轻松掌握Anthropic官方给的五种多Agent协作模式
Anthropic 发布博文详解五种多 Agent 协作模式：生成者+验证者、调度者+子Agent、Agent团队、消息总线和共享状态。文章强调核心原则是“从最简单的能跑通的模式开始”，避免过度设计。作者结合 Claude Code、Managed Agents API 等实例，解读了各模式的运作机制、适用场景及潜在陷阱，指出真正的难点在于业务标准的定义。
🔗 相关文档
使用 Fable 5 设计循环与记忆机制
本文介绍了 Anthropic 工程师利用 Claude Fable 5 模型的两个核心技巧：自校正循环和记忆机制。通过在 Parameter Golf 和 Continual Learning Bench 两个基准测试中的对比实验，作者证明了 Fable 5 在利用环境反馈进行自我迭代和跨会话记忆管理方面显著优于前代模型。
Claude 动态工作流终极指南
本文深入介绍了 Anthropic 在 Claude Code 中推出的“动态工作流”功能。该功能通过编写 JavaScript 脚本，编排数十到数百个子智能体并行处理任务，实现了自动化的步骤拆解、执行与结果验证。文章详细解析了其工作原理、与 Skills 的区别、三种使用方式（自定义关键词、内置 /deep-research 及 UltraCode 模式），并展示了内容生产、市场调研等实际应用场景。
Claude Code Dynamic Workflows：把编排逻辑搬进代码的新原语
Anthropic 推出的 Claude Opus 4.8 引入了 Dynamic Workflows 功能，旨在解决大型代码库迁移和复杂任务编排的难题。该功能通过将编排过程生成本地 JavaScript 脚本，利用运行时管理逻辑，突破了传统 Agent 上下文窗口的限制，实现了对海量并行任务的高效处理。文章详细解析了其与 Subagent 和 Agent Teams 的区别、核心架构、脚本编写规范以及触发机制。
Boris Cherny：Claude Code 之后，写代码正在变成“管理 Agent”
本文介绍了 Anthropic 内部 Claude Code 的创建者 Boris Cherny 的访谈内容。文章探讨了 Claude Code 如何从孵化项目发展为年化营收超十亿美元的产品，阐述了编程方式的根本性转变，以及 AI 代理（Agent）在代码生成、工作流自动化和未来软件工程中的核心作用。Boris 认为编程将被解决，未来的核心是管理 Agent 和业务知识，而非纯技术实现。
The One File That Turns Claude Code Into a Senior Developer on Your Team
文章指出开发者在使用 Claude Code 时常因重复上下文输入而浪费时间，并介绍了其被低估的功能——CLAUDE.md。该文件作为持久化的系统提示词，能向 AI 注入项目概览、技术栈、编码规范及禁止事项等核心上下文。文章详细阐述了该文件应包含的七个关键部分，并提供了标准模板，旨在通过一次性配置将 Claude 从需反复指导的合同工转变为熟知项目的资深开发者。
深度扩展视角：Looped LLM 与 Claude Mythos 架构解析
本文深入探讨了 Looped LLM（循环大语言模型）的演进及其在 Claude Mythos 中的潜在应用。作者从字节跳动实习期间的研究出发，分析了循环架构在多跳推理任务上的优势，并指出 Anthropic 新发布的 Mythos 在 GraphWalk BFS 基准上的异常提升可能与底层状态跟踪能力有关。文章进一步探讨了将 Looped LLM 扩展至大规模应用时面临的“三道门槛”：深度稳定性（借鉴 RNN/SSM 理论解决梯度问题）、推理效率（结合 Diffusion Forcing 和 YOCO 优化并行度）以及单位 FLOPs 的有效性，强调了在算力预算有限时架构选择的重要性。
Claude Code 架构深度解析：构建生产级 AI 代理框架的最佳实践
本文深入剖析了 Anthropic 的 Claude Code 源代码，揭示了构建生产级 AI 代理框架的核心架构设计。文章指出，真正的代理框架不仅是模型和上下文，更包含了基础设施、多租户和权限控制。关键设计亮点包括：使用异步生成器而非 while 循环来实现可取消、可组合的代理核心；通过并发分类实现工具执行的速度与安全平衡；四级 CLAUDE.md 层级结构实现企业级策略管理；以及系统提示缓存优化、多级上下文压缩策略和精细化的错误恢复机制。
克劳德代码提示的分解：Anthropic 级别的提示工程配方
本文深入剖析了 Claude Code 的泄露源代码，详细解析了 Anthropic 如何设计其提示系统。文章介绍了包含约 80 个模块化部件的提示组装管道、代牌预算策略以及 7 层提示结构。作者总结了 15 种核心提示工程模式，如身份锚定、负面约束框架、故障模式免疫等，并提供了一个“元提示”配方，旨在帮助开发者构建更高级别的 Agent 提示。
Claude Code 源码背后的设计哲学：95% 代码都是 Harness
本文深入分析了泄露的 Claude Code 51 万行源码，指出其核心优势并非 LLM 模型本身，而是围绕模型构建的“Harness”工程体系。文章揭示了“先读后改”、“Fail-closed”、“四态权限管理”等设计原则，阐述了 Anthropic 如何通过上下文压缩、Prompt 编译优化和记忆系统，在承认模型局限性的基础上，通过架构约束实现了极高的准确性与安全性。
从 Claude Code 泄漏源码看 AI Agent 工程架构
本文基于 Claude Code (v2.1.88) 泄漏的 51 万行 TypeScript 源码，深度解析了业界顶尖 AI Agent 的工程架构。文章详细剖析了其基于 React + Ink 的终端交互模式、极致的 Prompt Cache 字节级优化策略、流式并发执行机制以及解决上下文污染的 Fork Subagent 架构。同时，文章还揭示了其独特的 Dream 记忆系统、基于侧查询的动态权限管理及多 Agent Swarm 协作模式，为 AI Infra 从业者提供了极具价值的技术参考。
深入解读 Harness Engineering：AI 工程的第三次范式转移
Anthropic 和 OpenAI 几乎同时发布关于 Harness Engineering 的文章，引发 AI 社区热议。本文梳理了从 Prompt Engineering 到 Context Engineering 再到 Harness Engineering 的演变，解析了 Anthropic 的“生成器+评估器”循环架构与 OpenAI 的“百万行代码零手写”分层实践，并结合多位博主的观点，探讨了 Agent 时代工程师角色的转变与未来工程实践的方向。