So meistern Sie Dynamic Workflows in Claude Code: 6 Muster und 14 Schritte, die Anthropic-Ingenieure tatsächlich nutzen

Die meisten Claude Code-Nutzer schreiben ihre Workflows immer noch von Hand. Sie verketten Prompts, kopieren Ausgaben, fügen sie in den nächsten Prompt ein, beheben Fehler und wiederholen den Vorgang.

9 von 10 Entwicklern haben Dynamic Workflows noch nicht einmal ausprobiert, obwohl sie vor zwei Wochen veröffentlicht wurden.

Sie schreiben 50 Prompts, obwohl ein einziger Workflow ausreichen würde. Dies ist die 14-Schritte-Roadmap und die 6 Muster, die Anthropics eigene Ingenieure tatsächlich verwenden – für Migrationen, Recherche, Sortierung, Ursachenanalyse, Triage und Evaluierungen.

Folge meinem Substack, um frische KI-Alpha-Informationen zu erhalten:

movez.substack.com

Dynamic Workflows wurden am 28. Mai 2026 in Claude Code eingeführt. Die Standard-Claude-Code-Umgebung ist fürs Programmieren konzipiert – und das funktioniert für die meisten Programmieraufgaben gut. Aber es gibt Arbeitsklassen, bei denen ein einzelner Kontextfenster an seine Grenzen stößt: langlaufende, massiv parallele, hochstrukturierte oder gegnerische Aufgaben.

Für diese Fälle hat Anthropic früher eigene Umgebungen gebaut (Recherche, Code-Review, Agententeams). Mit Dynamic Workflows schreibt Claude diese Umgebung für Sie spontan, maßgeschneidert für Ihre Aufgabe, in JavaScript.

14 Schritte. 6 Muster. Ein Workflow statt fünfzig Prompts.

Teil 1 · Das mentale Modell

01. Ein Workflow ist eine Umgebung, die Claude schreibt.

Die Standard-Claude-Code-Umgebung lässt Claude im selben Kontextfenster planen und ausführen. Für die meisten Programmierarbeiten ist das großartig. Für langlaufende, parallele oder gegnerische Arbeiten wird es problematisch.

Ein Dynamic Workflow ist Claude, der seine eigene, maßgeschneiderte Umgebung für die Aufgabe schreibt – eine JavaScript-Datei mit einigen speziellen Funktionen, die Unteragenten erzeugen und koordinieren, plus standardmäßigem JavaScript (Math, JSON, Array) zur Verarbeitung der zwischen ihnen fließenden Daten.

Drei Dinge, die Ihnen die Standard-Umgebung nicht bieten kann:

• Isolation pro Agent. Jeder Unteragent erhält ein eigenes Kontextfenster mit einem fokussierten Ziel. Keine Querkontamination.
• Modellauswahl pro Agent. Der Workflow wählt aus, welches Modell jeder Unteragent verwendet – Opus für schwierige Überlegungen, Haiku für günstige Erkundungen, Sonnet für die Mitte.
• Isolationsstufe pro Agent. Worktree (isoliertes Git-Checkout) oder remote (kein Checkout). Der Workflow entscheidet, was jeder Agent benötigt.

Starten Sie einen, indem Sie Claude direkt fragen („Erstelle einen Workflow, der…“) oder mit dem Auslösewort ultracode. Wenn ein Workflow unterbrochen wird – Benutzeraktion, Terminal-Schließung – wird die Sitzung an der Stelle fortgesetzt, an der sie unterbrochen wurde.

02. Die 3 Fehlermodi, die Workflows lösen.

Um zu wissen, wann ein Workflow das richtige Werkzeug ist, muss man wissen, was er behebt. Je länger Claude an einer komplexen Aufgabe in einem einzigen Kontextfenster arbeitet, desto anfälliger wird er für drei spezifische Fehlermodi – die in der Anthropic-Veröffentlichung direkt benannt werden:

• Agentische Faulheit – Claude hört auf, bevor eine komplexe, mehrteilige Aufgabe abgeschlossen ist, und erklärt sie nach teilweisem Fortschritt für erledigt. Bearbeitet 20 der 50 Punkte in einer Sicherheitsüberprüfung und bezeichnet den Rest als „erledigt“.
• Selbstbevorzugungs-Bias – Claude bevorzugt seine eigenen Ergebnisse, wenn es aufgefordert wird, diese anhand einer Bewertungsmatrix zu überprüfen oder zu beurteilen. Ein Prüfer, der ein Eigeninteresse am Ergebnis hat, kann kein fairer Prüfer sein.
• Zielabweichung – der allmähliche Verlust der Treue zum ursprünglichen Ziel über viele Iterationen hinweg, insbesondere nach einer Komprimierung. Jeder Zusammenfassungsschritt ist verlustbehaftet. „Tue X nicht“-Einschränkungen verschwinden stillschweigend bei Iteration 47.

Ein Workflow löst alle drei strukturell: separate Claudes mit eigenen Kontexten, fokussierten Zielen und isoliertem Zustand. Wenn Ihre Aufgabe unter einem dieser Muster leidet – das ist das Signal, einen Workflow zu verwenden.

03. Statische vs. dynamische Workflows.

Sie haben vielleicht bereits statische Workflows mit dem Claude Agent SDK oder claude -p erstellt – indem Sie mehrere Claude Code-Instanzen koordiniert haben.

• Statische Workflows sind generisch: einmal geschrieben, um jeden Grenzfall zu behandeln. Sie funktionieren, müssen aber konservativ sein.
• Dynamic Workflows sind anders: Claude schreibt diesen Workflow für diese Aufgabe. Die Umgebung ist maßgeschneidert. Unten sehen Sie dieselbe Frage, die auf beide Arten behandelt wird:

Der Grund, warum die dynamische Version gewinnt, ist nicht der Suchschritt – beide können suchen.

Es liegt daran, dass der Workflow sich um Ihren Kontext herum formen kann: Ihren Abrechnungscode lesen, jede Funktion anhand der tatsächlichen neuen Anbieterdokumentation prüfen, zu Ihrem Transaktionsvolumen bepreisen und einen gegnerischen „Warum nicht migrieren“-Durchlauf gegen seine eigene entstehende Antwort durchführen.

Eine statische Umgebung kann das nicht, weil sie nicht weiß, dass Ihr Code existiert.

04. Die Kern-API. agent(), parallel(), pipeline().

Drei Funktionen erledigen den Großteil der Arbeit in einem Workflow. Sie zu kennen, reicht aus, um jeden Workflow zu lesen, den Claude für Sie schreibt, und um Claude einen Hinweis zu geben, wenn Sie eine bestimmte Form wünschen.

parallel() ist eine Barriere: es fächert auf, wartet dann auf alles, bevor es zurückkehrt. pipeline() ist Streaming: jedes Element durchläuft jede Stufe unabhängig.

Wählen Sie anhand der Frage: Brauche ich alle Ergebnisse, bevor ich als Nächstes etwas tun kann? Ja → parallel. Nein → pipeline (günstiger, insgesamt schneller).

05. Klassifizieren-und-handeln. Leiten Sie die Arbeit weiter, bevor Sie sie erledigen.

Ein Klassifikations-Agent entscheidet über die Art der Aufgabe, dann leitet der Workflow basierend auf der Antwort an verschiedene Agenten oder Verhaltensweisen weiter. Oder ein Klassifikator läuft am Ende und sortiert Rohausgaben in Kategorien für das, was als Nächstes kommt.

Wann sich dieses Muster auszahlt:

• Die Aufgabe ist heterogen – verschiedene Untertypen benötigen unterschiedliche Behandlung.
• Sie möchten das teure Modell nur dort einsetzen, wo die Komplexität es erfordert (Klassifikator auf günstigem Modell, dann nur bei Bedarf an Opus weiterleiten).
• Die Zerlegung der Arbeit ist selbst nicht trivial und profitiert davon, dass ein Modell die Form bestimmt.

Beispiel: „Erkläre, wie das Auth-Modul funktioniert.“ Ein Klassifikations-Unteragent liest zuerst die Codebasis, schätzt die Komplexität ein und leitet dann die eigentliche Erklärungsaufgabe an Sonnet für ein 10-Dateien-Modul oder Opus für ein 100-Dateien-Modul weiter. Das richtige Modell für die Aufgabe, entschieden, nachdem die Arbeit verstanden wurde.

06. Auffächern-und-synthetisieren. Viele kleine Schritte, ein zusammengeführtes Ergebnis.

Teilen Sie eine Aufgabe in viele kleinere Schritte auf. Führen Sie einen Agenten für jeden Schritt parallel aus. Synthetisieren Sie die Ergebnisse zu einer Antwort.

Der Syntheseschritt ist eine Barriere – er wartet auf jeden Auffächerungs-Agenten und führt dann deren strukturierte Ausgaben zusammen.

Warum dieses Muster in der Praxis dominiert: Es löst das „zu viele Dinge auf einmal“-Versagen der Einzelkontext-Arbeit. Jeder Unteragent sieht nur sein Stück. Der Orchestrator wird nie durch 50 irrelevante Details abgelenkt.

Jeder Schritt profitiert von seinem eigenen sauberen Fenster, sodass sie sich nicht gegenseitig kontaminieren.

Verwenden Sie dies, wenn:

• Sie eine klar aufzählbare Liste von Arbeitselementen haben (50 Dateien, 200 Endpunkte, 100 Überprüfungen).
• Jedes Element unabhängig ist – kein Element benötigt die Ausgabe eines anderen, um zu beginnen.
• Sie eine einzige konsolidierte Antwort am Ende wünschen, keinen Haufen von Teilberichten.

1// Auffächern: ein Agent pro Datei. Barriere: auf alle warten.
2const reviews = await parallel(
3  files.map(file => () => agent(
4    `Überprüfe ${file} auf Sicherheitsprobleme`,
5    { model: "haiku", schema: IssueList }
6  ))
7)
8
9// Synthetisieren: ein Opus-Agent führt alles zusammen.
10const report = await agent(
11  `Führe diese Überprüfungen zu einem priorisierten Bericht zusammen:\n${JSON.stringify(reviews)}`,
12  { model: "opus" }
13)

07. Gegnerische Verifikation

Dies ist die strukturelle Lösung für den Selbstbevorzugungs-Bias. Führen Sie für jeden erzeugten Agenten einen separaten erzeugten Agenten aus, der dessen Ausgabe gegnerisch anhand einer Bewertungsmatrix überprüft. Der Prüfer hat die ursprüngliche Arbeit nie gesehen; er kann sie nicht bevorzugen.

Das Muster ist am wichtigsten für:

• Behauptungsprüfung – jede faktische Aussage in einem Bericht erhält einen eigenen Prüf-Unteragenten, der sie anhand der Originalquelle überprüft.
• Code-Review – der Autor-Agent schreibt die Korrektur, der Prüf-Agent (separater Kontext) überprüft sie. Niemals beurteilt sich derselbe Claude selbst.
• Qualitätstore – bevor ein Artefakt ausgeliefert wird, versucht ein Gegner, den schwächsten Fall dagegen zu finden. Wenn der Gegner es nicht kann, wird ausgeliefert.

Die Paarungsregel: Der Prüfer sollte nur die Bewertungsmatrix und das Artefakt kennen, nicht, wer es erstellt hat. Sonst schleicht sich die Selbstbevorzugung durch Hinweise im Prompt wieder ein.

08. Generieren-und-filtern.

Generieren Sie eine Reihe von Ideen zu einem Thema, filtern Sie sie dann anhand einer Bewertungsmatrix oder durch Verifikation. Entfernen Sie Duplikate. Geben Sie nur die qualitativ hochwertigsten, getesteten Ideen zurück.

Wo dieses Muster glänzt:

• Brainstorming – 30 Produktnamen, dann tötet ein Prüfer Klischees, Markenkonflikte und schwache Phonetik. Sie sehen 3.
• Hypothesengenerierung – 5 verschiedene Ansätze für ein Problem, dann wird jeder anhand Ihrer Einschränkungen bewertet. Der Gewinner hat es sich verdient.
• Lösungsdesign – 5 verschiedene Ansätze für ein Problem, dann wird jeder anhand Ihrer Einschränkungen bewertet. Der Gewinner hat es sich verdient.

Das Gegenteil davon, Claude nach „der besten Antwort“ zu fragen. Nach der besten Antwort zu fragen, bringt Claude dazu, sich früh festzulegen. Generieren-und-filtern bringt Claude dazu, sich spät festzulegen, nachdem jede Option in Frage gestellt wurde.

09. Turnier. Paarweiser Vergleich schlägt absolute Bewertung.

Anstatt die Arbeit aufzuteilen, lassen Sie Agenten darum konkurrieren. Erzeugen Sie N Agenten, die jeweils dieselbe Aufgabe mit unterschiedlichen Ansätzen versuchen, und beurteilen Sie dann die Ergebnisse paarweise, bis einer gewinnt.

Vergleichendes Urteilen ist zuverlässiger als absolute Bewertung – insbesondere für geschmacksbasierte Arbeiten.

Warum dies besser ist als Sortieren-nach-Punktzahl: Der Versuch, 1.000 Elemente in einem Prompt zu sortieren, scheitert an zwei Fronten – die Qualität leidet, und es passt nicht in den Kontext. Ein Turnier teilt die Klammer auf frische Agenten auf, von denen jeder nur zwei Elemente vergleicht.

Die Klammer selbst lebt in deterministischem Schleifencode, nicht im Kontext. Jeder Vergleich ist schnell, fair und isoliert. Dieselbe Idee funktioniert für geschmacksbasiertes Ranking: Designentscheidungen, Kandidatenauswahl, Inhaltspriorisierung.

10. Schleife bis zur Fertigstellung.

Führen Sie für Aufgaben mit unbekanntem Arbeitsaufwand eine Schleife aus, die Agenten erzeugt, bis eine Abbruchbedingung erfüllt ist – keine neuen Erkenntnisse, keine weiteren Fehler in den Protokollen, Theorie verifiziert – anstatt eine feste Anzahl von Durchläufen auszuführen.

Dieses Muster ist die Antwort auf „mach weiter, bis es wirklich fertig ist“:

• Fehlerbehebung bei flaky Tests – reproduzieren, Theorien aufstellen, testen, bis eine Theorie hält.
• Fehlersuche – weiter Fehler finden, bis ein vollständiger Durchlauf null zurückgibt.
• Mustererkennung – clustern, Regeln identifizieren, bis keine neuen Cluster mehr auftauchen.

Kombinieren Sie dieses Muster mit /goal, um eine harte Fertigstellungsanforderung zu setzen („hör nicht auf, bis eine Theorie funktioniert“) und mit /loop, wenn Sie möchten, dass der gesamte Workflow selbst nach einem wiederkehrenden Zeitplan läuft.

Die Klammer und die Abbruchbedingung leben im Code; nur die aktive Iteration bleibt im Kontext.

11. Kombinieren Sie Muster für reale Anwendungsfälle. Ein Workflow, mehrere Muster.

Die 6 Muster treten selten allein auf. Ein echter Workflow kombiniert 2-4 davon. Die folgende Matrix ordnet jeden Anwendungsfall aus der Anthropic-Veröffentlichung den Mustern zu, die er tendenziell verwendet:

• Migrationen und Refactorings. Auffächern (ein Agent pro Aufrufstelle/fehlerhaftem Test in einem Worktree) → gegnerische Verifikation (ein separater Agent überprüft jede Korrektur) → Schleife bis zur Fertigstellung. Dies ist das Muster, das Anthropic verwendet hat, um Bun von Zig nach Rust umzuschreiben.
• Tiefgreifende Recherche (die /deep-research-Fähigkeit). Auffächern (parallele Websuchen) → gegnerische Verifikation (jede Behauptung unabhängig verifiziert) → synthetisieren (ein zitierter Bericht).
• Tiefgreifende Verifikation eines Entwurfs. Alle faktischen Behauptungen identifizieren (ein Agent) → auffächern (ein Prüfer pro Behauptung, jeder Agent prüft anhand der Quelle) → Meta-Prüfer (prüft, ob die Quellen des Prüfers von hoher Qualität sind).
• Sortieren von 1.000+ Elementen. Turnier (Schritte 5-9) – paarweiser Vergleich, Bucket-Ranking oder Klammer. Vergleichendes Urteilen, niemals absolute Bewertung.
• Speicher- und Regelbefolgung. Prüfer pro Regel (auffächern) → skeptische Persona überprüft die Regeln selbst, um Fehlalarme zu vermeiden.
• Ursachenanalyse. Theorien aus zusammenhanglosen Beweisen generieren (verschiedene Agenten lesen Protokolle, Dateien, Daten) → Gremium aus Prüfern und Widerlegern für jede Theorie → Schleife, bis eine überlebt.
• Triage im großen Maßstab. Klassifizieren-und-handeln → Dubletten gegen bestehende Tickets entfernen → entweder die Korrektur versuchen oder eskalieren. Kombinieren mit /loop für kontinuierliche Triage.
• Erkundung und Geschmack (Design, Namensgebung, UI-Auswahl). Generieren-und-filtern (5-20 Optionen) → Turnier mit einer Bewertungsmatrix → einstufen oder auswählen.
• Leichte Evaluierungen. Den Kandidaten in einem Worktree ausführen → Vergleichsagenten bewerten anhand der Bewertungsmatrix → verfeinern und neu bewerten. Dieselbe Form wie ein Turnier, aber zum Bewerten, nicht zum Einstufen.

Der richtige Weg, diese zu verinnerlichen: Identifizieren Sie, unter welchem Fehlermodus Ihre aktuelle Aufgabe leidet, und wählen Sie dann das Muster, das ihn strukturell verhindert.

Abweichung → auffächern. Selbstbevorzugung → gegnerische Verifikation. Offenes Ende → Schleife bis zur Fertigstellung. Schwer zu bewerten → Turnier.

12. Kombinieren mit /goal, /loop und Token-Budgets.

Workflows können teuer sein. Drei Kontrollen verwandeln sie von „cool, aber kostspielig“ in „ein Werkzeug, das ich unbeaufsichtigt laufen lasse“.

• /goal setzt eine harte Fertigstellungsanforderung. Kombinieren Sie es mit dem Schleifenmuster: „hör nicht auf, bis eine Theorie funktioniert.“ Ohne /goal stoppt ein Workflow an einem weichen Fertigstellungspunkt. Mit /goal iteriert er, bis die tatsächliche Endbedingung erfüllt ist.
• /loop führt den gesamten Workflow nach einem wiederkehrenden Zeitplan aus. Verwenden Sie es für Workflows, die Sie kontinuierlich laufen lassen möchten – Triage, wöchentliche Recherche-Updates, wiederkehrende Verifikation.
• Explizite Token-Budgets. Sagen Sie Claude im Prompt: „verwende 10k Tokens.“ Dies setzt eine Obergrenze für die Workflow-Ausführung. Ohne Obergrenze kann ein ehrgeiziger Workflow auf das 5- bis 10-fache der erwarteten Tokens anwachsen.

1> ultracode schnelle gegnerische Überprüfung dieser Annahme:
2  "Der Wechsel zu Postgres eliminiert unser Shard-Rebalancing."
3  Verwende 5k Tokens. /goal hör nicht auf, bis du entweder
4  ein Gegenbeispiel oder drei unabhängige Bestätigungen hast.

Direktes Zitat des Claude Code-Teams: „Best Practices sind noch in der Entwicklung. Dynamische Workflows verbrauchen oft mehr Tokens, überlegen Sie sich daher genau, wann und wie Sie sie einsetzen.“ Die meisten traditionellen Programmieraufgaben benötigen kein Gremium von 5 Prüfern.

Fragen Sie sich: Benötigt diese Aufgabe wirklich mehr Rechenleistung? Wenn eine normale Claude Code-Sitzung sie in fünf Minuten erledigen würde, brauchen Sie keinen Workflow.

13. Verwenden Sie das Quarantänemuster für nicht vertrauenswürdige Eingaben.

Jeder Workflow, der nicht vertrauenswürdige öffentliche Inhalte liest – Support-Tickets, Fehlerberichte, Benutzerfeedback, gescrapte Daten – muss davon ausgehen, dass diese Inhalte eine Prompt-Injection enthalten könnten.

Die Lösung: Quarantäne. Sperren Sie die Agenten, die die nicht vertrauenswürdigen Inhalte lesen, davon ab, Aktionen mit hohen Berechtigungen auszuführen. Separate Agenten ohne Zugriff auf die Rohinhalte führen die Aktionen aus.

Jeder Workflow, der benutzereingereichte Inhalte verarbeitet (Support-Tickets, Fehlerberichte, Kundenfeedback, soziale Medien), öffentliche Webseiten scrapt oder gegen die Ausgabe einer Drittanbieter-API läuft.

Wenn die Eingabe nicht von Ihnen oder einem vertrauenswürdigen Teammitglied geschrieben wurde, stellen Sie sie unter Quarantäne. Ein 30-zeiliger, schreibgeschützter Lese-Agent kostet fast nichts und eliminiert eine ganze Klasse von Prompt-Injection-Risiken.

14. Workflows speichern. Als Skills ausliefern.

Sobald ein Workflow funktioniert, speichern Sie ihn: Drücken Sie s im Workflow-Menü. Gespeicherte Workflows gehen nach ~/.claude/workflows. Von dort haben Sie zwei Wege:

• Lokal behalten – in Ihren eigenen Projekten wiederverwenden.
• Als Skill ausliefern – die JavaScript-Datei in einem Skill-Ordner bündeln, in SKILL.md referenzieren, und jeder, der den Skill installiert, führt denselben Workflow aus.

Eine praktische Nuance, die wissenswert ist: Wenn Sie einen Workflow in einen Skill verpacken, weisen Sie Claude an, den Workflow als Vorlage zu behandeln, nicht als Skript, das wortwörtlich ausgeführt werden soll.

Das lässt Raum für Claude, die Workflow-Form an die spezifische Aufgabe anzupassen, während die Gesamtstruktur intakt bleibt. Besonders nützlich für Workflows wie „tiefgreifende Verifikation“ oder „Triage“, die sich pro Anwendungsfall flexibel anpassen müssen.

Die Fehler, die Tokens bei Workflows verschwenden

• Zu einem Workflow greifen, wenn eine normale Claude Code-Sitzung ausreichen würde. Die meisten traditionellen Programmieraufgaben benötigen kein Gremium von 5 Prüfern.
• Kein Token-Budget. Ehrgeizige Workflows wachsen ohne explizite Obergrenze auf das 5- bis 10-fache dessen, was Sie erwartet haben.
• Ein Agent erledigt sowohl die Arbeit als auch die Verifikation. Der Selbstbevorzugungs-Bias lässt den Prüfer den Arbeiter bevorzugen. Sie müssen getrennt sein.
• parallel() und pipeline() als austauschbar behandeln. Die Barriere ist wichtig – parallel wartet auf alle, pipeline streamt.
• /goal bei Schleifenmustern überspringen. Der Workflow stoppt früh am ersten weichen Fertigstellungspunkt. /goal erzwingt die harte Fertigstellung.
• Nicht vertrauenswürdige Inhalte zum Akteur gelangen lassen. Quarantäne ist nicht optional, sobald Sie etwas verarbeiten, das von Benutzern eingereicht wurde.
• Mit absoluten Bewertungen sortieren. Vergleichendes Urteilen ist zuverlässiger. Verwenden Sie ein Turnier.
• Funktionierende Workflows nie speichern. Jede Woche dieselbe Form neu prompten. Mit s speichern, als Skill ausliefern.

Fazit:

https://x.com/_catwu/status/2060054180379689074