来源：Anthropic Blog — Introducing dynamic workflows in Claude Code 分析完成时间：2026-05-29 09:00 CST
这篇文章回答的问题： Claude Code 的 Dynamic Workflows 是什么，运行时模型是怎样的，代码长什么样，手搓版怎么做，什么时候该用什么不该用？
这篇文章应该回答但没回答的问题： 编排脚本的安全性如何保证？对抗性审查用同一个 LLM 是否存在系统性盲点？脚本被注入恶意逻辑的防御机制在哪？
第一层：它到底是什么，在哪跑
2026 年 5 月 28 日，Anthropic 为 Claude Code 引入 Dynamic Workflows。核心变化：Claude 改为动态编写一段 JavaScript 编排脚本，交给内置运行时执行。
这段脚本是普通的 JS 代码，有变量、循环、条件分支。编排逻辑从此脱离 LLM 的上下文窗口，存储在脚本变量中。LLM 只在脚本调用 agent() 时被唤起。
有些问题对单个 agent 的一次执行来说太大了——跨越整个服务的 bug 搜索、涉及数百个文件的迁移、一个你想从每个角度压力测试的计划。
Some problems are too big for one pass by a single agent, especially in complex, legacy codebases. Dynamic workflows can handle all of these end-to-end.
Subagent vs Skills vs Dynamic Workflow
| 维度 | Subagent（旧） | Skills | Dynamic Workflow（新） |
|---|---|---|---|
| 谁在协调 | Claude 逐轮对话决定 | Claude 遵循指令 | JS 编排脚本，运行时执行 |
| 中间状态 | 存在 Claude 上下文窗口 | 同 subagent | 存在脚本变量/文件 |
| 规模 | 每轮几个 | 同 subagent | 每次运行数十到数百个 agent |
| 上限 | 受上下文窗口限制 | 同 subagent | 16 并发，1,000 agent/工作流 |
| 中断恢复 | 重置当前轮次 | 重新开始 | 同一会话内可恢复 |
| 可复用 | 无 | 保存为 skill 文件 | 保存为 .claude/workflows/ 命令 |
| 权限 | 继承会话模式 | 同会话 | 子 agent 始终 acceptEdits |
第二层：运行时模型
JS 运行时是指挥官，LLM 是士兵。脚本定义"谁做什么、什么时候做"。
指挥层（JS 运行时）：脚本拥有完整的 JS 执行环境。编排逻辑是确定性的代码。关键约束：脚本自身没有文件系统或 shell 访问权限，所有 I/O 由 agent 执行。
执行层（LLM Agent）：每个 agent() 调用创建一个独立的 Claude 实例，继承 acceptEdits 模式，拥有自己的上下文窗口。Agent 之间互不感知。
阶段屏障语义——最容易被误解的区分
- 阶段间 = 顺序屏障：阶段 1 的所有 agent 完成后，阶段 2 才开始。阶段是同步点——前一个阶段的结果是下一个阶段的输入
- 阶段内 = 并发执行：同一阶段内的 agent 同时运行，互不等待，最多 16 并发
- 陷阱：无依赖的任务放同一阶段并行；有依赖的任务必须分阶段。放错 = 浪费时间或拿不到中间结果
- 图灵完备 vs DAG：脚本可写循环（图灵完备），但单次执行轨迹隐含 DAG 结构——节点是 agent 调用，边是数据依赖。循环多次 = DAG 多次展开
第三层：核心架构拆解
六个阶段
- Plan（动态规划）：Claude 分析任务结构，生成 JS 脚本
- Fan-out（并行展开）：脚本执行，任务分发给并行 agent（最多 16 并发）
- Check（独立验证）：结果被独立检查，对抗性 agent 试图推翻
- Fold-in（合并收敛）：验证后结果合并为单一回答
- Checkpoint（断点续跑）：进度实时保存，同一会话内可恢复
- Save（可复用）：保存到 .claude/workflows/ 变为 /command
TUI 进度面板
- ↑/↓ 导航阶段，Enter 展开 agent 列表
- p 暂停/恢复，x 停止，r 重启失败 agent，s 保存脚本
Ultracode 模式
设置开关，非模型/effort level。发送 xhigh 推理强度 + 自动判断是否启动 workflow。仅限 Opus 4.7/4.8，仅当次会话有效。
第四层：代码级细节
关键事实：官方文档未公开脚本级 API。agent()、pipeline()、parallel()、phase()、log()、workflow()、args() 是内部运行时原语——Claude 在生成 workflow 脚本时使用它们，但它们不是开发者可调用的公共 API。文档原话：“A dynamic workflow is a JavaScript script that orchestrates subagents at scale.” Claude 写脚本，用户不手写。
市面上有些文章将这些内部函数当作公共 API 详细解读参数和返回值——这是不准确的。以下基于官方文档描述的行为推断：
- 脚本结构：脚本拥有循环、分支和中间结果——是图灵完备的。但执行轨迹隐含 DAG 结构（阶段=顺序屏障，阶段内=并发）
- 阶段屏障语义：阶段按顺序执行，每个阶段内的 agent 并发运行，所有 agent 完成后才进入下一阶段
- Agent 隔离性：每个 agent = 独立 Claude Code 会话，拥有自己的上下文窗口，agent 之间互不感知
- 权限模型：子 agent 始终 acceptEdits 模式，继承会话工具白名单，Shell/web/MCP 不在白名单的工具仍会触发权限提示
- Checkpoint 机制：每个 agent 完成后结果被缓存在内存中（非文件系统），恢复时已完成的返回缓存，缓存是会话范围的
- 编排脚本无 I/O：脚本无文件系统或 shell 访问权限，所有 I/O 由 agent 执行
- 触发方式：prompt 中包含 “workflow” 关键词 /
/effort ultracode/ 保存后的命令（/deep-research或自定义） - 禁用方式：
/config切换 /settings.json中"disableWorkflows": true/ 环境变量CLAUDE_CODE_DISABLE_WORKFLOWS=1 - 保存位置：
.claude/workflows/（项目级）或~/.claude/workflows/（个人级），同名时项目级优先
与 Anthropic “Building Effective Agents” 框架的五种模式（Prompt Chaining、Routing、Parallelization、Orchestrator-Worker、Evaluator-Optimizer）全部在 workflow 中实现。内置的 /deep-research 就是完整示例：“在多个角度上对问题进行 Web 搜索，获取并交叉检查找到的来源，对每个主张进行投票，并返回一份经过筛选的报告”。
第五层：DIY 对比
手动用 shell + claude -p --output-format json --allowedTools "Read,Glob,Grep" 可以实现简单并行。但缺少：对抗性验证、断点续跑、TUI 进度面板、可复用命令、自动任务分解。
第六层：选型决策框架
适合：全代码库扫描、大规模迁移、高置信度任务、可复用团队流程
不适合：单文件编辑、需频繁人工确认、token 成本敏感、需跨会话持久化
旗舰案例：Bun Zig→Rust 移植
- ~750K 行 Rust（最终合并约 966K 行）
- 11 天，99.8% 测试通过率
- 四阶段：生命周期映射 → 逐文件移植（每文件双审查）→ 修复循环 → 优化扫描
- Jarred Sumner：“这段代码被完全丢弃的可能性非常高”
- GitHub 被标记为 “AI slop”，社区争议激烈
竞品格局
与 OpenAI Codex Goals（持久自主循环）、GitHub Copilot Agent Mode、Cursor、Google Jules、Windsurf Cascade、n8n/Dify/Coze 对比。Codex Goals 是"一个很能干的人不间断地做一个大项目"，Dynamic Workflows 是"一个项目经理指挥 100 个专家并行工作"。
Anthropic 内部实战数据
Claude Code 团队成员 Boris 在 HN 分享：用 workflow 自主实施 20+ 项优化，token 使用量减少约 15%。tree-sitter 移植使 CPU/内存提升 2-10 倍，bash 静态分析迁移使误报减少 45%，Agent SDK 启动时间减少 61%，69 个代码简化 PR 删除 10,000+ 行代码。
诚实限制
- 16 并发上限（CPU 核心限制）
- 同会话恢复（退出 = 从头来）
- Token 消耗极高（90 agent 跑一个小包就触发 Max 限制）
- Issue #9553：复杂 workflow 灾难性故障
- “Slop debt"问题
- 合并冲突率 3.1%
苏格拉底对话
老师：Dynamic Workflows 的核心创新是什么？
学生：并行 agent 数量从几个变成几百个。
老师：数量只是表象。真正的创新是编排逻辑从 Claude 的上下文窗口移到了脚本里。AI 的协调能力不再受限于它自己的"思考空间”。
学生：那对抗性审查呢？
老师：最被低估的部分。对抗性审查是"让一个 agent 专门找另一个 agent 的茬"。但对抗的有效性取决于对抗者的能力——如果对抗者自己也是 Claude，可能存在系统性盲点。
学生：Codex Goals 和 Workflow 哪个更好？
老师：锤子和螺丝刀。Codex Goals 是深度——一个 agent 不间断迭代。Workflow 是广度——100 个 agent 并行扫描。
学生：Bun 案例的"很可能被丢掉"说明什么？
老师：能力 ≠ 判断力。Dynamic Workflows 给了你 750K 行 Rust，但它没有告诉你"该不该做这个移植"。
个性化洞察
- Claude Code 重度用户：从 dead code 扫描开始体验，感受 token 消耗后再扩大规模
- QA 背景：对抗性审查 = 自动化测试新维度，但不能替代安全专家
- AI 产品开发：确定性编排 + 模糊执行的混合模式是 Anthropic 的 multi-agent 答案
- 内容选题：写"Codex Goals vs Dynamic Workflows 实战对比"——市面无深度对比
- 美股关注：$1B ARR + 收购 Bun，Anthropic 从"编码助手"升级为"工程编排平台"
- 全栈开发：积累 3-5 个可复用 workflow 形成"AI 工程工具箱"