Letzte Woche haben wir dynamische Workflows in Claude Code veröffentlicht. Claude kann jetzt spontan sein eigenes Harness schreiben, maßgeschneidert für die jeweilige Aufgabe.
Während das standardmäßige Claude Code Harness fürs Programmieren ausgelegt ist, eignet es sich auch für viele andere Aufgabenarten, denn wie sich herausstellt, ähneln viele Aufgaben Programmieraufgaben. Es gibt jedoch bestimmte Aufgabenklassen, für die wir benutzerdefinierte Harness auf Basis von Claude Code entwickeln mussten, um Spitzenleistungen zu erzielen, wie Research, Sicherheitsanalysen, Agententeams oder Code-Review.
Workflows ermöglichen es dir, dynamisch Harness zu erstellen, mit denen Claude all diese Probleme und noch mehr nativ in Claude Code lösen kann. Du kannst diese Workflows auch mit anderen teilen und wiederverwenden.
In diesem Artikel gehe ich auf meine ersten Erfahrungen mit Workflows und die daraus gewonnenen Erkenntnisse ein, damit du das volle Potenzial ausschöpfen kannst.
Allerdings entwickeln sich die Best Practices noch! Dynamische Workflows verbrauchen oft mehr Tokens, also überlege genau, wann und wie du sie einsetzt.
Hinweis: Dieser Beitrag ist auch auf dem Claude Blog verfügbar
Beispiel-Prompts
Bevor ich in die technischen Details eintauche, möchte ich mit einigen Beispiel-Prompts beginnen, die dir die Möglichkeiten mit Workflows vor Augen führen:
- "Dieser Test schlägt vielleicht 1 von 50 Läufen fehl. Richte einen Workflow ein, um ihn zu reproduzieren, Theorien zu entwickeln und diese in Worktrees adversarially zu testen /goal hör nicht auf, bis eine Theorie funktioniert."
- "Gehe mit einem Workflow meine letzten 50 Sitzungen durch und extrahiere Korrekturen, die ich immer wieder mache, und verwandle die wiederkehrenden in CLAUDE.md-Regeln."
- "Verwende einen Workflow, um die letzten sechs Monate in Slack nach #incidents zu durchsuchen und wiederkehrende Ursachen zu finden, zu denen niemand ein Ticket erstellt hat."
- "Nimm meinen Businessplan und führe einen Workflow aus, bei dem verschiedene Agenten ihn aus der Perspektive eines Investors, eines Kunden und eines Wettbewerbers auseinandernehmen."
- "Hier ist ein Ordner mit 80 Lebensläufen. Verwende einen Workflow, um sie für die Backend-Rolle zu bewerten und die Top Ten doppelt zu überprüfen. Führe mit mir ein Interview mit dem AskUserQuestion-Tool für eine Bewertungsmatrix."
- "Ich brauche einen Namen für dieses CLI-Tool. Verwende einen Workflow, um eine Reihe von Optionen zu brainstormen und ein Turnier zu veranstalten, um die Top 3 auszuwählen."
- "Verwende einen Workflow, um unser User-Modell überall in Account umzubenennen."
- "Gehe meinen Blog-Entwurf durch und überprüfe mit einem Workflow jede technische Behauptung anhand der Codebasis. Ich möchte nichts Falsches veröffentlichen."
Wie dynamische Workflows funktionieren
Dynamische Workflows führen eine JavaScript-Datei mit einigen speziellen Funktionen aus, die helfen, Subagenten zu erzeugen und zu koordinieren:
Dynamische Workflows enthalten auch standardmäßige JavaScript-Funktionen wie JSON, Math und Array, um Daten zu verarbeiten.
Besonders nützlich ist zu wissen, dass dynamische Workflows entscheiden können, welche Modelle ein Agent verwendet und ob Subagenten in ihrem eigenen Worktree laufen. So kann Claude das erforderliche Intelligenzniveau und die Isolation wählen.
Wenn ein Workflow unterbrochen wird, z. B. durch Benutzeraktionen oder Schließen des Terminals, kann die Sitzung nach dem Fortsetzen an der Stelle weitermachen, an der sie aufgehört hat.
Warum dynamische Workflows
Wenn du das standardmäßige Claude Code Harness mit einer Aufgabe beauftragst, muss es sowohl planen als auch ausführen – im selben Kontextfenster. Für viele Programmieraufgaben ist das äußerst effektiv, aber bei lang laufenden, massiv parallelen und/oder stark strukturierten adversarial tasks kann es manchmal scheitern.
Das liegt daran, dass Claude, je länger er in einem einzigen Kontextfenster an einer komplexen Aufgabe arbeitet, anfälliger für einige spezifische Fehlermodi wird:
- Agentische Faulheit tritt auf, wenn Claude aufhört, bevor er eine besonders komplexe, mehrteilige Aufgabe beendet hat, und die Arbeit nach Teilfortschritten für erledigt erklärt, z. B. wenn er 20 von 50 Punkten in einer Sicherheitsüberprüfung bearbeitet.
- Selbstbevorzugungsbias bezeichnet Claudes Tendenz, seine eigenen Ergebnisse oder Erkenntnisse zu bevorzugen, insbesondere wenn er aufgefordert wird, sie anhand einer Bewertungsmatrix zu überprüfen oder zu beurteilen.
- Zielabdrift bezeichnet den allmählichen Verlust der Genauigkeit gegenüber dem ursprünglichen Ziel über viele Schritte hinweg, insbesondere nach der Kompaktierung. Jeder Zusammenfassungsschritt ist verlustbehaftet, und Details wie Randfallanforderungen oder Einschränkungen wie "mach X nicht" können verloren gehen.
Das Erstellen eines Workflows hilft, diese Probleme zu bekämpfen, indem separate Claudes mit eigenen Kontextfenstern und fokussierten, isolierten Zielen orchestriert werden.
Dynamische vs. statische Workflows
Du hast möglicherweise zuvor einen statischen Workflow mit dem Claude Agent SDK oder claude -p erstellt, um mehrere Instanzen von Claude Code gemeinsam zu koordinieren.
Da statische Workflows jedoch für alle Randfälle funktionieren müssen, sind sie normalerweise allgemeiner. Mit Claude Opus 4.8 und dynamischen Workflows ist Claude nun intelligent genug, um ein benutzerdefiniertes Harness zu schreiben, das genau auf deinen Anwendungsfall zugeschnitten ist.
Hilfreiche Muster bei der Verwendung dynamischer Workflows
Du kannst dynamische Workflows einfach nutzen, indem du Claude bittest, einen zu erstellen, oder indem du das Triggerwort "ultracode" verwendest, um sicherzustellen, dass Claude Code einen Workflow erstellt.
Aber die Entwicklung eines mentalen Modells dafür, wie dynamische Workflows funktionieren, hilft dir zu verstehen, wann du sie einsetzen solltest und wie du Claude über Prompts lenken kannst.
Es gibt einige gängige Muster, die Claude bei der Erstellung von Workflows verwenden und kombinieren könnte:
Klassifizieren und handeln
Verwende einen Klassifizierungsagenten, um die Art der Aufgabe zu bestimmen, und leite dann basierend auf der Aufgabe an verschiedene Agenten oder Verhaltensweisen weiter. Oder verwende am Ende einen Klassifikator, um die Ausgabe zu bestimmen.
Verteilen und synthetisieren
Teile eine Aufgabe in viele kleinere Schritte auf, führe einen Agenten für jeden Schritt aus und synthetisiere dann diese Ergebnisse. Dies ist besonders nützlich, wenn es eine große Anzahl kleinerer Schritte gibt oder wenn jeder Schritt von einem eigenen sauberen Kontextfenster profitiert, sodass sie sich nicht gegenseitig stören oder kontaminieren. Der Syntheseschritt ist eine Barriere – er wartet auf alle verteilten Agenten und führt dann ihre strukturierten Ausgaben zu einem Ergebnis zusammen.
Adversary-Verifikation
Führe für jeden erzeugten Agenten einen separaten erzeugten Agenten aus, um dessen Ausgabe adversarially anhand einer Bewertungsmatrix oder Kriterien zu verifizieren.
Generieren und filtern
Generiere eine Reihe von Ideen zu einem Thema und filtere sie dann nach einer Bewertungsmatrix oder durch Verifikation, entferne Duplikate und gib nur die höchstqualitativen, getesteten Ideen zurück.
Turnier
Anstatt die Arbeit aufzuteilen, lass Agenten darum konkurrieren. Erzeuge N Agenten, die jeweils dieselbe Aufgabe mit unterschiedlichen Ansätzen versuchen. Prompts oder Modelle bewerten dann die Ergebnisse paarweise mit einem Bewertungsagenten, bis ein Gewinner feststeht.
Schleife bis fertig
Für Aufgaben mit unbekanntem Arbeitsaufwand, schleife die Erzeugung von Agenten, bis eine Abbruchbedingung erfüllt ist (keine neuen Erkenntnisse oder keine weiteren Fehler in den Logs) anstatt einer festen Anzahl von Durchläufen.
Anwendungsfälle
Denke kreativ darüber nach, wann und wie du Claude Code bittest, dynamische Workflows zu erstellen. Ich habe festgestellt, dass Workflows manchmal sogar für nicht-technische Arbeiten noch nützlicher sind.
Migrationen und Refactorings
Bun wurde mit Workflows von Zig nach Rust umgeschrieben. Du kannst mehr darüber in Jarreds X-Thread lesen.
Der Schlüssel ist, die Aufgabe in eine Reihe von Schritten zu unterteilen, die bearbeitet werden müssen, z. B. Aufrufstellen, fehlschlagende Tests, Module usw. Starte für jede Korrektur einen Subagenten in einem Worktree, um die Korrektur durchzuführen, dann lass einen anderen Agenten adversarially überprüfen und zusammenführen. Erwäge, dem Agenten mitzuteilen, keine ressourcenintensiven Befehle zu verwenden, damit du maximal parallelisieren kannst, ohne dass die Ressourcen auf deinem Rechner ausgehen.
Tiefgehende Recherche
Wir haben eine Skill für tiefgehende Recherche (/deep-research) in Claude Code veröffentlicht, die dynamische Workflows verwendet. Insbesondere verteilt sie Websuchen, ruft Quellen ab, überprüft deren Behauptungen adversarially und synthetisiert einen zitierten Bericht.
Aber du kannst diese Art von Recherche für mehr als nur Websuchen durchführen. Zum Beispiel, indem du Claude bittest, einen Statusbericht aus dem Kontext in Slack zu erstellen oder zu recherchieren, wie eine Funktion funktioniert, indem du eine Codebasis eingehend untersuchst.
Tiefgehende Verifikation
Auf der anderen Seite, wenn du einen Bericht hast, bei dem du jede darin referenzierte faktische Behauptung überprüfen und belegen möchtest, könntest du einen Workflow generieren, bei dem ein Agent alle faktischen Behauptungen identifiziert und dann einen Subagenten abspaltet, um jede im Detail zu überprüfen. Du könntest auch einen Verifikationsagenten haben, der den Quellsubagenten überprüft, um sicherzustellen, dass seine Quelle von hoher Qualität ist.
Sortieren
Du hast vielleicht eine Liste von Elementen, die du nach einem qualitativen Maß sortieren möchtest, von dem du glaubst, dass Claude Code es gut bewerten kann, z. B. Support-Tickets sortiert nach Schweregrad des Fehlers. Aber wenn du versuchst, 1000+ Zeilen in einem Prompt zu sortieren, leidet die Qualität und es passt nicht in den Kontext. Führe stattdessen ein Turnier, eine Pipeline von paarweisen Vergleichsagenten (vergleichende Beurteilung ist zuverlässiger als absolute Bewertung) oder Bucket-Ranking parallel und führe dann zusammen. Jeder Vergleich ist sein eigener Agent, sodass die deterministische Schleife die Klammer hält und nur die laufende Reihenfolge im Kontext bleibt.
Erinnerung und Regelbefolgung
Wenn du eine bestimmte Reihe von Regeln hast, bei denen Claude sie übersieht oder sich schwer damit tut, selbst wenn sie in den CLAUDE.mds stehen, erstelle einen Workflow mit einer Liste von Regeln, die von Verifikationsagenten überprüft werden müssen – ein Verifikator pro Regel. Das Erstellen eines skeptischen Persona-Subagenten, der die Reglen überprüft, um sicherzustellen, dass sie vernünftig sind, hilft, zu viele Fehlalarme zu vermeiden.
Die umgekehrte Richtung funktioniert auch: Durchsuche deine letzten Sitzungen und Code-Review-Kommentare nach Korrekturen, die du immer wieder vornimmst, gruppiere sie mit parallelen Agenten, überprüfe jeden Kandidaten adversarially (Hätte diese Regel einen echten Fehler verhindert?) und destilliere die Überlebenden zurück in eine CLAUDE.md.
Ursachenanalyse
Debugging funktioniert am besten, wenn du mehrere unabhängige Hypothesen aufstellst und testest, aber wenn du nur ein Kontextfenster verwendest, kann Claude in Selbstbevorzugungsbias verfallen.
Ein Workflow kann dies strukturell verhindern, indem er Agenten startet, die Hypothesen aus getrennten Beweismitteln generieren. Zum Beispiel separate Agenten für Logs, Dateien und Daten. Jede Hypothese kann dann einem Gremium aus Verifikatoren und Widerlegern gegenübergestellt werden.
Dies gilt nicht nur für Code. Workflows können für Vertrieb eingesetzt werden (Warum sind die Umsätze im März gesunken?), Data Engineering (Warum ist diese Pipeline fehlgeschlagen?) oder jede Art von Post-Mortem-Übung.
Triage im großen Maßstab
Jedes Team hat eine Support-Warteschlange, Fehlerberichte oder ein anderes Backlog, das von Menschen nicht vollständig bearbeitet werden kann.
Ein Triage-Workflow klassifiziert jedes Element, dedupliziert gegen bereits Verfolgtes und ergreift Maßnahmen. Das könnte bedeuten, die Korrektur zu versuchen oder an einen menschlichen Benutzer zu eskalieren.
Ein nützliches Muster für Triage-Workflows ist die Quarantäne. Dabei wird verhindert, dass Agenten, die ungeprüfte öffentliche Inhalte lesen, Aktionen mit hohen Berechtigungen ausführen. Diese werden stattdessen von den Agenten durchgeführt, die für die Umsetzung der Informationen verantwortlich sind.
Kombiniere Triage-Workflows mit /loop, damit Claude dies kontinuierlich tut.
Erkundung und Geschmack
Workflows können nützlich sein, wenn du verschiedene Lösungsansätze erkundest, insbesondere wenn es auf Geschmack ankommt, wie Design oder Namensgebung, und von einer Bewertungsmatrix profitieren würde.
Versuche, Claude zu bitten, eine Reihe von Lösungen zu erkunden, und gib einem Review-Agenten eine Bewertungsmatrix dafür, wie eine gute Lösung aussieht. Die Aufgabe ist abgeschlossen, wenn der Review-Agent der Meinung ist, dass die Kriterien erfüllt sind. Lösungen können auch über ein Turnier basierend auf der Bewertungsmatrix geordnet oder ausgewählt werden.
Evals
Du kannst leichte Evals für bestimmte Aufgaben durchführen, indem du separate Agenten in einem Worktree abspaltest und dann Vergleichsagenten abspaltest, die die spezifischen Ausgaben mit einer Bewertungsmatrix vergleichen und bewerten. Zum Beispiel, um eine erstellte Skill anhand bestimmter Kriterien zu evaluieren und dann zu verfeinern.
Modell- und Intelligenz-Routing
Erstelle einen Klassifikationsagenten, der auf deine Aufgaben abgestimmt ist und entscheidet, welches Modell verwendet werden soll. Dies kann hilfreich sein, wenn deine Aufgabe viele Tool-Aufrufe umfasst und die Durchführung von Recherchen vor der Ausführung das beste Modell für die Aufgabe identifizieren kann.
Zum Beispiel hängt das beste Modell für die Aufgabe "Erkläre, wie das Auth-Modul funktioniert" davon ab, wie viele Dateien im Auth-Modul vorhanden sind und wie die Codebasis strukturiert ist. Ein Klassifikationsagent kann diese Recherche durchführen und dann basierend auf der erwarteten Komplexität der Aufgabe an Sonnet oder Opus weiterleiten.
Wann man keine dynamischen Workflows verwenden sollte
Workflows sind neu. Während es viele Anwendungsfälle gibt, in denen sie überdurchschnittliche Ergebnisse liefern, sind sie nicht für jede Aufgabe erforderlich und können deutlich mehr Tokens verbrauchen.
Es ist am besten, Workflows kreativ einzusetzen, um Claude Code auf Weisen zu pushen, die du bisher nicht getan hast. Für reguläre Programmieraufgaben frage dich: Braucht es wirklich mehr Rechenleistung? Zum Beispiel benötigen die meisten traditionellen Programmieraufgaben kein Gremium von 5 Reviewern.
Tipps zum Erstellen dynamischer Workflows
Prompting
Detailliertes Prompting unter Verwendung der spezifischen oben beschriebenen Techniken führt bei dynamischen Workflows zu den besten Ergebnissen.
Workflows sind nicht nur für große Aufgaben gedacht. Du kannst das Modell auffordern, einen "schnellen Workflow" zu verwenden. Zum Beispiel kannst du eine schnelle adversarial Überprüfung einer Annahme erstellen.
Kombinieren mit /goal und /loop
Wenn du Workflows verwendest, die wiederholt werden können, z. B. Triage, Recherche oder Verifikation, kombiniere sie mit /loop, um in regelmäßigen Abständen ausgeführt zu werden, und mit /goal, um eine harte Fertigstellungsanforderung festzulegen.
Token-Nutzungsbudgets
Du kannst explizite Token-Nutzungsbudgets für dynamische Workflows festlegen, um zu begrenzen, wie viele Tokens eine Aufgabe verbraucht. Du kannst es mit einem Budget wie "verwende 10k Tokens" auffordern, was die Obergrenze festlegt.
Speichern und Teilen dynamischer Workflows
Du kannst Workflows speichern, indem du im Workflow-Menü "s" drückst. Du kannst sie in ~/.claude/workflows überprüfen oder über eine Skill verteilen.
Um sie über eine Skill zu teilen, lege deine JavaScript-Workflow-Dateien in die Skill und den Ordner und referenziere sie in der SKILL.MD. Um mehr Flexibilität zu ermöglichen, könntest du Claude auffordern, die Workflows in der Skill als Vorlage zu betrachten, anstatt als Skript, das wörtlich ausgeführt werden muss.
Eine ganz neue Welt
Workflows sind eine hilfreiche neue Möglichkeit, Claude Code zu erweitern. Ich ermutige dich, dies als Ausgangspunkt zu betrachten – es gibt noch viel zu entdecken, wie man sie am besten einsetzt. Lass uns wissen, was du findest.
Thariq Shihipar und Sid Bidasaria (@sidbid) sind technische Mitarbeiter bei Anthropic und arbeiten an Claude Code.
