上周,Opus 4.8 与 Claude Code dynamic workflows 同时发布。而早在四个月前,我就在 Opus 4.5 上构建了一个等效插件 charge[1],只需提供 prompt,它就能创建并编排由 subagent 驱动的可复用工作流。Charge 在这里是「冲锋」的意思——即很多个 subagents 冲锋帮你完成任务。
不久后,我便放弃了这个项目,因为事实证明,动态生成 subagent(s) 并复用其工作流只是个伪需求。不过,基于 subagent 的编排依然是我在 Claude Code 日常工作的核心。如今,我已转用 amplify[2] (amplify@wezzard-skills),它凝聚了我先前构建 charge 时积累的经验教训。如果你也在构建 agent,我希望这个故事能帮你捕捉到新模型的下一次实质性能力跃升,并在设计类似 Claude Code 的 dynamic workflow 系统时,避免重复我走过的弯路。Anthropic 并不公开实现细节和设计思路,而本文和开源仓库则会进行详细拆解。自 2025 年 8 月以来,我一直在 Claude Code/Opus 4.1 里运行一个长程 agentic loop,通过详细的 plan 文件来推进个人项目开发。在实际操作中,这其实是一个 subagent 驱动的 loop。因为 LLM 靠 next-token prediction 工作,subagent 能很好地隔离 context;而要提升系统性能的下限,最有效的办法之一就是把无关内容挡在 context 之外。这个 loop 包含一个 evaluator 和数个 executor subagents,它们对照 plan 执行开发、测试、排障和集成卡口。这种 subagent 驱动的设计实现了 context 隔离,让每个步骤都因此受益。
生产级循环2025 年 9 月,我写了一篇文章[3]介绍这套系统的运作机制。两个月后,Anthropic 发表的引入 “harness” 概念的那篇文章也使用了类似设计。Opus 4.5 发布后,因为这个 loop 中的 subagent 的返回响应包含了任务细节,主 agent 有时会直接跳过这个 loop 的 evaluator-executor 模式独自将任务推进完成。差不多同一时间,Claude Code 引入了 background tasks 与并行 subagent。这两个新特性导致这种任务泄漏到主 agent 的现象跑起来反而更快,因为泄露的任务有时会被进一步拆解并并行处理。到 2026 年 1 月,在一次文件处理任务里,我甚至使用 Claude Code 生成过 70 多个并行的 subagents。总的来说,从 Opus 4.5 开始,运行和协调 subagent 变得容易得多。于是我不禁在想,我们能不能创建和管理由 subagents 驱动的可复用 workflow,并借鉴结构化并发编程里任务树与有向无环图(DAG)的概念,来构建它们之间的依赖关系?charge 的实现细节其实很简单,它完全由 prompt 驱动,并通过动态生成的 schema 来约束。charge[1] 已经开源,下面我将重点介绍几个常被误认为是「魔法」的实现要点。任务拆解和依赖构建是通过 chain-of-thought 技巧实现的,具体步骤如下:- 划分任务边界,确保每个任务目标单一、明确,且输入和输出清晰可辨。
沿着这一思维链,模型会将简单的用户 prompt 转换为一个 JSON 对象,以此表示拆解后的任务依赖图: 2 "workflow_name": "[string]", 7 "description": "[string]",10 {"field": "[string]", "type": "[string]", "description": "[string]"}13 {"field": "[string]", "type": "[string]", "description": "[string]"}15 "depends_on": ["[string]"]
任务都存放于 tasks 数组中,每个任务都通过 depends_on 字段来指定依赖。随后,workflow executor 会直接消费这个 JSON 对象。通过读取该 JSON 对象中的任务依赖图,Claude Code 就能「神奇地」按依赖顺序执行任务。Anthropic 采用 JS 编写的确定性执行引擎来实现这部分,对于需要大规模编排 subagents 的系统来说,我认为这是一个正确的选择。毕竟 LLM 本质上是通过 next-token prediction 来工作的,而基于 prompt 的执行引擎却不得不依赖模型本身去推断执行顺序,并在前置 agent 结束时发出正确的 tool call 以启动下一个 agent,然而这两点其实都无法得到绝对保证。不过,即便所有的 subagent 都是用 JS 编排的,我们也完全可以用 generator 模式来实现执行引擎,并直接在主 agent 中运行: 5$> complete-task.sh task_117 "execution_order": "parallel"
在这种设计下,Claude Code 的主 agent 依然负责整个 workflow 的编排。每当有 agent 完成任务,它便需要依赖模型来调用 complete-task.sh,并根据工具输出生成新的 subagents。当 workflow 构建完成并准备执行时,charge 会利用 Claude Code 的 plan mode 供用户审阅拆解后的 workflow。
审阅 Charge 创建的 workflow 方案这一步审阅至关重要,因为根据任务动态生成 subagents 是按 output token 计费的。具体来说,主 agent 需要输出用于生成这些 subagents 的 prompt,而 output token 的单价要比 input token 贵得多。这种设计相当于实现了一种 token 消耗的角度的「渐进式暴露 (progressive disclosure)」。在这一点上,charge 相比 Claude Code 的 dynamic workflows 拥有另一个独特优势。由于 charge 的 workflow 编排依然保留在主 agent 中,你可以在执行过程中的任意时刻进行中断和引导。用了一段时间 charge 之后,我发现实际场景中复用率最高的 workflow 其实更适合用确定性算法来实现。这部分工作本就该写在代码里,而不是 prompt 里。只有在需要发挥创造力时,才需要引入 LLM。在可复用的 workflow 中,LLM 通常出现在分析、诊断,或是像把 Bun 从 Zig 重写为 Rust 这样的「洗码」任务中。Anthropic 在展示 dynamic workflow 时,就把后者作为一个典型案例。而如果从零创造全新的东西,保持 human in the loop 并在推进中随时调整方向,才是正确的选择。即便是在分析和诊断任务中,你依然可以通过代码来生成结构更清晰、更易读的 tool outputs,并通过在 script 中内联多个工具来进行合并 tool calls。这不仅能提升执行速度,还能减少 context 中的噪音。这些优化至关重要,能直接提升 workflow 的性能与结果质量。毕竟,分析或诊断能否给出切实可行的建议,才是我们真正关心的。此外,对于注重可行性的任务,你还可以基于 OpenCode SDK 这样的 agent SDK,在数据传输和进程内通信中引入类型安全,以替代进程间的 tool calls。OpenCode SDK 与 OpenCode 采用相同的 session 格式,所以 OpenCode SDK session 可以在 OpenCode 客户端中直接继续。这种互操作性为 LLM-driven workflow 引入了可调式性,是整个 agent 生态中一颗被长期忽视的明珠。不过调研任务是个例外。毕竟调研离行动太远,在转化为行动之前,还需要经过重重判断。我想,这正是 Claude Code 内置 /deep-research workflow 的原因。
决策树- 如果要创造全新的东西,我们依然需要保持 human in the loop,在运行过程中随时引导 agent。
- 如果是运行可复用的 workflow,我们则有更经济的选择,比如基于 OpenCode 搭配高性价比的模型,或者写代码——代码只消耗 CPU 时间、不消耗 token。
而第一项,正是我日常使用 Claude Code 时的瓶颈所在。于是,我借鉴了 charge 的以下设计元素并在 2026 年 2 月开发了 amplify:- 在主 agent 中执行,以便在运行过程中随时引导。
Amplify 生成的 workflow plan review 界面为了防止 Claude Code 过早宣布完成任务,amplify 还引入了审计 (audit) subagents,用于检查规划好的工作是否真的已经完成。
Amplify 审计汇总