰（Agentic laziness）：Claude 在处理复杂多要津任务时可能提前住手，声称任务完成，例如只处理 50 条安全审查中的 20 条。
自我偏好偏差（Self-preferential bias）：Claude 倾向于偏向我方的完毕或发现，尤其在需要考证或评估时。
方向漂移（Goal drift）：在多轮操作中，任务方向渐渐偏离，终点是在压缩总结之后，细节如角落案例或「不容作念 X」的管理可能丢失。
创建职责流不错通过为不同方向分拨沉寂高下文窗口的 Claude 实例来幸免这些问题，每个实例专注、停止任务方向。
动态与静态职责流的区别
你可能之前使用 Claude Agent SDK 或 claude -p 创建过静态职责流，以联接多个 Claude Code 实例。
静态职责流需兼顾整个顶点情况，因此平日更通用。而使用 Claude Opus 4.8 的动态职责流，Claude 当今好像生成针对你的特定用例定制的智能框架。
动态职责流的常用模式
你不错平直让 Claude 生成动态职责流，或者使用触发词「ultracode」确保 Claude Code 创建职责流。
通晓动态职责流的常用模式，有助于判断何时使用以及如何通过教导开辟 Claude：
分类并实践（Classify-and-act）：使用分类器 Agent 决定任务类型，然后根据任务路由到不同 Agent 或看成，也可在临了使用分类器判断输出。
分发并汇总（Fan-out-and-synthesize）：将任务拆分红多个小要津，每个要津由一个 Agent 处理，然后汇总完毕。终点稳健大都小要津或每步需要沉寂高下文的情况。汇总要津会恭候整个分发 Agent 完成，开云体育(kaiyun)官网然后将结构化输出合并。
抗争性考证（Adversarial verification）：每个子 Agent 的输出都由另一个 Agent 对照评判方法进行抗争性考证。
生成并筛选（Generate-and-filter）：生成多个思法，然后根据评判方法筛选，去重，只复返高质地且考证过的思法。
竞赛（Tournament）：让多个 Agent 以不同方式实践交流任务，再通过评判 Agent 两两比较完毕，选出最优。
轮回直到完成（Loop until done）：对于职责量未知的任务，轮回生成 Agent，直到昂扬住手条件（无新发现或日记中无更多乖谬），而非固定轮次。
用例
移动与重构
Bun 从 Zig 重写到 Rust，等于用 workflows 完成的。
枢纽是把任务拆成一系列不错缓缓处理的小单位，比如调用点、失败测试、模块等。每一个建设都在沉寂的 worktree 里派出一个子 Agent 去完成；之后再让另一个 Agent 作念抗争式审查，说明没问题后再合并。
若是但愿尽可能并行，又不思把本机资源打满，不错明确告诉 Agent 不要初始资源滥用很高的大呼。
深度研讨
咱们在 Claude Code 里发布了一个深度研讨 skill（/deep-research），它使用的等于动态 workflows。
具体来说，它会并行伸开网页搜索，握取贵寓着手，对其中的说法作念抗争式考证，临了整合成一份带援用的研讨报酬。
不外，这类研讨并不单限于网页搜索。比如，你也不错让 Claude 从 Slack 的高下文里整理一份景况报酬，或者让它深切浏览代码库，研讨某个功能到底是若何完毕的。
深度考证
另一方面，若是你有一份报酬，并但愿逐个核查其中援用的每一项事实陈诉过甚着手，你不错构建一套职责流：先由一个智能体负责识别出整个的事实陈诉，随后派生出一个子智能体，龙虎棋牌2026最新版下载对每一项陈诉进行瞩主见核查。此外，你还不错引入一个考证智能体，有益对负责溯源的子智能体进行复核，以确保其所援用的着手具备高质地。
排序
你可能会有一批条件，思按某种定性的方法来排序，而这个方法又是 Claude Code 比较擅长判断的。比如，把扶助工单按 bug 严重进程排序。
但若是你思在一个 prompt 里一次性处理 1000 多行，质地很容易下跌，何况高下文也放不下。更好的作念法是跑一场「锦标赛」：搭建一条由两两比较 Agent 构成的活水线。比拟平直打全都分，两两比较平日更可靠。
也不错先并行分桶排序，再把完毕合并。每一次比较都交给一个沉寂 Agent 完成，笃定性的轮回负责顾惜通盘比赛括号，信得过留在高下文里的，独一刻下正在实践的轨则。
顾忌与规则战胜
若是你发现存一组规则，即便写进 CLAUDE.md，Claude 仍然时常漏掉或实践不好，则不错有益作念一个职责流：把这些规则列出来，让考证 Agent 逐条检查。每条文定对应一个考证 Agent。
同期，再创建一个带有怀疑者视角的子 Agent，有益复核这些规则是否合理、是否确凿对都方向，这么不错减少过多误报。
反过来也配置：你不错从最近的会话和代码审查办法里，挖出那些你反复变调的问题；再让多个 Agent 并行归类整理；然后对每条候选规则作念抗争式考证，比如追问：这条文定那时确凿能幸免一个确切乖谬吗？临了，把通过考证的规则再索取回 CLAUDE.md。
根因拜访
调试最灵验的方法，平日是先提议几个相互沉寂的假定，再逐个考证。但若是只依赖一个高下文窗口，Claude 很容易堕入某种「自我偏好」：越看越深信我方率先的判断。
职责流不错从结构上幸免这少许。它不错让多个 Agent 基于相互停止的把柄离别提议假定。比如，一个 Agent 只看日记，一个只看文献，一个只看数据。随后，每个假定再交给一组考证者和反驳者来测验。
这种方法并不单适用于代码。销售场景也不错用，比如分析 3 月销售额为什么下滑；数据工程也不错用，比如排查某条数据管谈为什么失败。任何需要作念复盘、找根因的问题，都不错用肖似的职责流来处理。
Triaging at scale
大规模工单分拣
每个团队都濒临着扶助工单部队、Bug 报酬或其他积压任务，这些任务常常无法仅凭东谈主工完全处理。分流职责流（Triage workflow）好像对每一个待服务项进行分类，与已跟踪的条件进行去重比对，并选择相应的看成。这些看成可能包括尝试平直建设问题，或者将其升级转交给东谈主工用户处理。
在分流职责流中，「停止」（Quarantine）是一种高出实用的模式。其中枢作念法是：不容那些负责读取非受信民众推行的智能体实践高权限操作；违抗，这些高权限操作将交由有益负责基于信息选择看成的智能体来实践。将分流职责流与 /loop 指示集会使用，即可让 Claude 持续络续地自动实践此类任务。
探索与回味判断
在探索针对某一搞定决策的不同完毕旅途时，职责流显得尤为有用 —— 终点是当任务波及主不雅「回味」判断（如遐想或定名职责）且需要依据一套既定方法（Rubric）进行评估时。
不妨尝试让 Claude 探索并生成一系列潜在的搞定决策，随后指派一个「评审智能体」，并为其提供一套明确的评估方法，用以界定何为「优质」的搞定决策。当该评审智能体判定某决策已完全顺应既定方法时，该任务即宣告完成。此外，还不错依据这套评估方法，通过「锦标赛」式的比拼机制对万般搞定决策进行排序或最终筛选。
评估
你不错针对特定任务初始轻量级的评估过程：起初在沉寂的「职责树」（Worktree）中繁衍出一组智能体来实践任务；随后再繁衍出一组「对比智能体」，依据既定的评估方法对前述智能体生成的具体输出完毕进行比对与评分。例如而言，你不错利用这一机制，依据特定的评估方法，对你所创建的某项 Skill 进行评估，并在此基础上加以迭代优化。
模子与智能路由
你不错创建一个有益针对你的任务进行调优的「分类智能体」，由其负责决接应调用哪一个基础模子来实践任务。当你的任务波及大都的器具调用时，这一机制尤为实用 —— 通过在精采实践任务前进行事前分析与调研，该分类智能体好像精确识别出最稳健刻下任务的基础模子。
yabo888vip中国官方网站例如来说，针对「阐述认证模块（Auth module）的职责旨趣」这一任务，其最好的基础模子遴荐并非一成不变，而是取决于该认证模块内包含的文献数目以及通盘代码库的举座结构形态。此时，分类智能体便可承担起这项事前分析的职责，并依据对任务预期复杂度的判断，将任务智能路由至 Sonnet 或 Opus 等不同的基础模子进行处理。
何时不宜使用动态职责流
「职责流」是一项相对较新的功能。尽管在好多应用场景下，它能带来一本万利的显赫成效，但并非每一项任务都必须依赖职责流；若滥用职责流，反而可能导致滥用远超预期的 Token 资源。
最好的实践计谋是明白创意，以一种前所未有的方式天真应用职责流，从而充分挖掘 Claude Code 的潜能。对于通例的编程任务，不妨先自问一句：这项任务确凿有必要参预极端的缱绻资源来初始职责流吗？例如，大多数传统的编码任务并不需要由五名审阅者构成的评审小组。
构建动态职责流的技巧
教导词遐想
针对动态职责流，若选择咱们上文胪陈的特定技巧来编写瞩主见教导词，常常能取得最好后果。
职责流并非仅适用于大型任务。你也不错通过教导词指示，让模子实践一种「快速职责流」。比如你不错快速构建一个针对特定假定进行「抗争性审查」的职责流。
集会使用 /goal 与 /loop 指示。
当你需要实践可相似的职责流（例如任务分流、贵寓调研或信息核实）时，建议搭配使用 /loop 指示以完毕周期性实践，并集会 /goal 指示来设定明确的任务完成硬性方向。
Token 使用预算
你不错为动态职责流设定明确的 Token 使用预算，以此放浪单项任务所滥用的 Token 数目。你不错在教导词中平直指定预算额度，例如输入：「use 10k tokens」（使用 10k Token），系统便会自动设定相应的上限。
保存与分享动态职责流
你不错通过在职责流菜单中按下「s」键来保存刻下的职责流。你不错将这些职责流文献存档至～/.claude/workflows 目次下，也不错将其打包为「妙技」（Skill）的时势进行分发与分享。
若要通过妙技（Skill）来分享这些文献，请将你的 JavaScript 职责流文献放入该妙技对应的文献夹中，并在 SKILL.MD 文献中援用它们。为了获取更大的天真性，你可能但愿教导 Claude 将该妙技中的职责流视为「模板」，而非必须一字一句实践的剧本。
职责流是一种有助于延迟 Claude Code 的全新方式。民众应该将其视为一个源流 —— 对于如何充分明白其服从龙虎棋牌app官网版，仍有好多值得探索之处。期待听到你的发现。