Claude Code上新，竟然是個“銷金窟”

AI應用風向標（公眾號：ZhidxcomAI）
作者｜畢偉豪
編輯｜漠影

智東西5月29日報道，Anthropic今日正式上線Claude Code動態工作流預覽版，這項功能面向超大型任務推出，Claude會根據任務自動編寫腳本，調用數十到上百個智能體處理任務，無需手動設置。

▲Claude宣布上線動態工作流（來源：X）

按Anthropic官方博客的說法，以前要幾個季度啃完的工程任務，現在幾天就能收工。最炸裂的案例來自Bun創始人Jarred Sumner，他用動態工作流把整個Bun運行時從Zig完整遷移到Rust，最終產出約75萬行代碼、耗時11天、現有測試套件通過率99.8%。

Anthropic反復提醒開發者，這個動態工作流功能的token消耗量要比正常使用Claude Code更高。動態工作流今日起覆蓋Claude Code CLI、桌面版及VS Code插件。Max和Team用戶默認開啟，Enterprise用戶需管理員手動開放。API側同步上線，覆蓋Amazon Bedrock、Vertex AI和Microsoft Foundry。

消息一出，開發者社區炸了，Hacker News上的反應并不算友好：很多開發者對這個新功能表示質疑，有人評論稱自己的瓶頸不是Claude能多快自己啃代碼，是它能不能寫對。還有人玩梗說這是偽裝成產品的“tokenmaxxing”，表達對這個新功能超高token消耗量的不滿。

▲Hacker News開發者反應（來源：Hacker News）

一、全自動進入軍團模式：Claude學會了派活、查作業、互相找茬

動態工作流功能直接指向復雜的大型任務，在單一智能體無法解決問題時，時常需要調用多個子智能體來協同處理，但如何給這些智能體分配任務讓很多人頭疼。

開啟動態工作流之后，當用戶下達復雜任務時，Claude會自己寫一個編排腳本，自動拆分任務，然后把幾十上百個子智能體同時派出去干活。每個子智能體會從不同角度處理問題，還設置有獨立的智能體專職找茬，試圖推翻前面的結論，整個流程反復迭代，直到任務完成。

▲多Agent處理任務（來源：Claude）

一個細節是，Anthropic強調這個模式在用戶對話里運行，即便同時調度上百個子Agent，用戶看到的主會話也不會被中間結果淹沒，進度實時保存，中斷后從斷點恢復，不用重來。

Anthropic在博客里透露了一個非常炸裂的案例，Bun創始人Jarred Sumner用動態工作流把Bun從Zig全面遷移到了Rust，最終交付了約75萬行Rust代碼，從第一筆提交到合并耗時11天，現有測試套件通過率99.8%。

遷移完成后，Sumner又跑了一輪過夜工作流處理不必要的數據拷貝，并為每個優化項單獨開出了PR。Anthropic同時提醒，重寫后的Bun尚未上線生產環境，Sumner本人后續將單獨撰文詳述整個過程。

二、和新模型一起發布，是提效功能還是新的燒token模式？

Claude Opus 4.8今天全面上線，標準模式定價不變，快速模式是Opus 4.7、4.6的1/3，價格比之前要友好了一些。同時，動態工作流搭配Opus 4.8可以更好地完成大規模復雜任務的處理，比如大規模代碼庫遷移等。

Max或Team套餐用戶，或者通過API使用Claude Code，動態工作流默認啟用，Enterprise用戶默認關閉，需管理員在Claude Code設置面板手動打開。

用戶有兩種啟動方式。一種是直接對Claude下指令創建工作流，Claude會自行規劃拆分。另一種是在effort菜單中打開新設置項“ultracode”，將思考力度拉到最高，讓Claude自行判斷何時啟用工作流，Anthropic建議配合自動模式使用以獲得最佳體驗。

Anthropic在博客里留了一句明確的警告：動態工作流會消耗“比典型Claude Code會話多得多”的token。換句話說，指揮智能體軍團是有成本的，而且這個成本不低。Anthropic建議從范圍可控的小任務開始，先摸清楚自己的使用模式再放大。

▲Anthropic提醒token消耗量（來源：Claude）

結語：token消耗量下降之前，動態工作流只是少數人的玩具

當一次動態工作流跑掉幾十甚至上百美元的token，單次成本逼近甚至超過一名初級工程師的日薪時，這種功能的日常化就成了經濟問題。雖然它能跑通極致案例，比如Bun這種創始人親自操刀、目標明確的跨語言遷移，但不代表每個團隊的日常開發都付得起這張賬單。

同時，雖然Bun重寫通過率99.8%，但剩下的0.2%誰來修改依然沒有交代，有開發者提出，每多一個Agent，代碼就會更加復雜臃腫，這種將龐大任務完全交給Claude的做法，真的能保證質量嗎？

但這個方向是AI編程一定要去探索的，自動化編排大規模復雜任務的需求并不少，還有待考察的，一是token消耗量，而是任務完成的質量，或許未來的某一天，模型的價格會更低，能力更強，那這個未來也許可以觸達。