解读Claude Code全新能力：Dynamic Workflows
Anthropic给Claude Code上了个新功能，叫Dynamic Workflows。
我用了一段时间，聊聊它到底改变了什么。
以前让AI干活，基本就是一步步来，你发指令，它执行，再等结果。
如果任务复杂，光是协调和等待就耗掉大半精力。
现在不一样了。
你只要说清楚想要什么，系统自动调动几十甚至上百个智能助手分头干活，每个人负责一块内容。
等初稿出来，还有人专门负责交叉检查、查漏补缺，最后整理好再推送给你。
那些原本要花一整个季度做的复杂项目，用它基本一天就能跑完初稿。
说白了，就像是AI帮你组建了一支协作小队，包揽下所有繁琐流程。
这个功能口碑一直不错，但很多人搞不清它具体怎么用、什么时候用。
接下来我从自己的使用体验出发，讲讲它的运行逻辑，和平台里其他功能的区别，以及实际用法。
1. Dynamic Workflows 是什么
它的本质是自动生成JavaScript脚本来驱动整个工作流。
你提出需求后，Claude不会立刻动手，而是先写一套专属脚本，所有工作都由脚本在独立后台控制执行。
这样有个明显的好处：任务跑起来的时候，对话窗口完全不受影响。
你可以正常继续聊天、安排其他工作，任务完成后自动收到通知。
脚本的核心作用是统筹规划：把大任务拆成多个小任务，批量分配给智能助手，让他们同步推进。
举个例子。
做行业调研报告的时候，整个流程分三个阶段：先是多个助手分别从不同方向收集行业资讯和公开数据；接着安排人精读素材，提炼关键信息；最后交叉核对数据和内容逻辑。
每个阶段用几个助手、调用哪种模型，都会在脚本里提前规划好。
有个设计很巧妙：所有助手的中间产物只保存在脚本数据里，不会占用当前对话的存储空间。
你收到的只有整合好的最终内容，不会被一堆过程文件淹没。
[!quote] 这是它和其他类似功能最大的区别。
它还内置了多重自检机制。
会安排不同的人独立解读同一个问题，再有人专门挑毛病、找漏洞，反复打磨后才输出最终结果。
自己检查容易有盲区，多人交叉审核，结论更可信。
还有一个省钱的技巧：信息收集这类需要广度的工作，选用DeepSeek、MiniMax这类性价比高的模型；到了收尾总结和深度分析的环节，再切换到Opus 4.8、GPT-5.5这类高性能模型。
高低搭配，效率和开销都能兼顾。
以前想让多个AI配合工作，拆分任务、规划流程都得自己来。
现在这些全由AI自动完成，我们只需要说清需求就行。
2. Dynamic Workflows 和其他功能的区别
Claude Code里有skills、subagent、agent team、goal好几个功能，很容易搞混。
有一个简单的分辨方法：
[!important] 看下一步操作由谁决定
如果执行步骤被写死在代码里，全程由脚本控制，那就是Workflow；
如果是AI根据当前情况灵活判断怎么做，那就是其他功能。
核心差别在于控制权在哪。
2.1. skills：做事的规矩
skills可以理解成一份操作守则，规定遇到特定工作时该用什么工具、按什么步骤做、有哪些注意事项。
它本身不执行任务，只是一份参考文档，会留在对话记录里供AI随时查看。
比如说，你可以用skills定下文档编辑的规矩：修改文件前先备份，全文统一排版和字体。
skills和Workflow不是一回事：skills规定做事的方式，Workflow决定调动多少人做事。
两者也能搭配使用，Workflow派出的助手可以直接按skills设定的规则执行。
2.2. subagent：临时派出去的助手
subagent是AI临时派出的单个助手，专门处理某一件事，完成后把结果传回当前对话。
比如想梳理一个陌生领域的知识框架，AI会派出单独的助手去搜集整理信息，最后只把结论交回来，过程内容不会堆在对话里。
它和Workflow的区别不在于帮手数量，而在于工作发生在哪里。
打个比方：subagent像让一位实习生办事，所有过程资料都会一起交回来；如果同时叫来上百个实习生，资料会堆成山——放到AI里，就是对话空间被冗余内容占满。
Workflow相当于在外面设了个中转站，所有帮手的工作成果先汇总筛选整理，最后只送过来精简后的内容。
整个流程在对话外完成，对话界面始终清爽，这也是它能同时调动大量助手的原因，交付前还会自行检查一遍。
日常零碎的小事，用subagent就够了；如果任务体量大、产出内容多，容易把对话撑满，那就用Workflow。
2.3. agent team：能互相交流的协作小组
agent team更像一个线上工作小组，组里的多个助手能互相聊天、讨论、交换想法，大家共用一份任务清单，分工明确。
比如模拟活动策划、文案撰写、内容审核等不同岗位，靠彼此沟通打磨出最终方案。
但Workflow里的各个助手都是独立干活，彼此不交流，运作起来像工厂流水线，各自完成手头工作后统一上交成果。
如果工作需要不同角色一起商量、互补思路，比如策划一场线上活动，需要多方配合规划，这种场景更适合用agent team。
2.4. goal：专注深耕的迭代指令
/goal偏向专注攻坚，会循环检查任务有没有完成，没做到位就一直调整优化，适合长时间盯着同一个目标推进。
Workflow主打多线并行，把大任务拆成多项内容同步开展，全部做完再汇总收尾。
要是需要死磕一个目标、反复优化，就选goal。
2.5. 功能能力划分
从任务处理能力来看，从低到高的排序是：
直接对话 → subagent → agent team → Workflow
位置越靠后，能承接的工作越复杂，但使用成本也越高。
skills和goal不在这个排序里：skills是通用规则，所有功能都能套用；goal是明确工作目标。
再强调一次，只有Workflow全程在后台运行，完全不打扰当前对话。
3. 功能优缺点
优势
- 保持对话整洁 — 所有复杂流程都在后台运行，中间内容不会堆积在对话里，处理大任务时界面也不会卡顿。
- 流程可复用 — 它依托代码运行，做好流程可以保存下来反复用，也能随时查看运行进度和消耗情况，还能提前加上自检规则。
每月固定整理业务数据这类重复性工作，用起来很方便。 - 支持大批量并行处理 — 同时调动众多助手一起干活，批量处理文件、多人联合审核内容，都能轻松搞定。
- 结果更靠谱 — 经过多轮交叉检查和多方核对，内容出错的概率会大大降低。
不足
- 使用成本不低 — 每个独立助手运行都会产生开销，大批量调用时累计花费不小。
- 不适合简单小事 — 只是改几句话、查个基础常识，用它属于杀鸡用牛刀。
- 还在测试阶段 — 目前功能没有完全上线，使用时偶尔会遇到不稳定的情况。
省钱技巧
针对成本偏高的问题，有几个简单的处理方式：
- 区分场景用模型：收集信息用平价模型，分析总结用高端模型。
- 提前设置消耗上限，避免超出预算。
- 先用少量内容试水，摸清楚成本和效果后再逐步扩大使用范围。
[!tip] 这个功能就是用算力换效率和内容质量，
只要任务本身值得投入，用起来就划算。
4. 适用场景
判断标准很简单：看手上的任务能不能拆成多个独立、可以同时做的小环节。
能拆分、多人可以同步开工，就选Workflow；如果步骤有先后顺序、一环扣一环，或是本身就是简单小事，没必要用它。
从我的使用经验来看，它在这些场景里效果不错：
- 批量整理大量文档
- 多维度内容合规检查
- 整批修改项目文案
- 整合各类资料写分析报告
做资料整合的时候，可以同时查阅资讯、行业报告、网友观点，再互相验证信息真假，效果很好。
拿内容合规审核举例：先用平价模型批量筛查风险点，发现疑点后，安排助手逐一核对讨论，确认问题是否真实存在，最后用高端模型整理所有问题，输出完整审核报表。
只要把做事要求和检查标准说清楚，AI会自动搭好整套工作流程。
5. 启动方式
三种启动方法
- 关键词直用 — 发指令时直接写"创建Workflow完成某某工作"，AI会自动识别并启动。
- 切换运行模式 — 输入
/effort指令切换到ultracode模式，系统会自动判断是否启用该功能。
注意这个模式整体开销会变高。 - 新手首选内置功能 — 输入
/deep research，这是平台自带的现成Workflow，主打深度信息调研，自动多渠道搜集内容、核对信息、剔除不实内容。
刚接触的朋友可以先用它上手。
运行监控
每次启动Workflow之前，系统都会展示完整执行方案，你可以点开查看原始脚本，确认没问题再开始运行。
运行过程中输入/workflows，能实时看到动用了多少助手、消耗情况、运行时长，觉得不合适可以随时终止。
如果流程用着顺手，还能保存下来下次直接调用。
脚本的基本形式
生成的脚本逻辑并不复杂：开头标注流程名字和用途，整体分成信息收集、内容核查、撰写结果等几个阶段。
助手协作主要有两种形式：
- 串行 — 按顺序交接工作，上一环节做完交给下一环节。
- 并行 — 所有人同步开工，做完再统一汇总。
绝大多数流程都是这两种形式的结合。
6. 我的个人体验
我平时用它做内容审核和大批量文档整理。
之前我更喜欢agent team，能直观看到不同角色互相讨论的过程，比较有意思。
但Workflow胜在省心，不用提前规划谁做什么，开口说需求就行，用语音下达指令也很方便，等着收结果就好。
不过说实话，目前也还没遇到离了它就做不了的工作。
大家要是摸索出什么新奇好用的玩法，欢迎一起交流。
现在各类AI工具更新很快，新功能层出不穷，但万变不离其宗：
[!quote]
别盲目追新，合适的才是最好的。
功能再强大，和你的工作场景不匹配，最后也只是白费功夫。