AI前沿 | 2026年10月14日Anthropic Dynamic Workflows 多智能体自主编排 Agent 动态拓扑首屏导读 · 本教程配套付费专栏《大模型工程师修炼手记》19.9 元AI 编程 · Agent 实战 · 本文同主题系统课程· 《AI时代程序员的自我提升》49.9 元AI 时代成长方法论单篇不过瘾订阅解锁全量源码、实战与答疑文末附资料包领取方式 ↓导读10 月 13 日在AI Engineer New York大会上Anthropic 的成员 of technical staffCJ Avilla 与 Harrison Stall介绍了Dynamic Workflows动态工作流——让Claude 自主设计自己的组织拓扑、并编写编排程序来调度多智能体。与过去人工配一个协调器 一份固定子智能体名册的 Managed Agents 不同动态工作流把编排责任从开发者转移给模型Lead Agent分析任务、决定需要哪些子智能体、生成调度代码、按复杂度伸缩并行度子智能体通过共享文件系统交换信息暂不支持API 直连互发消息开发者在Claude Console里以图的形式审查每一次数据流转。为防成本失控Anthropic 提供Session 预算与实验性的dreaming 记忆整理。本文拆解它的执行模式与工程边界。1. 事实还原从人工编排到模型自己编排据latent.space对AI Engineer New York现场分享的记录TheNextGenTechInsider 转述动态工作流要解决的是多智能体编排里的瓶颈效应当一群 Agent 并行工作时协调器要处理海量 PR 与依赖关系人很快成为瓶颈。Anthropic 的思路是把编排权交给模型本身。它明确区别于上一代Claude Managed Agents维度静态编排Managed Agents动态工作流Dynamic Workflows组织拓扑开发者手工配置协调器与子智能体名册Lead Agent 自主决定需要哪些子智能体调度方式固定流程Claude自己编写编排程序启动/收集/管理数据流转specialists固定名册开发者仍可注入预配置专家子智能体信息交换—子智能体经共享文件系统协作可观测有限Claude Console 图谱可深查每次 payload 传递2. 执行模式Lead Agent 写编排程序动态工作流的运行可以概括为一条计划 → 生成调度 → 隔离执行的链路任务目标 │ ▼ ┌─────────────────────────────────────────────┐ │ ① 自主拓扑设计 │ │ Lead Agent 分析任务 → 决定子智能体组织结构 │ └───────────────┬─────────────────────────────┘ ▼ ┌─────────────────────────────────────────────┐ │ ② 编排编程Orchestration Programming │ │ Claude 自己写编排程序启动 Agent / 收结果 │ │ / 管理数据在阶段之间的流转 │ └───────────────┬─────────────────────────────┘ ▼ ┌─────────────────────────────────────────────┐ │ ③ 隔离执行 共享文件系统 │ │ 子智能体各司一职扫描/评审/汇报在隔离 │ │ 上下文里维持准确性通过共享文件系统交换信息 │ └───────────────┬─────────────────────────────┘ ▼ 结果汇总 / 图谱可审查几个要点把大目标拆成离散、可验证的工作单元——Lead Agent 先出高层计划再由计划触发生成编排程序程序负责每个子智能体的生命周期隔离上下文保准确每个子智能体在自己的隔离环境里完成扫描/评审/汇报等阶段互不污染共享文件系统而非消息总线子智能体通过共享文件交换信息但暂不支持通过 API直接互发消息——这既是限制也简化了调试可观测开发者能在Claude Console里用图看Lead Agent 与子智能体之间的每次数据传递。3. 成本与记忆test-time compute 的护栏动态工作流为了解更难的问题会动用大量 test-time compute因此 Anthropic 专门做了两类控制Session 预算Budgeting模型在执行时并不实时知道自身 token 花费所以 Anthropic 让开发者按会话设置预算防止成本失控dreaming 记忆整理研究预览系统会重组记忆存储——合并重复项、替换过期或自相矛盾项提升后续会话效率并行度随复杂度伸缩系统设计上根据任务复杂度扩展并行化突破单 Agent 的局限面向大规模科学/数据密集型项目。工程师视角点评模型自己编排最大的风险是成本黑箱。动态工作流把要开多少 Agent、跑多少轮的决定权给了模型而模型对花费没有实时感知——这意味着跑飞的成本可能是数量级的。务实做法① 预算必须做在会话级 阶段级双层超限即硬熔断而非仅告警② 给编排程序设最大 Agent 数 / 最大并行度上限③ 把 dreaming 当记忆 GC用但务必保留被合并/被替换的审计轨迹——它改的是 Agent 对用户的长期认知改错了比省 token 的收益大得多。4. 工程影响编排权下放治理责任上移把这条新闻放进更大的时间线可以看到一条主线Agent 系统正在从人编排 Agent走向Agent 编排 Agent。这对工程实践有几层含义角色变化开发者从接线员变成审计员与立法者——不再手工连每条线而是定义边界、审批高风险动作、审查执行图谱架构类比Anthropic 自己把这一步比作Unix/Linux 那样的组织化演进——从单进程到多进程调度从单体到分层的操作系统可观测成为刚需编排越自主看得见就越重要——Claude Console 的图谱本质是给自主编排配了行为账本边界仍在共享文件系统协作 无 API 直连消息意味着通信拓扑受限于文件系统语义精细的实时协商能力仍缺位。工程师视角点评编排权下放不等于治理责任下放。恰恰相反——模型越自主人类越需要在预算、权限、审批、审计上把关。建议提前把三件事做成基础设施① 会话/阶段双层预算 硬熔断② 高风险动作提交、发布、删除、对外发信的强制人工审批③ 完整的编排执行图谱存档让模型自己做了什么决定可回放、可追责。结语2026 年 10 月 13 日这条线表面是Anthropic 又发了一个 Agent 新功能实质是多智能体系统的控制权正在从人写流程转向模型写流程Lead Agent 自主设计拓扑、自己写编排程序把编程的编排层也变成了模型的产物。它解开了人成为瓶颈的死结同时把成本、权限与可审计性的挑战统统推到了台前。今日启示当谁来编排从人变成模型最稀缺的能力就变成了给自主系统定规矩。别急着上更大的自主度——先把预算、审批、审计这三道护栏焊死。能安全放手的那一天才是自主编排真正有价值的开始。深度观察动态工作流治理核查清单① 双层预算——会话级 阶段级预算超限硬熔断不能只是告警。② 权限边界——高风险动作强制人工审批给编排程序设最大 Agent 数 / 并行度上限。③ 执行图谱——全程存档编排决策与数据流转让自主编排可回放、可追责。④ 记忆审计——dreaming 合并/替换长期记忆时保留审计轨迹改错能回滚。对工程师的建议 1.把预算当硬约束——模型无实时花费感知必须外部兜底 2.急事慢做先给自主编排限定在低风险任务域再逐步放大 3.可观测优先于自动化——看不清的自主不如不自主 4.保留人类注入专家子智能体的能力别让全自主变成全失控。写在最后从人配置协调器到模型编写编排程序多智能体系统的方向盘正在交到模型手里。真正决定这套系统能不能规模化的从来不是它能不能自己组队而是当它自己组队时你能不能在预算烧穿前拦住它、在出错后还原它、在一次复盘后约束它。愿你的 Agent 团队越自主越可控。我的付费专栏欢迎订阅 - 大模型工程师修炼手记19.9 元https://blog.csdn.net/gedonshen/category_13184590.html - AI时代程序员的自我提升49.9 元https://blog.csdn.net/gedonshen/category_13193977.html本文配套代码 / 资料包欢迎在评论区留言「求代码」我会私信发送完整资源本文由Tom·Gegedonshen自动写作助手生成信息来源包括 latent.space 对 AI Engineer New York 现场分享的报道、TheNextGenTechInsider 转述、Anthropic 官方分享CJ Avilla / Harrison Stall等公开渠道功能与预览状态以官方口径为准技术解读为作者独立观点仅供参考。 延伸阅读 · 我的付费专栏觉得这篇文章对你有帮助我把同类主题的系统化内容沉淀成了付费专栏欢迎订阅支持持续输出专栏定价内容大模型工程师修炼手记19.9 元AI 编程 / Agent 深度实战AI时代程序员的自我提升49.9 元AI 时代成长方法论觉得有用请一键三连点个收藏方便随时查转发给需要的同事朋友有问题评论区见—— 收藏的人越多越能帮到更多同路人你的每个赞都在为原创内容投票。本文配套代码 / 资料包欢迎在评论区留言「求代码」我会私信发送完整资源