Claude Code 作者Boris 近期表示："我现在不再给 Claude 写 prompt 了，我有一堆 loop 在跑。我的工作是写 loop。"他通过一次演讲，分享了自己日常使用 Claude Code 的配置和工作方式。
Anthropic 在 2026 年 5 月 28 日将 Dynamic Workflows 功能引入 Claude Code。默认情况下，Claude Code 将规划和执行放在同一个上下文窗口中，对大多数编码任务足够使用。但在处理长任务、大规模并行、强结构化或对抗性任务时，这种方式会出现问题。
Dynamic Workflows 允许 Claude 为当前任务动态生成一个 JavaScript 文件，通过特殊函数 spawn 子 agent，并使用标准 JavaScript 处理它们之间流动的数据。
相比默认方式，Dynamic Workflows 提供三个关键改进：
- 每个子 agent 拥有独立上下文窗口和单一目标，不会互相污染
- 每个子 agent 可以指定不同模型：硬推理使用 Opus，低成本探索使用 Haiku，中间场景使用 Sonnet
- 每个子 agent 的隔离级别可选：worktree（独立 git checkout）或 remote（不 checkout）
解决的三个核心问题
Dynamic Workflows 通过结构化的方式解决了三个常见的失败模式：
1. Agentic Laziness（代理惰性）
复杂多步任务只做一部分就宣布完成。Workflow 通过让不同 agent 各自拥有独立上下文和目标，确保每项子任务都被完整执行。
2. Self-preferential Bias（自我偏好偏差）
让 Claude 验证自己的输出时，它倾向于偏袒自己。Workflow 通过让不同 agent 分别负责执行和验证来解决这个问题。
3. Goal Drift（目标漂移）
多轮对话后逐渐偏离原始目标，每次信息压缩都会丢失约束条件。Workflow 通过状态隔离保持目标聚焦。
核心 API
Dynamic Workflows 提供三个核心 API：
- agent()：创建单个子 agent
- parallel()：扇出多个 agent 并行执行，等待所有结果返回（barrier 模式）
- pipeline()：流式处理，每个元素独立流过每一阶段（更便宜更快）
选择 parallel() 还是 pipeline() 取决于：下一步是否必须等待全部结果。是则使用 parallel()，否则使用 pipeline()。
六种常用工程模式
Anthropic 工程师在实践中总结了六种常用模式：
1. Classify-and-act（分类-执行）
先用低成本模型进行分类，再路由到不同的处理 agent。贵模型只用在需要的地方。
2. Fan-out-and-synthesize（扇出-综合）
将任务拆成多个独立小任务并行执行，再用一个 agent 合并结果。适合大规模代码审计等场景。
3. Adversarial verification（对抗验证）
每个产出 agent 配一个独立的验证 agent，验证者不接触原始工作，避免自我偏好偏差。
4. Generate-and-filter（生成-过滤）
先生成多个想法，再用标准筛选，只保留最优结果。避免过早承诺单一答案。
5. Tournament（锦标赛）
成对比较淘汰赛，比绝对打分更可靠，尤其适合涉及品味的排序任务。
6. Loop until done（循环直到完成）
配合 /goal 设置硬性完成标准，配合 /loop 让整套 workflow 按时间表运行。
实际应用中，一个完整的 workflow 通常组合 2 到 4 种模式。Anthropic 将 Bun 从 Zig 重写到 Rust 就使用了"Fan-out → 对抗验证 → loop until done"的组合。
常见注意事项
- 大多数日常编码任务不需要 workflow，普通 session 即可解决
- 设置 token 预算，避免超出预期 5 到 10 倍
- 不要让同一个 agent 既执行又验证
- 正确区分 parallel() 和 pipeline() 的使用场景
- loop 模式必须配合 /goal 使用
- 处理不可信内容时必须隔离，读取 agent 只读，执行 agent 不接触原文
- 排序任务使用 tournament 配对比较而非绝对打分
- 跑通的 workflow 应保存为 Skill 以便复用
总结
从 Prompt 到 Loop 的转变，代表了 AI 编程范式的重要演进。不再是通过单次提示驱动 AI，而是通过编排多个 agent 的协作流程来完成复杂任务。这种变化让 AI 编程从"下达指令"走向"设计管道"。