机器之机杼剪部
上周，Claude Code 发布了一个新能力：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行框架，合营多个子 Agent 并行责任，责罚大限制、高并行、招架性任务中的系统性失效问题。
近日，Anthropic 工程师 Thariq 发了篇长文，分享了他率先的责任流告诫和心得。
咱们对此进行了全文整理译述。
在长远时刻细节之前，Thariq 先提供了一些示例提醒，来让咱们汇集责任流的后劲：
「这个测试可能每 50 次开动失败一次。成立一个责任流，近似开动测试，造成假定，并在责任树中对其进行招架性考据 / 方向：持续尝试，直到有一个假定得胜。」
「使用责任流，总结我最近的 50 次会话，挖掘我反复犯的错误，并将这些近似性问题生成 CLAUDE.md 轨则。」
「用责任流翻查往时六个月 Slack 的 #incidents 频说念，找出反复出现、但还莫得东说念主提交工单的根蒂原因。」
「拿我的生意策画，开动一个责任流，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 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谋略。」
「使用责任流，将咱们的 User 模子重定名为 Account。」
「审查我的博客著作草稿，使用责任流考据每一项时刻声明是否顺应代码库，确保不发布错误信息。」
动态责任流如何责任
动态责任流实行一个包含特殊函数的 JavaScript 文献，这些函数匡助生成和合营子 Agent。
同期，动态责任流还包括圭臬 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 是否在安靖的责任树中开动，从而让 Claude 选拔所需的智能水温情阻遏形式。
淌若责任流中断，例如被用户操作或末端退出，归附会话时，责任流不错从中断点赓续实行。
为何使用动态责任流
当咱们使用默许 Claude Code 框架实行任务时，它需要在合并个高下文窗口中同期进行策画和实行。对于很多编程任务，这相配有用，但在永劫刻开动、大限制并行或高度结构化的招架任务中，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刻越长，就越容易出现以下几类失败模式：
智能体懒惰（Agentic laziness）：Claude 在处理复杂多才略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 倾向于偏向我方的结尾或发现，尤其在需要考据或评估时。
方向漂移（Goal drift）：在多轮操作中，任务方向渐渐偏离，非凡是在压缩总结之后，细节如旯旮案例或「轻易作念 X」的管理可能丢失。
创建责任流不错通过为不同方向分派安靖高下文窗口的 Claude 实例来幸免这些问题，每个实例专注、阻遏任务方向。
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，以合营多个 Claude Code 实例。
静态责任流需兼顾通盘极点情况，因此频频更通用。而使用 Claude Opus 4.8 的动态责任流，Claude 面前大致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
你不错成功让 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。
汇集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提醒携带 Claude：
分类并实行（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 或行动，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才略，每个才略由一个 Agent 处理，然后汇总结尾。非凡得当无数小才略或每步需要安靖高下文的情况。汇总才略会恭候通盘分发 Agent 完成，然后将结构化输出合并。
招架性考据（Adversarial verification）：每个子 Agent 的输出都由另一个 Agent 对照评判圭臬进行招架性考据。
生成并筛选（Generate-and-filter）：生成多个念念法，然后根据评判圭臬筛选，去重，只复返高质地且考据过的念念法。
竞赛（Tournament）：让多个 Agent 以不同形式实行换取任务，再通过评判 Agent 两两比较结尾，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，直到娇傲住手条件（无新发现或日记中无更多错误），而非固定轮次。
用例
挪动与重构
Bun 从 Zig 重写到 Rust，即是用 workflows 完成的。
要害是把任务拆成一系列不错渐渐处理的小单位，比如调用点、失败测试、模块等。每一个缔造都在安靖的 worktree 里派出一个子 Agent 去完成；之后再让另一个 Agent 作念招架式审查，证据没问题后再合并。
淌若但愿尽可能并行，又不念念把本机资源打满，不错明确告诉 Agent 不要开动资源花消很高的号召。
深度连接
咱们在 Claude Code 里发布了一个深度连接 skill（/deep-research），它使用的即是动态 workflows。
具体来说，它会并行伸开网页搜索，握取尊府开始，对其中的说法作念招架式考据，终末整合成一份带援用的连接答复。
不外，这类连接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象答复，或者让它长远浏览代码库，连接某个功能到底是若何终了的。
深度考据
另一方面，淌若你有一份答复，并但愿逐个核查其中援用的每一项事实讲演非常开始，你不错构建一套责任流：先由一个智能体负责识别出通盘的事实讲演，随后派生出一个子智能体，2026世界杯中国体彩官网入口对每一项讲演进行详备的核查。此外，你还不错引入一个考据智能体，成心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地。
排序
你可能会有一批要求，念念按某种定性的圭臬来排序，而这个圭臬又是 Claude Code 比较擅长判断的。比如，把支持工单按 bug 严重进度排序。
但淌若你念念在一个 prompt 里一次性处理 1000 多行，质地很容易下落，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。比拟成功打完全分，两两比较频频更可靠。
也不错先并行分桶排序，再把结尾合并。每一次比较都交给一个安靖 Agent 完成，笃定性的轮回负责保重通盘这个词比赛括号，着实留在高下文里的，只须面前正在实行的限定。
顾忌与轨则革职
淌若你发现存一组轨则，即便写进 CLAUDE.md，Claude 仍然往往漏掉或实行不好，则不错成心作念一个责任流：把这些轨则列出来，让考据 Agent 逐条查验。每条文定对应一个考据 Agent。
同期，再创建一个带有怀疑者视角的子 Agent，成心复核这些轨则是否合理、是否果真对都方向，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办法里，挖出那些你反复校正的问题；再让多个 Agent 并行归类整理；然后对每条候选轨则作念招架式考据，比如追问：这条文定那时果真能幸免一个着实错误吗？终末，把通过考据的轨则再索求回 CLAUDE.md。
根因访谒
调试最有用的门径，频频是先提议几个互相安靖的假定，再逐个考据。但淌若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。
责任流不错从结构上幸免这少量。它不错让多个 Agent 基于相互阻遏的凭据分歧提议假定。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据者和反驳者来锻真金不怕火。
这种门径并不单适用于代码。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说念为什么失败。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
每个团队都靠近着支持工单部队、Bug 答复或其他积压任务，这些任务往往无法仅凭东说念主工完全处理。分流责任流（Triage workflow）大致对每一个待工作项进行分类，与已跟踪的要求进行去重比对，并遴选相应的行动。这些行动可能包括尝试成功缔造问题，或者将其升级转交给东说念主工用户处理。
在分流责任流中，「阻遏」（Quarantine）是一种相配实用的模式。其中枢作念法是：轻易那些负责读取非受信大家试验的智能体实行高权限操作；相背，这些高权限操作将交由成心负责基于信息遴选行动的智能体来实行。将分流责任流与 /loop 指示劝诱使用，即可让 Claude 持续持续地自动实行此类任务。
探索与试吃判断
在探索针对某一责罚有谋略的不同终了旅途时，责任流显得尤为有用 —— 非凡是当任务触及主不雅「试吃」判断（如想象或定名责任）且需要依据一套既定圭臬（Rubric）进行评估时。
不妨尝试让 Claude 探索并生成一系列潜在的责罚有谋略，随后指派一个「评审智能体」，并为其提供一套明确的评估圭臬，用以界定何为「优质」的责罚有谋略。当该评审智能体判定某有谋略已完全顺应既定圭臬时，该任务即宣告完成。此外，还不错依据这套评估圭臬，通过「锦标赛」式的比拼机制对种种责罚有谋略进行排序或最终筛选。
评估
你不错针对特定任务开动轻量级的评估经过：发轫在安靖的「责任树」（Worktree）中繁衍出一组智能体来实行任务；随后再繁衍出一组「对比智能体」，依据既定的评估圭臬对前述智能体生成的具体输出结尾进行比对与评分。例如而言，你不错利用这一机制，依据特定的评估圭臬，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
你不错创建一个成心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行任务。当你的任务触及无数的用具调用时，这一机制尤为实用 —— 通过在贯注实行任务前进行事前分析与调研，该分类智能体大致精确识别出最得当面前任务的基础模子。
例如来说，针对「证明认证模块（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通盘这个词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。
何时不宜使用动态责任流
「责任流」是一项相对较新的功能。尽管在很多应用场景下，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，反而可能导致花消远超预期的 Token 资源。
最好的实践政策是阐发创意，以一种前所未有的形式无邪期骗责任流，从而充分挖掘 Claude Code 的潜能。对于旧例的编程任务，不妨先自问一句：这项任务果真有必要参加颠倒的策画资源来开动责任流吗？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
九游体育中国官网入口提醒词想象
针对动态责任流，若罗致咱们上文胪陈的特定技巧来编写谨防的提醒词，往往能取得最好恶果。
责任流并非仅适用于大型任务。你也不错通过提醒词指示，让模子实行一种「快速责任流」。比如你不错快速构建一个针对特定假定进行「招架性审查」的责任流。
劝诱使用 /goal 与 /loop 指示。
当你需要实行可近似的责任流（例如任务分流、尊府调研或信息核实）时，建议搭配使用 /loop 指示以终了周期性实行，并劝诱 /goal 指示来设定明确的任务完成硬性目的。
Token 使用预算
你不错为动态责任流设定明确的 Token 使用预算，以此限度单项任务所花消的 Token 数目。你不错在提醒词中成功指定预算额度，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」键来保存面前的责任流。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）的体式进行分发与分享。
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。为了得到更大的无邪性，你可能但愿提醒 Claude 将该手段中的责任流视为「模板」，而非必须一字一句实行的剧本。
责任流是一种有助于扩张 Claude Code 的全新形式。大家应该将其视为一个发轫 —— 对于如何充分阐发其效率2026世界杯中国体彩官网入口，仍有很多值得探索之处。期待听到你的发现。