引言#

在最近的公司内部的tech讨论网站上，看到了一篇关于Dynamic Workflows的讨论文章。基于兴趣点进去看了，发现这个概念非常有趣。同时我意识到，很多开创性的东西可能就夹在了我们某些日常开发的两个甚至多个方向之间。只是我们很多时候没有意识到这里能这样做。

关于workflow的印象#

1
接受指令-》分析用户意图为查询账单-》通过意图识别agent，防御提示词工具+自动匹配到查询账单的图节点-》从库中查询相关账单状态 -》自动总结相关信息 -》QA节点自动判断质量，通过则继续不通过则打回 -》门禁节点执行脱敏处理 -》 最终输出结果给用户

什么是Dynamic Workflows？#

综上，我们能够发现，目前的两个方案对比如下：

于是最近ClaudeCode官方团队发出了一篇文章用于讲述dynamic workflows这一个概念并落实到官方的agent当中，具体可见：

概念说明：https://claude.com/blog/introducing-dynamic-workflows-in-claude-code
如何使用：https://code.claude.com/docs/zh-CN/workflows

核心在于：在动态任务的场景下，当前agent根据当前情景通过使用一种代码语言，来编写出一套明确的任务流程脚本，同时脚本中从代码层面规定相关约束。然后将该脚本交给执行器执行

也就是说，传统两种方案都存在明显的单边缺陷：子Agent委派只有动态、没有约束；静态DAG只有约束、没有动态能力。而 Dynamic Workflows 的核心创新，就是将“动态规划能力”与“代码级强约束”进行融合。

不同于依靠Prompt模糊拆解任务、依靠LLM自律执行的软约束模式，Dynamic Workflows 允许智能体在运行时根据未知任务实时生成结构化、可执行、可校验的流程脚本。这套流程将原本的自然语言清单进化成具备执行语义、分支判断、异常捕获、步骤校验的轻量化工作流代码。生成完成后由专属执行器逐条调度运行，全程可观测、可审计、可强制卡点。

简单来说，其执行范式转变为：用户下发未知任务 → Agent实时编写专属工作流脚本 → 脚本自带规则与约束 → 执行器刚性执行并校验结果 → 任务闭环。

它和传统的langgraph、subAgent派发的关系与区别？#

为了更清晰理解其创新价值，我们从约束性、动态性、可落地性、可观测性四个维度，区分 Dynamic Workflows 与两种传统范式的本质差异。

首先，相较于多子Agent委派方案：子Agent委派完全依赖大模型的prompt理解与自主调度，没有标准化的流程契约。任务拆分、子Agent派发、结果校验全靠模型自主判断，执行过程黑盒化，无法做机器级的强制约束，极易出现上下文膨胀、结果失真、步骤遗漏等问题。而 Dynamic Workflows 保留了动态适配未知任务的能力，同时把所有调度逻辑、步骤规则、校验标准固化在运行时生成的脚本中，将“LLM自律执行”升级为“脚本刚性执行”，彻底解决黑盒不可控、结果不稳定的问题。

其次，相较于LangGraph静态DAG编排方案：传统DAG需要开发者在代码层预定义所有节点、分支、流转拓扑，仅适配固定业务场景，面对未知、探索性、动态变化的大型任务完全无力适配，新增流程成本极高。而 Dynamic Workflows 无需人工预定义拓扑，由Agent针对单次任务实时生成专属流程，兼具DAG的强约束、高稳定、可审计优势，同时彻底摆脱流程固化、扩展性差的短板。

综上可以明确三者的定位差异：

1. 子Agent委派：动态无约束，灵活但不可控，适合探索实验、无法生产落地；
2. 静态DAG编排：约束无动态，稳定但僵硬，适合固定业务、无法适配未知任务；
3. Dynamic Workflows：动态+强约束兼具，既适配未知动态大任务，又具备生产级可控性与稳定性。

Dynamic Workflows的一种实现说明与应用方式#

结合现有Agent工程实践与Claude官方设计思想，Dynamic Workflows可落地为一套轻量化、可复用的运行时工作流生成与执行体系，核心分为三大模块：流程生成模块、刚性执行模块、结果校验与迭代模块。

1
用户原始任务
2
     ↓
3
流程生成模块（LLM输出workflow脚本，使用原语集合）
4
     ↓
5
刚性执行模块（执行器解析脚本，调用agent/parallel，输出运行日志state）
6
     ↓
7
校验迭代模块（check/retry/alert校验；不达标则回退/重新生成脚本）
8
     ↓
9
输出最终结果

• 第一，流程生成模块。当用户发起未知大型任务时，Agent不再直接执行或委派子任务，而是先对任务目标、执行难点、所需步骤、潜在风险进行拆解，自动生成结构化工作流脚本。脚本中包含明确的执行顺序、分支判断、异常兜底、输出规范等代码级约束，替代传统的自然语言任务清单，从根源上统一执行标准：

这里举个代码案例的例子： 对应的函数功能如下：

对应一个示例workflow脚本代码如下：

1
const dynamicWorkflow = {
2
  // 工作流元信息
3
  meta: meta({
4
    name: "大型数据分析动态任务",
5
    version: "1.0.0",
6
    createBy: "LLM-Dynamic-Generate",
7
    desc: "未知任务自动生成工作流，含校验、重试、分支、并行、持久化"
8
  }),
9

10
  // 全局入参定义
11
  args: args({
12
    sourceFile: "./big_data.csv",
13
    confidenceThreshold: 0.7,
14
    maxRetry: 2
15
  }),
16

17
  // 全局状态容器
18
  state: state({
19
    rawData: null,
20
    cleanData: null,
21
    analysisResult: null,
22
    pass: false
23
  }),
24

25
  steps: [
26
    // 阶段1：数据加载阶段
27
    phase("数据初始化阶段", async () => {
28
      log("INFO", "开始加载原始数据集");
29
      timeout(10000); // 10s超时限制
30

31
      // 调用子Agent执行IO任务
32
      const res = await agent("data_loader_agent", {
33
        path: args().sourceFile
34
      });
35

36
      // 结构化输出约束
37
      schema(res, { data: "Array", total: "Number" });
38

39
      // 写入全局状态
40
      state("rawData", res);
41
      log("SUCCESS", "原始数据加载完成");
42
    }),
43

44
    // 阶段2：数据清洗 + 失败重试
45
    phase("数据清洗阶段", async () => {
46
      retry(args().maxRetry);
47

48
      const raw = state("rawData");
49
      const cleanRes = await agent("clean_agent", { data: raw.data });
50

51
      state("cleanData", cleanRes);
52
      log("SUCCESS", "数据清洗完成");
53
    }),
54

55
    // 阶段3：并行多Agent分析
56
    phase("并行智能分析阶段", async () => {
57
      const clean = state("cleanData");
58

59
      // 并行调度多个子Agent
60
      const analysisRes = await parallel([
61
        () => agent("stat_agent", { data: clean }),
62
        () => agent("corr_agent", { data: clean })
63
      ]);
64

65
      state("analysisResult", analysisRes);
66
      log("SUCCESS", "多维度并行分析完成");
67
    }),
68

69
    // 阶段4：动态分支 + 质量校验
70
    phase("结果校验与分支决策阶段", async () => {
71
      const result = state("analysisResult");
72
      const threshold = args().confidenceThreshold;
73

74
      // 动态分支判断：运行时决策
75
      branch(result[1].r >= threshold)
76
      .yes(async () => {
77
        check(true, "置信度达标，校验通过");
78
        state("pass", true);
79
      })
80
      .no(async () => {
81
        check(false, "置信度不足，触发重新清洗");
82
        // 复用已有工作流子流程
83
        await workflow("数据清洗阶段");
84
        alert("WARN", "结果质量不达标，自动重跑子流程");
85
      });
86
    }),
87

88
    // 阶段5：持久化归档 + 流程收尾
89
    phase("结果落地与闭环阶段", async () => {
90
      if(state("pass")){
91
        persist(state("analysisResult"), "./final_report.json");
92
        log("FINISH", "任务全部执行成功，数据已持久化");
93
      }else{
94
        alert("ERROR", "多次重试后任务仍未达标");
95
      }
96
      end(); // 正式结束工作流
97
    })
98
  ]
99
};

• 第二，刚性执行模块。生成的动态脚本交由独立执行器调度运行，可根据任务需求自主调用工具、拆分并行子任务、控制执行节奏。相较于人工编写的固定DAG，该脚本是任务专属、按需生成、用完即弃的，无需修改项目源码，极大降低动态任务的开发成本。同时执行全程日志留存、状态可追溯，解决子Agent委派的黑盒问题。

执行时，agent只需要调用工具，比如 -excute testworkflow.js，即可触发动态任务的执行。

• 第三，校验迭代模块。脚本内置质量卡点与评审逻辑，参考LangGraph的Judge校验机制，对每一步执行结果进行标准化校验，不合格则自动重试、回滚或重新生成子流程，避免模型自由发挥导致的结果失真，保障任务输出质量。

这里环节中可以使用类似于check()、retry()、alert()等函数，对每一步执行结果进行校验、重试、报警，保障任务输出质量。

那么流程就变为：分析任务-》写/调整workflow-》执行workflow-》验证workflow结果-》loop以上流程直到质量达标.

在实际应用场景中，该模式完美适配两类传统方案无法兼顾的场景：一是面对未知动态大型任务，拥有传统子Agent方案的灵活性，同时能够支持更多数量的agent，将上下文直接通过代码处理完成；二是面对结果合规、流程可审计、质量可把控的准生产级动态任务时，拥有静态DAG方案的稳定性与规范性。

总结#

纵观智能体工作流的发展历程，Agent任务编排范式经历了多次明显迭代：从最初单Agent自主规划执行，到多子Agent动态委派解决大任务上下文问题、静态DAG编码约束实现生产级稳定落地。但方案始终存在天然短板，形成了“灵活不可控、可控不灵活”的行业矛盾：

• 多子Agent委派以牺牲约束性与稳定性为代价，换取了未知任务的适配能力
• 静态LangGraph DAG编排以牺牲动态扩展性为代价，换取了流程可控性与生产稳定性。
• Dynamic Workflows 的出现，恰好填补了两者之间的空白，实现了动态任务适配与代码级强约束的双向统一。

注意，这里并不一定说要排出方案优劣，更不如说，没有绝对的好与坏的方案，只要是能解决当前问题的方案，就是好的方案。并且方案之间并非独立，它们可能相互嵌套，你中有我，我中有你。

该新模式让智能体可以在无预设流程的情况下，自主为未知大型任务生成标准化、可执行、可校验的专属工作流，既规避了传统方案上下文爆炸、执行黑盒、结果不规范的问题，又解决了静态DAG流程固化、扩展笨重、无法适配动态场景的痛点。是当前大型复杂Agent任务执行场景下，极具落地价值与发展潜力的新一代智能体行动范式。