一项业务里，通常只有部分环节需要 AI 的判断。让 Agent 分析服务异常，智能主要体现在它能否找到原因；执行重启需要什么权限、必须通过什么检查，适合由程序处理。**Workflow 的价值，就在于把这种分工变成可执行的安排。** 模型可以专注于分析问题，已经明确的业务要求则有了稳定的执行方式。

此前关于 Harness，也就是 Agent 运行框架的文章里，有一个判断：“能用程序规则描述清楚的问题，交给 LLM 的推理去决策是对计算资源的浪费。”这也是看好 Workflow 的原因。约束让 AI 更好用，因为它减少了模型需要反复判断的事情，也让必要的检查脱离了模型的临时发挥。一次任务采用的方法经过检验，可以成为后续工作的基础，使用者不必每次重新摸索。

这种价值，并不要求工程师提前安排好所有步骤。权限范围可以固定，处理问题的路径可以随任务变化。分析服务异常时，哪些线索有用、需要调用哪些工具，往往取决于当前观察到的情况。运行框架按照人设定的规则检查操作权限，Agent 在允许的范围内组织处理过程。

人工编排的困难恰好发生在这里。面对尚未出现的任务，工程师要预先设想各种情况，把处理方式写进流程。稳定而重复的业务适合这样安排，探索性较强的工作却容易让流程随着新情况不断增加分支。人们试图提前描述尚未掌握的问题，也因此增加了流程的维护成本。

以 DAG 为中心的图形编排，把这份负担变成了节点和连线。几个节点可以让逻辑一目了然，复杂判断被拆进多个配置窗口以后，理解流程就需要不断往返于画布和窗口之间。一段普通程序能够连贯表达的意思，在图形界面里可能需要花费更多精力才能读懂。所谓“少儿图形化编程”的感觉，往往来自这里：表达形式很友好，复杂业务的维护却未必轻松。

当 AI 已经能够编写程序，要求工程师亲手把复杂逻辑逐项翻译成节点配置，就有些缘木求鱼了。人花费精力维护的是一种表达形式，AI 的编程能力却没有充分参与其中。**对于这类工作，让 AI 编写 Workflow，用代码表达逻辑，比人工维护一张越来越庞大的流程图更合适。**

Claude 的 Dynamic Workflows，采用的正是这个思路。它于今年 5 月 28 日在 Claude Code 中发布，10 月 9 日扩展到云端托管服务 Claude Managed Agents，开放 Beta。Anthropic 希望处理的是单个 Agent 一次难以完成的复杂任务，办法是让 Agent 根据任务生成编排程序，由运行框架执行。

这让流程的形成有了一个更合理的时机。面对一个需要审查的代码库，Agent 可以根据当前任务分析怎样拆分工作，把分工写成程序。每个任务可以获得适合自己的组织方式，人们无需为尚未见过的代码库预先画好同一张图。**编排本身成为 AI 可以参与解决的问题。

生成的程序承载了已经形成的安排。循环何时继续、结果怎样传递，都可以按程序中的逻辑执行，主 Agent 无须通过一轮轮对话协调每个环节。Anthropic 在文档中把这个区别归结为谁持有工作计划：Dynamic Workflows 让脚本管理编排和中间结果。推理用于形成方法，程序负责执行其中已经明确的逻辑，这正是 Workflow 原本就擅长的分工。

程序管理控制逻辑和中间结果，也有机会减少协调过程中的 Token 开销。整个任务的消耗可能因为更多子 Agent 和独立复核而增加，Anthropic 对此有明确提醒。

程序写出来以后，也就成为可以保存的成果。Claude Code 支持将一次运行的 Workflow 脚本保存为命令，供后续任务复用。初次处理任务时由 AI 生成的方法，经过检查和实际使用，可以固定为一套常用流程。**动态生成解决方法从哪里来，保存复用让有效的方法不必每次从头产生。

例如，一套适合某个代码库的审查流程形成以后，后续审查可以沿用同样的分工和检查要求。代码发生了变化，Agent 分析的是新的内容，组织工作的方式却可以保持一致。业务需求变化时，工程师能够检查和修改已有脚本。固化的是经过认可的工作方法，具体任务中的判断由 AI 完成。

**AI 开始为自己的工作编写程序，经过检验的方法可以成为后续 Agent 的工作基础。** 一次任务留下的成果，因此包含了解决这类问题的办法。人们可以从实际工作中发现哪些安排有效，把它们保存为团队共同使用的流程。把某个人偶然成功的方法，改造成其他人能够稳定使用的流程，个人探索也就有了转化为组织能力的途径。

这使 Workflow 成为一种更适合 AI 的工作组织方式。它能够在任务到来时生成，在实践中接受检验，并随着经验积累固定下来。工程师可以把更多精力用在理解业务和验收成果上，判断生成的流程是否准确表达了业务要求。Workflow 既支持 AI 完成复杂工作，也让完成这些工作的经验有了可以保存和复用的形式。