#开源推广 #开源项目 #Claude

详细内容见: https://github.com/TokenRollAI/claude-code-workflow-research

Claude Code Workflow 省流版

一句话：Claude Code workflow 不是模型自己在一次请求里并发工作，而是主模型先写一段 JavaScript 编排脚本，Claude Code 本地 runtime 执行这段脚本，按脚本启动多个子代理，再把子代理的结构化 JSON 结果串起来。

核心流程

用户显式触发 workflow
  -> 主模型看到 Workflow 本地工具
  -> 主模型生成一段 JS workflow script
  -> Claude Code 本地 runtime 执行 JS
  -> JS 里的 agent() 启动多个普通子代理请求
  -> 子代理通过 StructuredOutput 返回 JSON
  -> runtime 把 JSON 当作 agent() 的返回值传给后续 JS
  -> JS 最终 return 一个对象
  -> Claude Code 用 <task-notification> 把结果回灌主会话

最重要的几个点

1. Workflow 是本地工具，不是 Anthropic API 的一个特殊 endpoint 。
2. 主模型负责“写编排脚本”，本地 runtime 负责“执行脚本”。
3. workflow 脚本是受限 JavaScript DSL ，不是完整 Node.js 。
4. agent(prompt, { schema }) 会启动一个子代理，并强制它调用 StructuredOutput。
5. 子代理返回的是 schema 校验后的 JSON ，不是父流程从自然语言里硬解析。
6. agent 之间不直接聊天；交接由 JS 完成：上一个 agent 的 JSON -> JSON.stringify(...) -> 下一个 agent 的 prompt 。
7. pipeline() 默认没有阶段 barrier ，某个 item 完成一阶段就能进入下一阶段。
8. parallel() 是 barrier ，只适合确实需要等全部结果时使用。
9. workflow 完成后，最终结果通过 <task-notification> 注入回主会话。
10. 支持 resume ，因为脚本要求确定性，已完成且未变更的 agent 调用可以命中缓存。

Prompt 是怎么拼的

一次 workflow 子代理请求不是一个巨大的纯文本 prompt ，而是多个槽位组合：

本次例子里，judge prompt 是这样来的：

agent(
  `你是桌游评委，专门从这个维度评审：「${j.desc}」。\n` +
  `待评概念：\n${JSON.stringify(concept, null, 2)}\n` +
  `请给出 1-10 分并简述理由。用中文作答。`,
  { schema: JUDGE_SCHEMA }
)

这里的 concept 是 invent agent 通过 StructuredOutput 返回的 JSON 。也就是说，下游 prompt 看到什么，完全取决于 JS 作者显式拼进去什么。

本次抓包里的例子

这次 workflow 是一个“桌游设计锦标赛”：

• 5 个 invent agent：分别从 5 个设计方向发明桌游。
• 15 个 judge agent：每个概念由 3 个评委维度打分。
• 1 个 synthesize agent：取冠军并嫁接落选概念优点，生成最终设计稿。
• 合计 21 个逻辑 agent 。

最终通知里也记录了：

<agent_count>21</agent_count>
<subagent_tokens>232900</subagent_tokens>
<duration_ms>257654</duration_ms>

Claude Code workflow 把“多代理协作”从自然语言群聊变成了可执行的数据流程序：agent() 像异步函数，prompt 是输入，StructuredOutput JSON 是返回值，pipeline() 和 parallel() 是调度结构，最终 return 是结果。