![[程序员] Claude Code Workflow 抓包后原理分析 - Workwith GPT5.5](https://www.chat-gpts.plus/wp-content/uploads/2026/05/ai_cover_3-808.jpg)
[程序员] Claude Code Workflow 抓包后原理分析 – Workwith GPT5.5
一句话看懂：开发者通过抓包发现，Claude Code 的 Workflow 并非大模型在单次请求内并行处理多个任务，而是由主模型先生成一段 JavaScript 编排脚本，再由本地运行时按脚本启动多个子代理，最终将结构化 JSON 结果拼合输出。这套机制把多代理协作从自然语言群聊变成可执行的数据流程序。
事件核心：发生了什么
在 V2EX 社区，开发者“Workwith GPT5.5”发布了对 Claude Code Workflow 的抓包分析结果，并将详细研究内容开源至 GitHub。分析指出，Claude Code 的多代理工作流并非业界此前猜测的“大模型在一次请求内并发处理”，而是采用了一种“脚本编排 + 子代理调度”的架构。具体流程是：主模型先输出一段 JavaScript 编排脚本，Claude Code 的本地 runtime 执行该脚本，脚本中通过调用 agent()、pipeline()、parallel() 等类似异步函数的 API，启动多个子代理。每个子代理的请求并非巨大的纯文本 prompt，而是由多个槽位（slot）组合而成——例如，judge agent 的 prompt 中，concept 字段是由 invent agent 通过 StructuredOutput 返回的 JSON。“下游 prompt 能看到什么，完全取决于 JS 作者显式拼进去什么”，这意味着子代理之间的信息传递是精确可控的结构化数据，而非自由生成的文本。
本次分析的测试案例是一个“桌游设计锦标赛” Workflow，展示了多代理如何通过函数式调度完成复杂创意任务。
为什么重要
这一发现揭示了当前多代理 AI 系统一个被忽视的工程范式：Claude Code 并未依赖大模型的内置“多任务并行”推理能力，而是将编排逻辑从模型端转移到客户端代码中。这意味著，多代理协作的效率和可控性，更多取决于开发者编写的 JavaScript 编排脚本质量，而非底层大模型的并发能力。StructuredOutput JSON 作为标准数据接口，使得子代理的输入输出变成可验证、可组合的结构化数据流，这直接提升了复杂任务（如多轮辩论、多角色创作、竞标赛评价）的可靠性，也降低了模型幻觉在子代理间传递的风险。对于 Anthropic 而言，这种设计降低了 Workflow 对模型本身推理复杂度的依赖，更易于本地化部署和调试，也可能成为其与 OpenAI 的 Agent 竞争中的差异化技术路线。
对用户/开发者/创作者的影响
对使用 Claude Code 的开发者而言，这一原理意味着可以像编写异步程序一样构建多代理工作流：调用 agent() 相当于发起一次子任务，parallel() 可并发调度多个独立代理，pipeline() 则串联前后依赖。这种范式降低了构建多代理协作的门槛——不需要深入理解大模型的内部机制，只需熟悉基本的 JavaScript 异步编程模式。创作者可以利用这一机制设计复杂的创意流程（如“先由 invent agent 生成概念，再由 judge agent 打分，最后按得分排序输出”），并且每个步骤的结果都可被精确追踪和修正。对于普通用户，虽然直接见不到这段 JS 脚本，但可以预期使用 Claude Code 执行多步骤任务时，输出会更稳定、更少出现逻辑跳跃——因为子代理的输入是经过结构化的，而非自由生成的连续文本。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，其他 AI 编程工具（如 Cursor、Codeium 的 Agent 模式）是否会跟进类似的“脚本编排 + 子代理调度”架构？如果跟进，开发者将面临多个不同脚本标准的竞争。第二，开源社区（如 LangChain 等）能否对 Claude Code 的 Workflow 脚本格式进行解析和移植，使该套编排逻辑可在其他模型或本地环境中复用？第三，Anthropic 是否会开放 Workflow 脚本的 API 文档，将其作为独立的产品功能推向更广泛的开发者生态——而不仅限于 Claude Code 内部使用——这直接关系到该技术的商业化潜力。
