动态工作流六大核心模式：让复杂AI任务执行更可靠

当AI代理被用于处理复杂、长期任务时，传统方案往往会遇到瓶颈。单一上下文窗口内同时进行规划和执行，导致任务越长，问题越多。Anthropic工程师的最新实践表明，动态工作流通过让AI自己编写调度文件、按需生成子代理的方式，能够有效解决这些问题。

概述

动态工作流的核心在于将"规划"与"执行"解耦。不再依赖一个AI实例从头做到尾，而是让AI根据任务需求创建多个子代理，每个子代理拥有独立的上下文窗口和明确的目标。实现这一机制只需两个核心API：agent()用于创建子代理并指定提示词、模型类型、隔离级别和输出格式；parallel()用于并行调度多个函数。这种设计让复杂任务可以被分解、并行处理，最终再汇总结果。

传统AI代理的三大顽疾

在单一上下文中处理复杂任务时，传统AI代理会表现出三个典型问题。其一是"代理惰性"——任务进行到一半就宣布完成，比如安全审查列了50项要求，却只检查了20项就收工。其二是"自偏好偏见"——让AI验证自己的输出时，往往倾向于给出正面评价。其三是"目标漂移"——随着上下文压缩，原始约束条件逐渐丢失，"不要做X"这类要求压缩几次就没了。动态工作流通过独立的子代理和结构化的验证流程，从根本上规避了这些问题。

六种核心模式解析

第一种是"分类并执行"——任务进入后先分类，再路由到不同的专用代理处理。比如开发任务可以分流到读代码、改实现、补测试等不同路径。第二种是"散发与合成"——将大任务拆解为多个独立步骤并行执行，最后由汇总代理整合结果。这种模式特别适合步骤繁多且相互独立的场景，每个步骤都有干净的上下文环境。第三种是"对抗验证"——每个代理的产出交给另一个独立代理按标准进行对抗性审查，不让AI自己检查自己的输出。第四种是"生成并筛选"——先生成一批候选方案，再按标准过滤去重，适合命名、方案草稿、测试用例等场景。第五种是"锦标赛模式"——多个代理用不同方法完成同一任务，两两比较决出最优。实践表明，判断式比较比绝对评分更可靠。第六种是"循环直到完成"——对于工作量不确定的任务，循环生成代理直到满足停止条件，关键在于明确写出停止条件而非让模型自行判断。

这些模式在实际场景中展现出强大的适用性。代码迁移与重构场景中，可以把任务拆成调用点修复、失败测试修复、模块修复等步骤，每个修复在独立的工作树中运行子代理，改完后由另一个代理做对抗审查再合并。深度研究场景则利用散发模式进行多源搜索、抓取、验证和综合报告。根因调查也很适合——从日志、文件、数据分别spawn代理生成独立假设，再由验证者和反驳者检验每个假设，避免单一上下文中的自偏好问题。

如有侵权，请联系删除。