详解 Dynamic Workflows：多 Agent 规模化调度新方案

在AI编程工程化落地的过程中，多Agent协作一直面临致命瓶颈：当调度十几个Subagent并行处理任务时，上下文窗口会快速爆满，中间结果被压缩丢失，复杂任务根本无法规模化执行。直到Claude Code v2.1.154推出Dynamic Workflows，终于给出了破局方案——把编排逻辑从LLM的上下文窗口搬到JavaScript脚本里，让Agent系统真正实现规模化落地。

一、Dynamic Workflows到底是什么

Dynamic Workflows的核心是脚本化编排：用户用自然语言描述任务，Claude自动生成JavaScript编排脚本，由隔离环境的运行时执行，脚本不直接操作文件与Shell，仅负责调度Subagent干活，中间结果存在脚本变量中，仅最终报告返回对话上下文。

这彻底解决了传统方案的痛点：之前LLM既要执行任务又要负责协调，规模一上来就崩溃；现在执行交给Subagent，协调交给脚本，分工明确。

核心编排代码示例：

async function runWorkflow() {
  // 拆解任务
  const tasks = planWork();
  const results = [];
  // 并发调度Subagent
  for (const task of tasks) {
    results.push(await spawnSubagent(task));
  }
  // 汇总结果
  return aggregateResults(results);
}

二、四种多Agent方案核心对比

Dynamic Workflows和传统方案的本质差异，在于编排计划持有者与中间结果存储位置，官方给出清晰对比：

方案	谁决定下一步	中间结果存储	规模	可暂停恢复	可复现
Subagents	Claude逐轮决策	上下文窗口	几个	否	仅worker定义
Skills	Claude按指令执行	上下文窗口	几个	否	仅指令
Agent Teams	Lead Agent	各Agent上下文	十几个	否	否
Workflows	JavaScript脚本	脚本变量	数十~数百	是	脚本即编排

简单总结：Subagents是委派、Skills是模板、Agent Teams是协作、Workflows是编排代码化，这也是唯一支持交叉验证、大规模并行的方案。

三、适用场景与触发方式

1. 适用场景

• 代码库全局安全审计（200+API端点鉴权检查）
• 大规模文件迁移（500文件CommonJS转ESM）
• 交叉验证研究（多组Agent互审结论）
• 多角度方案对比与投票择优

不适合简单编码、频繁人工介入、极致成本敏感的场景。

2. 三种触发方式

1. 快速上手：/deep-research，内置多角度搜索、交叉验证、投票筛选、报告生成四阶段流程
2. 提示词触发：包含workflow关键字，如Run a workflow to audit every API endpoint under src/routes/
3. 全自动模式：/effort ultracode，自动编排，适合一次性搞定的重任务，不建议日常开启

四、运行管理：审批、监控与暂停恢复

1. 审批机制

首次运行提供三种选择：Yes, run it、View raw script、No，权限模式不同审批行为不同，Default模式每次弹窗，Bypass模式从不弹窗。

2. 运行监控

执行/workflows打开进度视图，支持↑/↓选择、p暂停/恢复、x停止、s保存为命令，实时查看Agent数量、Token消耗与耗时。

3. 暂停恢复

这是Workflow的独家优势：停止后可恢复，已完成Agent结果缓存，剩余任务继续执行，仅在同一会话有效，避免大规模任务从头重来。

五、运行约束与成本控制

1. 运行硬约束

• 不支持运行中用户输入
• 脚本无直接文件/Shell访问权限
• 最大16个并发Agent
• 单次运行最多1000个Agent

2. Token消耗对比

• 直接对话：基线1x
• Subagents（3个）：~3x
• Agent Teams（5人）：~7x
• Workflows（16并发）：~16x+

企业级落地时，可搭配koalaapi之类的大模型API聚合平台，实现模型调度与成本管控，依托其智能路由能力，在简单任务阶段自主选择Haiku/Sonnet模型，仅在深度推理环节使用Opus，兼顾执行效率与成本合规，完美适配Workflow高并发调用场景。

3. 成本优化实战

1. 模型分级：简单扫描用Haiku/Sonnet，复杂推理用Opus
2. 慎用Ultracode：避免Token消耗爆炸
3. 随时停止：/workflows按x停止，已完成工作不丢失
4. 运行前切模型：大任务优先切换低成本模型

六、核心优势与局限

1. 核心优势

• 可复现：相同脚本+输入=相同编排结果
• 可交叉验证：支持多组Agent互审，质量可控
• 可暂停恢复：大任务无需从头执行
• 可审查：脚本透明，可提前校验编排逻辑

2. 当前局限

• 处于Research Preview状态，API不稳定
• 仅同会话可恢复，不支持跨会话
• 运行中不支持交互，需拆分多Workflow
• 脚本暂不支持用户直接编辑
• 高并发下Token成本较高

七、实战落地建议

1. 先用/deep-research快速体验Workflow核心逻辑
2. 首次运行必看脚本，避免盲目执行
3. 优质Workflow及时保存，支持项目级/用户级复用
4. 大任务前清理上下文，减少无效Token消耗
5. 提前配置工具白名单，避免运行中权限弹窗中断

八、总结

Claude Code Dynamic Workflows重新定义了多Agent协作范式：执行交给Agent，协调交给代码。它把隐式的LLM协调逻辑变成显式的JavaScript脚本，从根源解决上下文膨胀问题，让单次调度数百个Subagent成为现实。

对于开发者而言，Workflow不再是简单的功能升级，而是AI编程工程化的关键一步。搭配koalaapi等工具做好成本与模型调度，无论是代码审计、大规模迁移还是交叉验证，都能高效、稳定落地。未来随着跨会话恢复、脚本编辑等功能完善，Workflow必将成为企业级AI开发的标配能力。