一、调研困境：信息越多，结论越模糊

无论是人类还是AI，在开展技术调研时都容易陷入“信息过载”的陷阱。随着信息量的激增，观点逐渐多元，结论反而变得模糊不清。因此，回归核心目标是调研的第一要务。

过去，AI在注意力与联想能力上存在明显短板：它容易受限于当前信息量，难以实现真正有价值的跨领域联想。然而，AI的执行力恰恰是其优势所在——它能够以Agent形态层层推进，完成信息的搜集、归纳与总结，避免细节上的损耗。

尽管我已有自己的深度研究系统，但当Claude Code推出Dynamic Workflows（动态工作流）功能时，我决定与其进行一次“对决”——看看默认的官方能力能否全面超越个人定制的方案。

二、Dynamic Workflows的核心机制

Dynamic Workflows的创新之处在于：在执行任务前，先由AI自动设计最佳工作流，随后启动执行。这与传统的“计划模式”或Skill有本质区别：

  • 计划模式：仅将任务拆解得更细，但未必符合合理的工作流逻辑。
  • Dynamic Workflows：自动集成验收逻辑、结果收敛与对抗验证等关键环节。

触发方式极为简便：在Claude Code中使用/deep-research命令，提供调研模板和入口资料即可。若需单独调用动态工作流能力，直接使用提示词或输入ultracode即可。需注意，Token消耗约为常规模式的数十倍。

三、六大工作流模式详解

动态工作流底层整合了六种核心调度模式，其本质围绕两个核心问题展开：任务如何拆解？结果如何整合？

3.1 路由模式（Classify-And-Act）

该模式由一个Agent负责识别任务类型，随后将任务分配给最合适的专业Agent执行。核心在于路由的选择逻辑——一个任务仅走一条路径，其他路径完全不执行。

实际应用：可预设三个子Agent角色——严格验证数据的分析Agent、擅长写作的输出Agent、专门寻找漏洞的挑战Agent。路由层判断子任务适合交给谁，而非由单一Agent全权负责。

  • 优势：精准高效，每个Agent的提示词高度独立，形成垂直深度探索。Token消耗最低，响应速度最快。
  • 劣势：对边界模糊的任务（如“既是技术问题又是账户问题”）处理能力较弱。

3.2 拆分合并模式（Fan-out & Merge）

这也是最常用的模式之一，核心逻辑为并行+合并。任务被拆解为N个独立子任务同时运行，待全部完成后统一整合。

  • 优势：速度快，总耗时约等于最慢的子任务。每个子任务拥有独立上下文，互不干扰。
  • 劣势：Token成本是串行模式的N倍；合并层（Synthesize）面临结构不一致输出的融合挑战。

3.3 对抗验证模式（Adversarial Verification）

针对同一结论，多个Agent从“反驳”角度进行挑战，票数过半才算通过。由于验证者（Verifier）不了解工作者（Worker）的思路，仅看结果，从结构上消除了自评偏差。

实用价值：有效解决长期困扰的问题——AI倾向于顺着用户预期回答，产生“确认偏误”。对抗验证强迫AI寻找反例，基于数据和实验验证，而非迎合主观想法。

注意事项：验证者若给出错误判断，可能带偏Worker。因此，优选基于可复现的事实而非观点。此外，应限制AI找问题的边界，避免无限追究。

3.4 生成与过滤模式（Generate & Filter）

核心为发散再收敛：先刻意产生过量候选，再用标准（rubric）淘汰至精华，保留高置信度结果。

  • 优势：多样性高。多个Generator可采用不同策略与提示词，产出人工难以预想的解法。
  • 劣势：Filter的标准质量直接决定最终效果，设计错误即导致整个流程失效。

与拆分合并模式的区别：拆分合并是“拼图”——各处理任务的不同部分，结果互补；生成与过滤则是“选美”——各处理同一任务，结果竞争，大部分被丢弃。

3.5 锦标赛模式（Tournament）

通过竞争淘汰机制，N个Agent各自独立完成同一任务，经两两对比（pairwise judge）逐轮选出最优解。

  • 优势：评判稳定性高。两两对比（“A和B哪个更好？”）比绝对评分（“给A打分”）更稳定，排除了评分标准漂移问题。
  • 与生成与过滤模式的区别：锦标赛用pairwise judge进行两两比较，是“候选者互相竞争”；生成与过滤模式则是按标准筛选。

3.6 循环模式（Loop）

核心为自适应迭代：不断尝试，遇阻力则收集错误信息、补充上下文，直至满足验收条件。该模式本质是在对抗AI的随机性。

  • 优势：唯一能处理“工作量未知”任务的模式。
  • 劣势：存在失控风险——停止条件设计不佳可能导致无限循环；每轮Agent为全新上下文，无法积累跨轮状态（除非显式写入文件）。

四、个人Skill与官方工作流的对比

在Dynamic Workflows问世前，我设计了一套深度研究Skill，逻辑如下：

  1. 输入简单信息（如某项目上线新功能）
  2. AI搜索相关资料：官方文档、源代码、市场舆论
  3. 信息压缩为有意义的摘要
  4. 多Agent角色对抗分析，生成报告
  5. 自动去重

虽运行良好，但存在根本性缺陷：缺乏以目标为导向的收敛。去重过程常误删有价值信息，最终产出万字长文，却未直接说明“这件事与你有什么关系、你应该怎么做”。

研究终究为决策服务。这正是许多Skill止步80分的原因——缺少最关键的20分，仍需后续十余次对话才能达成满意结论。

Claude Code官方工作流的优势

对比发现，Claude Code内置的深度研究工作流多了几个关键环节：

  • 问题拆解层：不直接开始搜索，而是先将问题拆解为多个子问题，明确调研目标。
  • 可信度评估：对每条信息来源评估可证伪性，类似SEO权威性评分。
  • 交叉删除而非平均合并：对每个结论进行多Agent投票，票数不足的删除，而非简单合并。
  • 目标导向输出：报告围绕原始目标提供判断与建议方案，规避了“指令权重衰减”问题。

四大问题的结构化解决

动态工作流针对AI做长任务的典型问题提供了系统性解决方案：

问题 解决方案
目标漂移 自动加验收指标，防止任务中途偏离
过早停止 并行隔离上下文，避免任务未完成即停止
上下文污染 多Agent分摊上下文，前置Prompt控制在几k以内
输出偏向 对抗验证抵消迎合用户预期的问题

五、总结与展望

作为一名常年从事研究工作的从业者，Claude Code Dynamic Workflows的六种模式——路由选择、拆分合并、对抗验证、生成过滤、锦标竞选、循环模式——覆盖了绝大多数复杂研究任务的调度需求。从此无需手动设计Agent调度，也无需自行去重和交叉验证，这些均被内嵌至工作流中。

该机制尤其适合信息匮乏、开放性问题的探究，其天然的多Agent调度与任务目标拆分能力，使其通用性再次提升。相较于三年前AI仅擅长解决极为清晰的小问题，如今AI的质变更在于通用性——从固态解决一个问题，到适应任何问题。

Dynamic Workflows不是“更聪明的单次对话”，而是“研究流程本身的结构化”。原本需要十几次独立对话的调研，如今压缩至3-4次，尽管Token消耗增长了数十倍。

仍需保留3-4次交互的原因

  1. 验证机制的严苛度：区块链领域新技术研究中，官方文档常滞后，更值得参考的是开源代码和链上交易数据。目前AI默认以官方文档为准，而非事实性验证。
  2. 完全跨界的深度思考：AI擅长主流思考模型，但对非常新颖、深刻、缺乏数据依据的问题表现不足。
  3. 解决方案设计与验证：方案的价值在于验证与支持，需结合现有机制、投入与成本的衡量，这需精细调教。
  4. 极致的信息浓缩：需根据受众背景调整表达——从拟人化形象表述到一句话直击核心。

市场资讯部视点

Dynamic Workflows的推出标志着AI研究辅助工具从“被动应答”向“主动架构”的转变。传统AI工作流依赖用户预设路径，而动态工作流通过自动设计验收指标、对抗验证和目标收敛，显著提升了研究的深度与可信度。对于企业客户而言，这种结构化方式不仅降低了高质量调研的门槛，还有效避免了“信息堆砌”陷阱。然而，Token消耗的大幅增长和高度的专业预设需求，也意味着现阶段更适合有明确研究目标的高价值场景。市场趋势显示，未来AI工具将进一步针对行业特定需求（如金融、医疗、区块链）进行深度定制，以实现从通用性到专业性的真正跃迁。