Claude Code上新，竟然是个“销金窟”

AI应用风向标（公众号：ZhidxcomAI）
作者｜毕伟豪
编辑｜漠影

智东西5月29日报道，Anthropic今日正式上线Claude Code动态工作流预览版，这项功能面向超大型任务推出，Claude会根据任务自动编写脚本，调用数十到上百个智能体处理任务，无需手动设置。

▲Claude宣布上线动态工作流（来源：X）

按Anthropic官方博客的说法，以前要几个季度啃完的工程任务，现在几天就能收工。最炸裂的案例来自Bun创始人Jarred Sumner，他用动态工作流把整个Bun运行时从Zig完整迁移到Rust，最终产出约75万行代码、耗时11天、现有测试套件通过率99.8%。

Anthropic反复提醒开发者，这个动态工作流功能的token消耗量要比正常使用Claude Code更高。动态工作流今日起覆盖Claude Code CLI、桌面版及VS Code插件。Max和Team用户默认开启，Enterprise用户需管理员手动开放。API侧同步上线，覆盖Amazon Bedrock、Vertex AI和Microsoft Foundry。

消息一出，开发者社区炸了，Hacker News上的反应并不算友好：很多开发者对这个新功能表示质疑，有人评论称自己的瓶颈不是Claude能多快自己啃代码，是它能不能写对。还有人玩梗说这是伪装成产品的“tokenmaxxing”，表达对这个新功能超高token消耗量的不满。

▲Hacker News开发者反应（来源：Hacker News）

一、全自动进入军团模式：Claude学会了派活、查作业、互相找茬

动态工作流功能直接指向复杂的大型任务，在单一智能体无法解决问题时，时常需要调用多个子智能体来协同处理，但如何给这些智能体分配任务让很多人头疼。

开启动态工作流之后，当用户下达复杂任务时，Claude会自己写一个编排脚本，自动拆分任务，然后把几十上百个子智能体同时派出去干活。每个子智能体会从不同角度处理问题，还设置有独立的智能体专职找茬，试图推翻前面的结论，整个流程反复迭代，直到任务完成。

▲多Agent处理任务（来源：Claude）

一个细节是，Anthropic强调这个模式在用户对话里运行，即便同时调度上百个子Agent，用户看到的主会话也不会被中间结果淹没，进度实时保存，中断后从断点恢复，不用重来。

Anthropic在博客里透露了一个非常炸裂的案例，Bun创始人Jarred Sumner用动态工作流把Bun从Zig全面迁移到了Rust，最终交付了约75万行Rust代码，从第一笔提交到合并耗时11天，现有测试套件通过率99.8%。

迁移完成后，Sumner又跑了一轮过夜工作流处理不必要的数据拷贝，并为每个优化项单独开出了PR。Anthropic同时提醒，重写后的Bun尚未上线生产环境，Sumner本人后续将单独撰文详述整个过程。

二、和新模型一起发布，是提效功能还是新的烧token模式？

Claude Opus 4.8今天全面上线，标准模式定价不变，快速模式是Opus 4.7、4.6的1/3，价格比之前要友好了一些。同时，动态工作流搭配Opus 4.8可以更好地完成大规模复杂任务的处理，比如大规模代码库迁移等。

Max或Team套餐用户，或者通过API使用Claude Code，动态工作流默认启用，Enterprise用户默认关闭，需管理员在Claude Code设置面板手动打开。

用户有两种启动方式。一种是直接对Claude下指令创建工作流，Claude会自行规划拆分。另一种是在effort菜单中打开新设置项“ultracode”，将思考力度拉到最高，让Claude自行判断何时启用工作流，Anthropic建议配合自动模式使用以获得最佳体验。

Anthropic在博客里留了一句明确的警告：动态工作流会消耗“比典型Claude Code会话多得多”的token。换句话说，指挥智能体军团是有成本的，而且这个成本不低。Anthropic建议从范围可控的小任务开始，先摸清楚自己的使用模式再放大。

▲Anthropic提醒token消耗量（来源：Claude）

结语：token消耗量下降之前，动态工作流只是少数人的玩具

当一次动态工作流跑掉几十甚至上百美元的token，单次成本逼近甚至超过一名初级工程师的日薪时，这种功能的日常化就成了经济问题。虽然它能跑通极致案例，比如Bun这种创始人亲自操刀、目标明确的跨语言迁移，但不代表每个团队的日常开发都付得起这张账单。

同时，虽然Bun重写通过率99.8%，但剩下的0.2%谁来修改依然没有交代，有开发者提出，每多一个Agent，代码就会更加复杂臃肿，这种将庞大任务完全交给Claude的做法，真的能保证质量吗？

但这个方向是AI编程一定要去探索的，自动化编排大规模复杂任务的需求并不少，还有待考察的，一是token消耗量，而是任务完成的质量，或许未来的某一天，模型的价格会更低，能力更强，那这个未来也许可以触达。