据 Latent Space 报道，Anthropic 的 Members of Technical Staff CJ Avilla 与 Harrison Stall，在 AI Engineer New York 2026 大会当天的工作坊上，介绍了 Claude Managed Agents 的新功能 dynamic workflows（演讲中反复称为 flows）。该功能于此前一个周五宣布。报道写道，flows 被定义为“a new type of multiagent orchestration, built for your most ambitious workloads”。两人用 Unix 到 Linux 维护者分层的例子说明：要做 Anthropic 设想中的大型任务，agent 也需要同等程度的组织。
据报道，动态工作流起源于 Claude Code 里“a harness for every task”的概念，但 flows 可以比单个 agent 或一份固定名单跑得更久。基本想法是由 Claude 选择 agent 的组织方式。Stall 说：“Flows are essentially the next version of multi-agent orchestration”，可以让 Claude 完整编排自己的多 agent 拓扑。
具体做法是：主 agent 先制定完成任务的计划，再由 Claude 编写一段编排程序，用来启动 agent、收集结果并管理信息流。此前使用 Claude Managed Agents，开发者需要自己配置协调者和一组子 agent；在动态工作流中，由 Claude 自行决定如何划分和编排工作。Stall 称，在多 agent 编排的多个阶段里，系统可以完成离散、可核验的工作单元，而不必由人去管理这些环节之间的连接。
Avilla 同时表示，使用者如果愿意，仍可引入专业子 agent：“It’s also possible in the agent config to pass in pre-configured sub-agents.”上述能力在 Claude Console 中提供。Latent Space 称，Claude Console 是开发者通过 API 使用 Claude 时的界面，也是 Claude Managed Agents 所在之处。
Avilla 还谈到开发者可能成为瓶颈：当大量 agent 提交大量 PR 时，人会坐在 GitHub 里逐个批准并确认是否符合预期。
演讲者演示了一个相对简单的股票观察清单扫描器。Latent Space 指出，这离 Anthropic 所鼓励的大型项目还有距离，但能看出基本模式：扫描阶段把单只股票分发给上下文相互隔离的 agent，之后的审查阶段检查这些结果，再生成报告。
有听众问，Claude 如何决定一项任务需要多少 agent，一次简单的股票扫描会不会拉起成百上千个子 agent。Stall 回答称，答案是“evals and lower defaults”，并指出雄心勃勃的任务通常需要明确鼓励更大的并行度。
关于 token 预算，有人问主 agent 是否知道自己还有多少钱可用。Stall 称，模型在运行时并不知道自己的预算，但开发者可以设定会话预算。他补充说，把预算告诉模型，可能让 agent“a little bit anxious”。据 Latent Space 描述，这句话引起了现场笑声。
另有听众问及子 agent 行为是否可见。Avilla 称，开发者始终可以通过 Claude Console 里的图形功能查看。他说，可以看到主 agent 实际传给子 agent 的内容，并在图中每一次转移对应的 payload 里弄清发生了什么。
关于子 agent 能否互相通信，Stall 称这些 agent 共享文件系统，可以借此交换信息；但开发者不能通过 API 直接指示某个工作流子 agent 给另一个发消息。
有人问如何让重复运行的 flows 随时间变得更便宜、更高效。除了让 Claude 查看已经产生的成本，Avilla 建议使用相对较新的 dreaming。Latent Space 援引官方文档称，dreaming 是研究预览功能：一次 dream 会读取现有记忆库以及过往会话记录，再生成重组后的新记忆库，合并重复项，替换陈旧或已被推翻的条目，并浮现新的见解。Avilla 在 flows 的语境里把 dreaming 描述为能够固化并改进与这些会话相关的记忆库。
还有人问，观察清单流程能否自己改进，例如发现扫描所用模型不够好、并改掉下一次定时运行。Stall 称这并没有内建；他和 Avilla 建议可以用 hill-climbing 与 dreaming 来改进这个循环。
在观察清单扫描器的对比中，Avilla 称 flows 的成本比单 agent 方案“much more”，但“much more effective at finding all of the details”。
另有听众问，动态工作流能否支撑大型科学研究，并提到 OpenAI 近日公布的、与 Navier–Stokes 千禧年大奖难题相关的证明。Stall 没有具体说明 Anthropic 如何计算大型科学问题，但表示目标是让一般用户也能处理这类问题。他说，flows 基本上是一种把测试时计算投向难题、从而更快从模型里得到更多能力的方式；作为 API 服务，释放这种能力，是让这类发现或科学进展变得可供公众广泛完成的第一步。
