Az AI Engineer New York 2026 konferencián ma reggel Anthropic képviselői részletesen ismertették a Claude Managed Agents új, pénteken bejelentett funkcióját, a dinamikus munkafolyamatokat — a bemutatókban röviden „flows”-ként említett megoldást. A téma előadását CJ Avilla és Harrison Stall, mindketten a Anthropic Members of Technical Staff pozíciójában, tartották.
Mi az a flow?
Anthropic a flows-t úgy írta le, mint egy új típusú többügynökös (multi-agent) koordinációt, amelyet nagyobb, ambiciózusabb feladatokra terveztek. A koncepció lényege, hogy a Claude nemcsak egy meghatározott koordinátort és alműködőket (roster) követi, hanem maga határozza meg az ágensek szerkezetét és feladatmegosztását. A lead agent (vezető ügynök) készít egy tervet, majd Claude egy orchestration programot ír, amely elindítja az alműködő ügynököket, begyűjti az eredményeket és kezeli az információáramlást.
Az előadók visszautaltak a korábbi operációs rendszer-fejlesztésekre — Ken Thompson Unixától kezdve a Linux rendszeren át a több szinten megbízható karbantartókig — hogy érzékeltessék: a nagyobb projektekhez az ágensek szervezésének hasonló szintű fegyelemre és struktúrára van szüksége.
Hogyan működik a gyakorlatban?
A gyakorlatban a Claude Console felületen érhető el ez a képesség, amelyet a Claude API-t használó fejlesztők alkalmaznak a Managed Agents kezelésére. A bemutatóban egy egyszerűsített példán, egy részvényfigyelő listát átvizsgáló munkafolyamaton keresztül mutatták be az alapmintát: egy szkennelési fázisban egyes jegyeket külön kontextusú ügynökökre osztanak, majd egy későbbi felülvizsgálati fázis összegzi az eredményeket és jelentést készít.
Ugyanakkor a felhasználó opcionálisan előre konfigurált, specializált alügynököket is beadhat az agent konfigurációban.
Költség, párhuzamosítás és láthatóság
A hallgatóság kérdései több fontos gyakorlati kérdést tártak fel. Többen rákérdeztek, hogyan dönt Claude arról, hogy hány alügynök szükséges egy feladathoz, és előfordulhat-e, hogy egyszerű feladatok százakat indítanak el. Harrison Stall válasza szerint a viselkedést elsősorban az értékelések (evals) és az alapértelmezett beállítások korlátozzák; az erőteljes párhuzamosításhoz általában explicit ösztönzésre van szükség.
A másik fontos kérdés a költségkeret (token/billing budget) kontrollja volt. A modell futása közben maga az ügynök nem „tudja” a pontos költségkeretet, de a fejlesztők beállíthatnak session budgetet. Stall megjegyezte, hogy a modellek költségkerettel való tájékoztatása „kicsit idegessé” teheti őket — ami a hallgatóságon nevetést váltott ki.
A bemutatott mintában Avilla hangsúlyozta, hogy a flows általában lényegesen drágábbak egy egyszerű, együgynökös megközelítésnél, de hatékonyabbak a részletek feltárásában.
Hatékonyságnövelés: dreaming és memóriakezelés
A bemutató kitért arra is, hogyan lehet ismétlődő munkafolyamatokat gazdaságosabbá és hatékonyabbá tenni. Avilla egy, az Anthropic dokumentációjában szereplő, kutatási előnézetként kínált funkciót, a „dreaming”-et javasolta: a dreaming meglévő memóriatárolókat és korábbi munkamenet-átiratokat olvasva újrarendezi és konszolidálja a memóriát — azonosítva és egyesítve a duplikátumokat, eltávolítva az elavult vagy ellentmondó bejegyzéseket, és új felismeréseket hozva elő.
Avilla szerint flows-ökben a dreaming segítségével „kristályosítani lehet és alapvetően javítani a munkamenetekhez kapcsolódó memóriatárolókat”, ami hosszabb távon jobb hatékonyságot eredményezhet.
Korlátok és irányítás
A hallgatóság több más kérdést is feltett:
- Láthatóak-e az alügynökök műveletei? Avilla szerint igen: a Claude Console beépített gráfunkcionalitása lehetővé teszi, hogy a fejlesztők megvizsgálják, mit adott át a vezető ügynök az alügynöknek, és így minden átmenetet részletesen nyomon követhessenek.
- Kommunikálhatnak-e egymással az alügynökök? Stall elmondta, hogy az ágensek közös fájlrendszert használnak, amelyen keresztül információt cserélhetnek, de a fejlesztők nem tudnak közvetlenül API-n keresztül parancsot adni az egyik alügynöknek, hogy üzenjen a másiknak.
Mekkora feladatokra tervezték?
A flows tervezési célja a nagyobb, kutatási vagy mérnöki kihívásokat is megcélzó munkaterhelések támogatása. Egy hallgató rákérdezett, hogy a flows képesek-e nagy tudományos problémák, például a Navier–Stokes Millenniumi Díjjal kapcsolatos problémák megoldására. Stall nem adott részletes válaszokat arra vonatkozóan, hogy Anthropic miként számít nagy tudományos problémákat, de megerősítette: a céljuk az, hogy a flows lehetővé tegyék általános felhasználók számára ilyen típusú, komoly számítási kihívások kipróbálását és részvételét.
"A flows lényegében egy mód arra, hogy tesztidőben számítási kapacitást dobjunk nehéz problémákra, és gyorsabban több képességet kinyerjünk a modellekből," mondta Stall. "Különösen API szolgáltatásként hisszük, hogy ennek a hatalomnak a feloldása az első lépés abban, hogy az ilyen típusú felfedezések vagy tudományos előrelépések szélesebb közönség számára is elérhetővé váljanak."
Összegzés
Anthropic új dinamikus munkafolyamatai a Claude Managed Agents fejlődését képviselik: a rendszer a vezető ügynök által létrehozott terv alapján képes automatikusan létrehozni és koordinálni alműködőket, gyűjteni eredményeket és kezelni az információkat a Claude Console felületén. A megközelítés előnyös lehet komplex, többfázisú feladatoknál és nagyobb, kísérleti jellegű kutatásoknál, ugyanakkor költségesebb és igényel kontrollt a párhuzamosítás és a költségkeretek felett.
A bemutató említette a dreaming memóriakonzolidációs funkciót és a session budget lehetőségét, valamint azt, hogy a fejlesztők végig láthatják és elemezhetik az ágensek közti adatáramlást. A flows bevezetése azt tükrözi, hogy Anthropic olyan eszközt kíván nyújtani, mellyel a fejlesztők nagyobb, önszerveződő agent-topológiákat hozhatnak létre és tesztelhetnek.
Sponsor: a konferencia anyagában szerepelt Union.ai rövid bemutatója is, amely a munkafolyamatok tartósságát és felhőalapú futtatási környezetek kezelését hangsúlyozta.
