在開發 AI Agent（AI 代理人）時，很多工程師會發現，如果讓單一模型處理過於複雜或耗時的任務，模型往往會出現一些奇怪的行為。例如，它可能會在任務快完成時突然偷懶（Agentic Laziness），或者在自我檢查時過於自信而忽略錯誤（Self-preferential Bias），甚至在對話過長後忘了最初的目標（Goal Drift）。為了克服這些限制，Anthropic 在 Claude Code 中引入了動態工作流（Dynamic Workflows），其核心機制在於讓 AI 能夠為自己建立一套執行框架（Execution Harnesses）。
什麼是執行框架（Execution Harnesses）
簡單來說，執行框架就像是一個臨時的專案管理系統。當 Claude 遇到複雜任務時，它不再嘗試在單一的對話視窗（Context Window）中完成所有事，而是動態地生成 JavaScript 程式碼來建構一個工作流。這個框架負責定義任務如何拆解、分配給哪些子代理人、如何驗證結果以及何時結束任務。這將 AI 從單純的聊天機器人，轉變為一個能夠設計並執行自動化流程的編排者。
解決 AI 代理人的三大痛點
這種設計主要是為了對抗長週期任務中常見的失效模式。首先是代理人懶惰，指 AI 在處理繁瑣步驟時傾向於跳過部分工作或給出簡略答案。透過將任務強制拆分為獨立的子任務並交由不同代理人執行，可以確保每個步驟都被確實執行。其次是自我偏好偏差，即 AI 在審查自己的答案時容易傾向於認為自己是對的。而動態工作流可以引入對抗性驗證（Adversarial Verification），讓一個代理人負責執行，另一個獨立的代理人負責挑戰並質疑結果。最後是目標漂移，透過將目標明確定義在執行框架中，而非依賴對話歷史，能有效防止 AI 在長對話中迷失方向。
多樣化的協作策略
為了提升效率，Claude 會根據任務特性選擇不同的協作模式。一種是扇出與合成（Fan-out-and-synthesize），將大任務平行拆分給多個代理人同時處理，最後再由一個總結者將結果合併。另一種是錦標賽模式（Tournament-style），讓多個代理人用不同的方法嘗試解決同一個問題，最後比對誰的結果最優。此外，系統還包含分類器，能根據任務的複雜度，將請求導向最適合的代理人。
模型路由與成本優化
在實際工程實務中，最令人關注的是模型路由（Model Routing）機制。並非所有步驟都需要最高階、最昂貴的模型。動態工作流允許在不同階段指派不同等級的模型。例如，簡單的格式轉換或資料提取可以使用低成本模型，而將深層推理或最終決策交給最強大的模型。這種做法能大幅降低 Token 的消耗，避免在簡單任務上浪費昂貴的運算資源。
實務上的爭議與展望
儘管這種機制提升了自主性，但開發者社群仍有分歧。部分工程師認為這目前仍處於早期階段，過度複雜的自動化可能會導致 Token 消耗劇增，甚至被戲稱為燒錢的藝術。然而，從技術演進來看，這代表 AI 的發展重心正在從單一模型的性能競賽，轉移到編排框架（Orchestration Frameworks）與多代理人協作（Multi-agent Coordination）的系統工程上。
來源：infoq.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。