Claude Code 动态工作流：几百个 AI 同时干活，怎么才不乱套？

先想象一个场景。

你手里有个老项目，五百个代码文件，你想让 AI 帮你挨个查一遍，看有没有安全漏洞。

一个 AI 干这活，不现实，文件太多，它看到后面就忘了前面。很自然地，你会想：那能不能一口气开几十个 AI 分身，一人分几十个文件，一起查？

听上去就很快。但真做起来，第一个拦路的问题不是 AI 聪不聪明，而是——

这几十个分身，谁来指挥？

谁分配谁查哪些文件，谁来盯进度，谁来汇总结果，查出可疑的地方谁去复核。这套"调度"的活，一直是 AI 多分身协作里最别扭的一环。Claude Code 五月底上线的动态工作流（Dynamic Workflows），整件事就是冲着这个最别扭的环节去的。

这篇我想把它讲明白：它到底解决了什么，凭什么解决，以及里面藏着的两条挺聪明的工程智慧。

老办法的天花板：指挥全靠一个大脑硬记

先说说"以前"是怎么干的，你才知道新东西新在哪。

以前那个"总指挥"，就是 AI 自己。你给它派个大活，它一边想一边往外派分身，分身干完，把结果一股脑塞回它那里。问题就出在这个"塞回它那里"。

AI 干活时有个东西叫上下文窗口，你可以把它理解成 AI 的工作台，或者一张随身的记事本，就是它当下能记住、能摊开看的所有东西，就这么大一块。所有分身的结果往这上面堆，很快就堆满了。

一个 AI 既当指挥又当仓库，几十个分身的结果全堆回它的"工作台"，台子很快堆爆。

堆满之后，麻烦是连环的。

桌子就那么大，堆不下，前面的细节开始往外掉，它就开始忘事。边记边派、边派边忘，时间一长它自己都乱了，今天这活到底怎么分的、谁先谁后，你让它复述，它说不清。最要命的是，这一摊全在它脑子里，它这轮对话一结束，整套打法就跟着蒸发了——明天你想原样再跑一遍，对不起，从头再教一遍。

这不是 AI 不够强，是"组织协调"这件事，卡在了一个"全靠一个大脑硬记"的笨地方。这就是那段最难走的"最后一公里"。

新办法：把"怎么干"写成一张图纸

动态工作流的解法，说穿了一句话：别让总指挥拿脑子硬记了，先让它画一张图纸。

你描述任务，AI 不再自己一轮一轮地现场派活，而是先写出一份计划：哪些活同时开干、哪些活得排队等、干完怎么验收、什么情况下收工，全写成明明白白的步骤。这份计划是一段代码，但你不用懂代码，你只要知道：它是一张钉在墙上、谁都能照着执行的施工图纸。

图纸画好，交给一个在后台待命的"调度台"照着跑。这下关键的变化来了。

你一句话 → AI 写出图纸 → 后台调度台照图纸开几十上百个分身 → 中间结果都在图纸的流程里流转 → 最后只把一个验过的答案交还给你。

那几十上百个分身的中间结果，从此待在图纸的流程里流转，不再往 AI 的脑子里灌。AI 的工作台，从头到尾只接最后那一个答案。

脑子不爆了，因为脑子不再是仓库。

它能干多大的活？官方摆出来的样板有点吓人：有人用它把整个 Bun（一个挺大的开源项目）从 Zig 语言重写成了 Rust。七十五万行代码，相当于把一本几千页的天书逐字翻译成另一种语言，还要保证功能一字不差，最后已有测试的通过率 99.8%，从动手到合并，十一天。数百个分身同时在写，每个文件还另外配两个分身专门挑错。Anthropic 自己的原话是：过去得按季度排期的活，现在几天干完。

第一条智慧：别让快的，干等慢的

光是"能开几百个分身"并不稀奇。图纸里真正值钱的，是它逼着你把"活该怎么排"想清楚。这里有个反直觉的坑，我用前面那个查文件的例子讲，你一看就懂。

假设每个文件要走两步：先"通读一遍、圈出可疑的地方"，再"挨个核实、确认是不是真漏洞"。

笨办法是这样：先派一批分身，把所有文件都通读一遍；等全部读完了，再统一开始核实。听着挺顺，对吧？但坑就在这儿：文件有长有短，长的读得慢。先读完的那些分身，活儿干完了却不能往下走，只能干坐着，等那个最慢的文件也读完，大家才一起进入"核实"。一堆人在空等。

聪明办法是另一套：哪个文件先读完，立刻就送去核实，绝不等别人。这边在核实第一个文件，那边第二个文件还在通读，错峰流动，谁也不耽误谁。

上半截是笨办法：全部读完才一起进核实，先干完的在"空等"（灰色），总时间被最慢的那个拖长。下半截是流水线：读完一个立刻核一个，错峰流动，整条线明显更短。

这两套办法，在动态工作流里有名有姓。笨办法那种"全批等齐再走"的，叫 parallel()，中间那道"等齐"的关卡，行话叫屏障（barrier）。流水线那种"读完一个走一个"的，叫 pipeline()。

官方把 pipeline() 定成默认首选，parallel() 只在一种情况下才用：下一步真的必须凑齐上一步的全部结果（比如要把所有文件的问题汇总去重之后，才能往下）。除此之外，能流水线就别等齐。

这一刀，正好切在多分身协作最爱白白浪费时间的地方。

第二条智慧：不让任何一个分身说了算

分身一多，还有个新麻烦：人多，错也多。某个分身信誓旦旦报上来"这里有个大漏洞"，听着挺像回事，可万一是它看走眼了呢？

动态工作流的应对很有意思：一条结论冒出来，它不直接信，而是再派几个分身，任务不是复核，是专门来推翻它。默认你是错的，谁也别想一句话定案，扛得住围攻的才作数。

一个分身给出结论，几个"挑刺"分身专门来证伪；推翻了就当场丢弃，扛住了才放行。反复几轮，直到大家吵不出新东西、结论稳定下来。

Claude Code 自带的 /deep-research（深度调研）就是这么跑的：每条结论都要过一轮交叉投票，扛不住核验的当场删掉，根本进不了最终报告。你拿到手的，是已经被自己人挑过刺的版本。

这里有句话得说清楚：稳定的是这套流程，不是每个分身。照着图纸干活的每个分身，本质还是个会看走眼的 AI。它聪明就聪明在没装：没假装分身不犯错，而是干脆把"互相验"做成了流程本身的一环。先承认会错，再用结构去兜，比嘴上拍胸脯靠谱得多。

泼盆冷水

别急着上头，几句实在话。

它现在是研究预览（research preview），不是稳定功能，得 Claude Code v2.1.154 以上的版本才有。能同时开的分身上限 16 个，单次任务总共封顶 1000 个，不是无限。

更现实的是钱。几百个分身同时干活，等于几百张嘴同时吃你的算力账单（token）。“按季度的活几天干完"的另一面，是账单也烧得飞快。官方自己都把这句写在了显眼处：动态工作流烧的 token，比一次普通对话多得多。所以官方给的建议特别朴实：先拿一个目录、一个小问题试着跑，盯着进度面板上实时跳的数字，心里有底了，再放开手干全量。

还有一层得拎清楚：图纸是确定的，能稳定复现；但照图纸干活的，还是一群会犯错的 AI。“稳定"指的是这套编排流程可靠，不等于"每个分身的结论都对”。把这两件事混为一谈，迟早摔跤。

真正变的是什么

绕回开头那个问题：几百个 AI 一起干活，谁来指挥？

过去的答案是 AI 自己拿脑子硬扛，扛到忘、扛到乱、一关机就清零。现在的答案是：先写一张图纸，让图纸去指挥。

所以这次真正变的，不是 Claude 能一口气开几百个分身，分身这事早就有了。变的是，“怎么干"这件事，第一次从一次性的灵光一现，落成了一张你能读、能改、能存档、明天能照着原样再跑一遍的图纸。跑顺了，存成自己的一道命令，下回一句话就调出来。

编排，从一种当场发挥的本事，变成了一种攒得下来的资产。

那么下一个问题就来了：当"怎么干"变成了可以版本管理、可以传给同事的代码，一个团队真正的护城河，可能就不再是"谁家的 AI 更聪明”，而是——谁攒下了那张更好的图纸。