Anthropic har introduceret dynamic workflows i Claude Code. Funktionen giver Claude mulighed for at opdele store softwareopgaver i mindre dele, starte mange parallelle subagenter og samle resultaterne i én koordineret løsning.
I Anthropics egen artikel om dynamic workflows i Claude Code beskrives funktionen som en research preview. Den er målrettet store og komplekse engineering-opgaver, hvor én enkelt AI-agent kan have svært ved at overskue hele opgaven i én gennemgang.
Hvad er dynamic workflows?
Dynamic workflows er en funktion i Claude Code, hvor Claude kan planlægge en større opgave, skrive et orchestration-script og fordele arbejdet på flere subagenter. Subagenterne arbejder parallelt med forskellige dele af opgaven.
Funktionen bruges ikke til almindelige korte spørgsmål. Den er lavet til store opgaver som bugjagt på tværs af en kodebase, migrationsprojekter, sikkerhedsgennemgange og opgaver, hvor resultatet bør kontrolleres fra flere vinkler.
Det gør dynamic workflows til et eksempel på multi-agent systemer, hvor flere AI-processer arbejder sammen om et større mål.
Hvordan fungerer subagenter i Claude Code?
Når et dynamic workflow starter, planlægger Claude opgaven ud fra brugerens prompt. Derefter deles opgaven op i delopgaver, som kan sendes til subagenter.
Subagenterne kan undersøge forskellige dele af en kodebase, afprøve hypoteser eller kontrollere hinandens fund. Resultaterne samles derefter tilbage i et samlet svar eller en samlet løsning.
Anthropic beskriver, at Claude kan bruge agenter fra uafhængige vinkler og lade andre agenter forsøge at modbevise eller kontrollere fundene. Det gør workflowet mere egnet til opgaver, hvor fejl kan være dyre.
- Claude modtager en større opgave.
- Opgaven deles op i mindre delopgaver.
- Subagenter arbejder parallelt med hver sin del.
- Resultaterne kontrolleres og samles.
- Brugeren får et koordineret resultat.
Hvilke opgaver er funktionen lavet til?
Anthropic nævner især opgaver i store kodebaser. Det kan være bug hunts, performance-audits, sikkerhedsaudits, framework-migrationer og store moderniseringer.
Fælles for opgaverne er, at de kan deles op. Hvis en kodebase består af mange moduler, kan flere subagenter undersøge forskellige områder samtidig. Det kan give bedre dækning end en enkelt agent, der forsøger at gennemgå alt i én sekvens.
Funktionen kan også bruges, når et resultat skal kontrolleres ekstra grundigt. En agent kan finde et problem, mens en anden agent prøver at modbevise det, før resultatet sendes videre til brugeren.
Hvordan adskiller dynamic workflows sig fra almindelige AI-workflows?
Et almindeligt AI-workflow består ofte af faste trin. Først sker A, derefter B, derefter C. Det kan fungere godt, når processen er kendt på forhånd.
Dynamic workflows er mere fleksible. Claude planlægger selv workflowet ud fra opgaven og kan ændre strategi undervejs. Orchestration-scriptet bliver en del af løsningen, fordi det bestemmer, hvordan delopgaverne fordeles og samles.
| Type | Typisk kendetegn | Styrke |
|---|---|---|
| Fast workflow | Foruddefinerede trin | Forudsigelig proces |
| Dynamic workflow | Planlægges ud fra opgaven | Bedre til komplekse og skiftende opgaver |
| Enkelt agent | Én løbende kontekst | God til mindre afgrænsede opgaver |
Hvilke platforme understøtter dynamic workflows?
Ifølge Anthropic er dynamic workflows tilgængelige som research preview i Claude Code CLI, Desktop og VS Code-udvidelsen for Max-, Team- og Enterprise-planer, hvis det er slået til af administratoren.
Anthropic nævner også tilgængelighed via Claude API, Amazon Bedrock, Vertex AI og Microsoft Foundry. For Enterprise-planer er funktionen som udgangspunkt slået fra ved lanceringen, og administratoren kan aktivere den.
Funktionen hænger derfor både sammen med individuel udviklerbrug og med enterprise-kontrol. Det er relevant, fordi parallelle agenter kan bruge flere ressourcer og ændre måden, kodearbejde organiseres på.
Hvilke begrænsninger har dynamic workflows?
Anthropic skriver, at dynamic workflows kan bruge væsentligt flere tokens end en almindelig Claude Code-session. Det skyldes, at mange subagenter kan arbejde parallelt og kontrollere resultater fra flere vinkler.
Første gang et workflow udløses, viser Claude Code, hvad der skal køres, og beder brugeren bekræfte. Organisationer kan også deaktivere workflows gennem administrerede indstillinger.
Der er også en praktisk begrænsning. En stor parallel opgave kræver tydelig afgrænsning. Hvis opgaven er uklar, kan mange subagenter producere meget arbejde uden at føre til et bedre resultat.
Hvordan kan udviklere vurdere resultatet?
Udviklere bør vurdere resultatet fra dynamic workflows med samme disciplin som andet AI-genereret kodearbejde. Kode skal bygges, testes og læses igennem.
Funktionen kan hjælpe med dækning og parallel undersøgelse, men den fjerner ikke behovet for test, code review og faglig vurdering. Jo større opgave, desto mere betyder det, at der findes klare kontrolpunkter.
- Kør test og build efter ændringer.
- Kontrollér fund fra sikkerhedsaudits manuelt.
- Sammenhold migrationsresultater med eksisterende funktionalitet.
- Gem mellemresultater, så ændringer kan spores.
Det hænger tæt sammen med værktøjer som GitHub Copilot, hvor AI kan hjælpe med at finde problemer, skrive kode og støtte debugging, men hvor menneskelig validering stadig er nødvendig.
Hvad peger dynamic workflows på for AI-udviklingsværktøjer?
Dynamic workflows peger på en udvikling, hvor AI-kodeværktøjer bevæger sig fra enkeltstående forslag til koordineret opgaveløsning. AI’en svarer ikke kun på én prompt. Den planlægger, fordeler, udfører og kontrollerer dele af arbejdet.
Det gør softwareudvikling til et tydeligt eksempel på agentisk AI. En udvikler kan beskrive et mål, mens AI-systemet organiserer flere delprocesser for at nå frem til et resultat.
For almindelige brugere kan begrebet virke teknisk. Men princippet er enkelt: store problemer kan opdeles, flere agenter kan arbejde samtidig, og resultatet skal samles og kontrolleres, før det bruges. Det er samme grundidé, der ligger bag mange former for workflow-automatisering med AI.