机器之机杼剪部
上周，Claude Code 发布了一个新才能：动态责任流。
该功能允许 Claude 根据具体任务即时编写定制化实践框架，协作多个子 Agent 并行责任，处分大限制、高并行、反抗性任务中的系统性失效问题。
近日，Anthropic 工程师 Thariq 发了篇长文，分享了他起初的责任流训戒和心得。
咱们对此进行了全文整理译述。
在久了工夫细节之前，Thariq 先提供了一些示例辅导，来让咱们交融责任流的后劲：
「这个测试可能每 50 次驱动失败一次。成就一个责任流，访佛驱动测试，酿成假定，并在责任树中对其进行反抗性考据 / 地点：遏抑尝试，直到有一个假定得手。」
「使用责任流，转头我最近的 50 次会话，挖掘我反复犯的失误，并将这些访佛性问题生成 CLAUDE.md 端正。」
「用责任流翻查往常六个月 Slack 的 #incidents 频谈，找出反复出现、但还莫得东谈主提交工单的根柢原因。」
「拿我的买卖瞎想，驱动一个责任流，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，用责任流对其进行排行，选出后端岗亭的最好候选，并对前十名进行复核。使用 AskUserQuestion 用具进行口试评分。」
「我需要给这个 CLI 用具取名。使用责任流生成多个选项，并进行淘汰赛选出前三个最好有计议。」
「使用责任流，将咱们的 User 模子重定名为 Account。」
「审查我的博客著述草稿，使用责任流考据每一项工夫声明是否合适代码库，确保不发布失误信息。」
动态责任流如何责任
动态责任流实践一个包含特殊函数的 JavaScript 文献，这些函数匡助生成和协作子 Agent。
同期，动态责任流还包括步调 JavaScript 功能，如 JSON、Math 和 Array，用于处理数据。
动态责任流不错决定一个 Agent 使用的模子类型，以及子 Agent 是否在孤独的责任树中驱动，从而让 Claude 选拔所需的智能水和蔼缺陷方式。
要是责任流中断，例如被用户操作或末端退出，规复会话时，责任流不错从中断点不绝实践。
为何使用动态责任流
当咱们使用默许 Claude Code 框架实践任务时，它需要在解除个高下文窗口中同期进行瞎想和实践。对于好多编程任务，这格外灵验，但在万古候驱动、大限制并行或高度结构化的反抗任务中，巧合会出现问题。
原因在于，Claude 在单个高下文窗口中处理复杂任务时候越长，就越容易出现以下几类失败模式：
智能体懒惰（Agentic laziness）：Claude 在处理复杂多设施任务时可能提前罢手，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 倾向于偏向我方的收尾或发现，尤其在需要考据或评估时。
地点漂移（Goal drift）：在多轮操作中，任务地点渐渐偏离，荒谬是在压缩总结之后，细节如边际案例或「窒碍作念 X」的拘谨可能丢失。
创建责任流不错通过为不同地点分派孤独高下文窗口的 Claude 实例来幸免这些问题，每个实例专注、缺陷任务地点。
动态与静态责任流的区别
你可能之前使用 Claude Agent SDK 或 claude -p 创建过静态责任流，以协作多个 Claude Code 实例。
静态责任流需兼顾总共顶点情况，因此平素更通用。而使用 Claude Opus 4.8 的动态责任流，Claude 面前大略生成针对你的特定用例定制的智能框架。
动态责任流的常用模式
你不错径直让 Claude 生成动态责任流，或者使用触发词「ultracode」确保 Claude Code 创建责任流。
交融动态责任流的常用模式，有助于判断何时使用以及如何通过辅导涵养 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 或步履，也可在终末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设施，每个设施由一个 Agent 处理，然后汇总收尾。荒谬适应无数小设施或每步需要孤独高下文的情况。汇总设施会恭候总共分发 Agent 完成，滚球app中国官网下载入口然后将结构化输出合并。
反抗性考据（Adversarial verification）：每个子 Agent 的输出都由另一个 Agent 对照评判步调进行反抗性考据。
生成并筛选（Generate-and-filter）：生成多个念念法，然后根据评判步调筛选，去重，只复返高质料且考据过的念念法。
竞赛（Tournament）：让多个 Agent 以不同方式实践酌量任务，再通过评判 Agent 两两比较收尾，选出最优。
轮回直到完成（Loop until done）：对于责任量未知的任务，轮回生成 Agent，直到悠闲罢手条件（无新发现或日记中无更多失误），而非固定轮次。
用例
迁徙与重构
Bun 从 Zig 重写到 Rust，即是用 workflows 完成的。
关节是把任务拆成一系列不错冷静处理的小单位，比如调用点、失败测试、模块等。每一个教化都在孤独的 worktree 里派出一个子 Agent 去完成；之后再让另一个 Agent 作念反抗式审查，说明没问题后再合并。
要是但愿尽可能并行，又不念念把本机资源打满，不错明确告诉 Agent 不要驱动资源浪费很高的敕令。
深度有计议
咱们在 Claude Code 里发布了一个深度有计议 skill（/deep-research），它使用的即是动态 workflows。
具体来说，它会并行张开网页搜索，捏取府上开始，对其中的说法作念反抗式考据，终末整合成一份带援用的有计议答复。
不外，这类有计议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色答复，或者让它久了浏览代码库，有计议某个功能到底是若何兑现的。
深度考据
另一方面，要是你有一份答复，并但愿逐个核查其中援用的每一项事实陈述过甚开始，你不错构建一套责任流：先由一个智能体负责识别出总共的事实陈述，随后派生出一个子智能体，世界杯下单平台对每一项陈述进行精采的核查。此外，你还不错引入一个考据智能体，特地对负责溯源的子智能体进行复核，以确保其所援用的开始具备高质料。
排序
你可能会有一批条件，念念按某种定性的步调来排序，而这个步调又是 Claude Code 比较擅长判断的。比如，把撑持工单按 bug 严重进程排序。
但要是你念念在一个 prompt 里一次性处理 1000 多行，质料很容易着落，而况高下文也放不下。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。比拟径直打十足分，两两比较平素更可靠。
也不错先并行分桶排序，再把收尾合并。每一次比较都交给一个孤独 Agent 完成，细则性的轮回负责惊奇总共这个词比赛括号，真实留在高下文里的，只消现时正在实践的端正。
记挂与端正盲从
要是你发现存一组端正，即便写进 CLAUDE.md，Claude 仍然平素漏掉或实践不好，则不错特地作念一个责任流：把这些端正列出来，让考据 Agent 逐条查验。每条端正对应一个考据 Agent。
同期，再创建一个带有怀疑者视角的子 Agent，特地复核这些端正是否合理、是否真的对皆地点，这么不错减少过多误报。
反过来也成立：你不错从最近的会话和代码审查成见里，挖出那些你反复更始的问题；再让多个 Agent 并行归类整理；然后对每条候选端正作念反抗式考据，比如追问：这条端正那时真的能幸免一个真实失误吗？终末，把通过考据的端正再索求回 CLAUDE.md。
根因造访
调试最灵验的方法，平素是先薄情几个相互孤独的假定，再逐个考据。但要是只依赖一个高下文窗口，Claude 很容易堕入某种「自我偏好」：越看越顺服我方起初的判断。
责任流不错从结构上幸免这少许。它不错让多个 Agent 基于相互缺陷的根据分手薄情假定。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据者和反驳者来磨真金不怕火。
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，都不错用类似的责任流来处理。
Triaging at scale
大限制工单分拣
每个团队都濒临着撑持工单队伍、Bug 答复或其他积压任务，这些任务不时无法仅凭东谈主工完全处理。分流责任流（Triage workflow）大略对每一个待工作项进行分类，与已跟踪的条件进行去重比对，并选定相应的作为。这些作为可能包括尝试径直教化问题，或者将其升级转交给东谈主工用户处理。
在分流责任流中，「缺陷」（Quarantine）是一种格外实用的模式。其中枢作念法是：窒碍那些负责读取非受信人人实验的智能体实践高权限操作；相悖，这些高权限操作将交由特地负责基于信息选定作为的智能体来实践。将分流责任流与 /loop 指示聚会使用，即可让 Claude 持续延续地自动实践此类任务。
探索与试吃判断
在探索针对某一处分有计议的不同兑现旅途时，责任流显得尤为有用 —— 荒谬是当任务触及主不雅「试吃」判断（如瞎想或定名责任）且需要依据一套既定步调（Rubric）进行评估时。
不妨尝试让 Claude 探索并生成一系列潜在的处分有计议，随后指派一个「评审智能体」，并为其提供一套明确的评估步调，用以界定何为「优质」的处分有计议。当该评审智能体判定某有计议已完全合适既定步调时，该任务即宣告完成。此外，还不错依据这套评估步调，通过「锦标赛」式的比拼机制对种种处分有计议进行排序或最终筛选。
评估
你不错针对特定任务驱动轻量级的评估历程：起初在孤独的「责任树」（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」，依据既定的评估步调对前述智能体生成的具体输出收尾进行比对与评分。例如而言，你不错利用这一机制，依据特定的评估步调，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
你不错创建一个特地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。当你的任务触及无数的用具调用时，这一机制尤为实用 —— 通过在稳健实践任务前进行事先分析与调研，该分类智能体大略精确识别出最适应现时任务的基础模子。
例如来说，针对「解说认证模块（Auth module）的责任旨趣」这一任务，其最好的基础模子选拔并非一成不变，而是取决于该认证模块内包含的文献数目以及总共这个词代码库的合座结构形态。此时，分类智能体便可承担起这项事先分析的职责，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。
何时不宜使用动态责任流
「责任流」是一项相对较新的功能。尽管在好多应用场景下，它能带来渔人之利的显赫奏效，但并非每一项任务都必须依赖责任流；若滥用责任流，反而可能导致浪费远超预期的 Token 资源。
最好的实践战略是施展创意，以一种前所未有的方式机动期骗责任流，从而充分挖掘 Claude Code 的潜能。对于成例的编程任务，不妨先自问一句：这项任务真的有必要插足特殊的计较资源来驱动责任流吗？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。
构建动态责任流的技巧
辅导词瞎想
针对动态责任流，若秉承咱们上文胪陈的特定技巧来编写精采的辅导词，不时能取得最好效率。
责任流并非仅适用于大型任务。你也不错通过辅导词指示，让模子实践一种「快速责任流」。比如你不错快速构建一个针对特定假定进行「反抗性审查」的责任流。
聚会使用 /goal 与 /loop 指示。
当你需要实践可访佛的责任流（例如任务分流、府上调研或信息核实）时，建议搭配使用 /loop 指示以兑现周期性实践，并聚会 /goal 指示来设定明确的任务完成硬性计议。
Token 使用预算
你不错为动态责任流设定明确的 Token 使用预算，以此放弃单项任务所浪费的 Token 数目。你不错在辅导词中径直指定预算额度，例如输入：「use 10k tokens」（使用 10k Token），系统便会自动设定相应的上限。
保存与分享动态责任流
你不错通过在责任流菜单中按下「s」键来保存现时的责任流。你不错将这些责任流文献存档至～/.claude/workflows 目次下，也不错将其打包为「手段」（Skill）的表情进行分发与分享。
若要通过手段（Skill）来分享这些文献，请将你的 JavaScript 责任流文献放入该手段对应的文献夹中，并在 SKILL.MD 文献中援用它们。为了取得更大的机动性，你可能但愿辅导 Claude 将该手段中的责任流视为「模板」，而非必须一字一句实践的剧本。
责任流是一种有助于推广 Claude Code 的全新方式。内行应该将其视为一个早先 —— 对于如何充分施展其效力世界杯全球运动用品供应平台，仍有好多值得探索之处。期待听到你的发现。