Anthropic раскрыла, как устроены Dynamic Workflows в Claude Code: система не просто запускает цепочку подсказок, а на лету генерирует JavaScript-harnesses для координации нескольких ИИ-агентов. Для разработчиков и тимлидов это важный сигнал: рынок все заметнее смещается от гонки отдельных моделей к инженерии оркестрации, где выигрывает не самый громкий LLM-бренд, а тот, кто лучше собирает процесс.
О новой схеме, как пишет InfoQ, компания рассказала вслед за недавним анонсом Dynamic Workflows для крупных задач в разработке ПО. Если раньше акцент был на самом факте появления этой функции, то теперь Anthropic показала внутреннюю механику: Claude Code может сам создавать исполняемые harnesses на JavaScript, чтобы делегировать подзадачи, назначать агентам роли, проверять промежуточные результаты и решать, когда workflow пора завершать.
На практике это означает довольно приземленную, но полезную вещь. Вместо одного длинного диалога с моделью, где контекст разрастается, а цель постепенно размывается, система раскладывает работу между независимыми агентами. У каждого своя зона ответственности: один исследует, другой пишет решение, третий проверяет, четвертый спорит с выводами коллег. Anthropic прямо перечисляет проблемы, против которых строилась эта логика: agentic laziness, когда модель останавливается раньше времени и выдает полусделанную работу; self-preferential bias, когда система слишком охотно соглашается сама с собой; и goal drift, когда на длинной дистанции исходная задача начинает расползаться по швам.
Для борьбы с этим Dynamic Workflows используют несколько шаблонов координации. Один из них — fan-out-and-synthesize: задача режется на параллельные подзадачи, после чего результаты собираются в общий вывод. Другой — adversarial verification, где отдельные reviewer-агенты не поддакивают основному исполнителю, а специально ищут слабые места в его аргументации и проверяют факты. Есть и турнирная схема: несколько агентов решают одну и ту же проблему разными способами, а затем их решения сравниваются между собой. Наконец, описаны classifier-системы, которые маршрутизируют задачи к разным агентам в зависимости от сложности, типа запроса или требований к качеству.
Отдельно Anthropic подчеркивает модельный роутинг. Идея проста и очень нравится людям, которые потом считают счета: не каждая стадия workflow требует дорогой модели с тяжелым reasoning. Более дешевые модели можно отправить на рутинные шаги, а более мощные — подключать там, где нужна глубокая проверка, синтез или принятие решения между несколькими вариантами. Если эта схема работает стабильно, у корпоративных команд появляется шанс не только поднять качество длинных ИИ-процессов, но и удержать экономику в пределах разумного. Иначе любой красивый multi-agent story быстро превращается в соревнование, кто быстрее сожжет токены.
Реакция разработчиков, судя по обсуждениям, смешанная. Часть аудитории видит в Dynamic Workflows шаг к более автономным системам, которые смогут тянуть сложные инженерные задачи без постоянного ручного пинка от человека. Другая часть смотрит на это куда суше: да, звучит мощно, но пока слишком легко получить дорогую и не всегда предсказуемую конструкцию. В обсуждении на Reddit один из пользователей по сути свел скепсис к простой мысли: технология выглядит эффектно, но в нынешнем виде рискует стать лишь изощренным способом сжигать токены. На другой стороне — аргумент про гибкость: если у команды есть точный контроль над тем, какие субагенты и какие модели работают на каждом этапе, то и стоимость можно оптимизировать гораздо тоньше, чем в схеме «одна большая модель делает все подряд».
Для русскоязычной IT-аудитории здесь важен не только сам Claude Code. Сюжет гораздо шире и неприятно практичен. Почти все крупные игроки в AI сейчас упираются в один и тот же потолок: модель сама по себе стала лучше, но рост качества уже не всегда пропорционален росту стоимости. Поэтому следующий слой конкуренции — это оркестрация, верификация и разделение труда между агентами. Для продуктовых команд это вопрос надежности автоматизации, для аутсорсеров и интеграторов — вопрос маржинальности, для внутренних платформенных команд — вопрос того, как превратить LLM из демо-игрушки в рабочий инструмент с предсказуемым поведением.
Есть и еще один неудобный вывод. Чем умнее становится orchestration-слой, тем сильнее меняется роль разработчика. Работа смещается от прямого написания промптов к проектированию процессов: как декомпозировать задачу, где поставить проверку, когда эскалировать на более сильную модель, как не дать системе слишком рано объявить задачу завершенной. Иными словами, AI engineering все меньше похожа на магию общения с чат-ботом и все больше — на старую добрую распределенную систему, только вместо микросервисов у вас спорят, ошибаются и экономят бюджет агенты.
Главный вопрос теперь не в том, смогут ли multi-agent-подходы решать более длинные задачи, а в том, когда их эксплуатация станет достаточно надежной и дешевой для повседневной разработки. Если ответ окажется положительным, Dynamic Workflows запомнят не как очередную эффектную функцию Claude Code, а как ранний чертеж новой нормальности, где ценность создает уже не одна модель, а дисциплина управления целой командой ИИ.