Claude сам собирает команду агентов, но бюджета не знает

Если вы строите агентов на Claude Managed Agents, координатора и состав субагентов можно больше не собирать вручную: в dynamic workflows Claude сам решает, как поделить работу и сколько агентов на неё поставить. Платить за эту свободу придётся токенами, а следить за расходом остаётся вам, потому что ведущий агент своего бюджета не видит.

Подробности рассказали Си Джей Авилла и Харрисон Столл, инженеры Anthropic, на воркшопе конференции AI Engineer NYC, как пишет Latent. Функцию анонсировали в пятницу, а на сцене её называли просто flows. Авилла объяснил задачу так: тем, кто уже управляет множеством агентов, всё чаще кажется, что узкое место в работе они сами, потому что сидят в GitHub и утверждают бесконечные пулл-реквесты.

Claude сам пишет программу оркестрации и делит работу на фазы

До flows сессия Managed Agents могла передавать работу другим агентам только через субагентов: ведущий агент сам раздаёт задачи и читает отчёт каждого. Поток субагента остаётся доступным, пока его не заархивируют, так что ему можно отправлять уточнения. Координатора и список субагентов при этом настраивал разработчик.

Во flows ведущий агент составляет план, а затем пишет программу оркестрации, которая запускает агентов, собирает результаты и управляет потоком данных. В документации Anthropic сказано, что такая программа выполняется в фоне как один запуск (run), контекст и результаты передаются между агентами программно, без участия Claude, а основной поток в это время свободен для разговора с пользователем. Там же названа цена: отправлять уточнения потокам запуска нельзя, и к его концу сервер архивирует каждый из них.

Идея выросла из Claude Code, где её называли «a harness for every task». В августе мы писали, что динамические workflow вышли в Claude Code в исследовательском превью в конце мая 2026 года. На демо показали скромный пример, сканер биржевого списка тикеров: на фазе сканирования каждый тикер уходил отдельному агенту с изолированным контекстом, потом фаза проверки разбирала находки и собирала отчёт.

Включается одним типом агента, а дешёвых исполнителей задаёте вы

Режим включается типом агента multiagent_20261001. С ним по умолчанию работают и субагенты, и workflows, а advisor выключен. Настраивается всё в Claude Console, интерфейсе для тех, кто работает с Claude через API. Своих специализированных субагентов можно передать в конфиге агента, уточнил Авилла.

По данным Progressive Robot, агенты в запуске бывают двух видов: заранее определённые, со своими моделью, системным промптом, инструментами и навыками, и встроенные, которые создаются на лету и берут модель и инструменты ведущего. Поэтому если ведущий агент работает на дорогой модели, на ней же по умолчанию работают все исполнители. Дешёвых исполнителей нужно описать заранее и перечислить в workflows.predefined_agents, таких можно указать до 20.

Там же приводятся лимиты. Цифра «до 1 000 агентов», о которой мы писали 9 октября, по данным Progressive Robot, означает общее число агентов, запущенных за весь запуск, а одновременно работают до 64, и даже это не гарантировано. Запуск живёт 24 часа по умолчанию, в одной сессии по умолчанию открыто не больше 10 запусков, а делегирование идёт только на один уровень вглубь.

Напрямую агенты друг другу не пишут. Столл сказал, что у них общая файловая система и обмениваться данными можно через неё, но через API нельзя поручить одному субагенту отправить сообщение другому. Что ведущий передал каждому субагенту, видно на графе в Claude Console, вплоть до содержимого каждого перехода. Для внешнего мониторинга подойдёт экспорт трассировок OpenTelemetry из Managed Agents, который Anthropic открыла 14 октября.

Flows обходятся «намного дороже» одного агента

Модель не знает своего бюджета во время работы, сказал Столл. Ограничивает его разработчик, задавая бюджет сессии, а если сообщить агентам, сколько у них денег, они могут стать «немного тревожными». Документация Anthropic советует то же: каждый агент в запуске тратит токены, поэтому стоит поставить бюджет сессии, который покрывает и запуски, а в системном промпте объяснить агенту, когда запуск вообще нужен. The Decoder добавляет, что Anthropic рекомендует начинать с малого, потому что workflows сжигают «много токенов».

На примере сканера тикеров Авилла признал, что flows стоят «намного дороже» подхода с одним агентом, зато «намного эффективнее» находят все детали. Цифры дал собственный тест Anthropic, который пересказывает The Decoder: в кодовой базе на 116 000 строк спрятали 70 багов, одиночный агент находил от 14 до 27 за прогон, а dynamic workflow стабильно доходил до 66. The Decoder оговаривается, что пока неясно, сохранится ли разрыв на других типах задач, и напоминает, что один из старших инженеров OpenAI недавно назвал рои агентов огромной тратой токенов.

Лимит сессии стоит ставить до первого запуска, а дешёвые модели для исполнителей описывать заранее. Ведущий агент сам не остановится, когда счёт начнёт расти, а встроенные исполнители по умолчанию работают на его модели.

Снижать стоимость повторяющихся flows Авилла предложил двумя способами: просить Claude разобрать понесённые расходы и использовать dreaming. В документации это функция в статусе research preview: она читает хранилище памяти вместе с транскриптами прошлых сессий и выдаёт новое, где дубликаты объединены, устаревшие или опровергнутые записи заменены, а новые выводы вынесены на поверхность.

Вопросы и ответы

Может ли простой скан тикеров породить сотни субагентов? По словам Столла, от этого защищают evals и более низкие значения по умолчанию. Скорее наоборот: чтобы амбициозная задача распараллелилась сильнее, Claude обычно приходится об этом прямо просить.

Умеет ли flow улучшать себя между запусками, например заменить слабую модель сканирования к следующему плановому прогону? Встроенной возможности нет. Столл и Авилла предложили улучшать цикл через hill-climbing и dreaming, то есть собирать такой механизм самостоятельно.

Потянут ли flows крупные научные задачи? Слушатель спросил об этом, сославшись на объявленное OpenAI доказательство по задаче тысячелетия о уравнениях Навье–Стокса. Столл не стал рассказывать, как Anthropic решает большие научные задачи у себя, и назвал flows способом бросить на трудную задачу больше вычислений во время инференса. Цель, по его словам, в том, чтобы такие задачи через API стали посильны широкой публике.