此前在 X 上流传了数天的小道消息后，今天凌晨 Anthropic 正式发布了 Claude Opus 4.8，我们第一时间上手进行了测试。
从 4.5、4.6、4.7 到今天的 4.8，Claude Code 大致保持着每月一次的小版本迭代节奏。模型本身确实有提升，但真正令人驻足细品的，是同步推出的动态工作流（dynamic workflows）。
模型部分这里快速过一下，后面重点聊工作流——这个功能我早上一直玩到 5 小时限额用尽才停下。
官方将本次最显著的改进归结为一个词：honesty（诚实）。相信很多人都有切身体会：用 AI 写代码，犯错并不可怕，真正坑人的是它写错了还信誓旦旦告诉你“已完成，测试全绿”，然后一跑起来遍地报错。
Claude Opus 4.8 专门针对这一点进行了训练。据官方数据，它对自身代码缺陷“放过不提”的概率相比 4.7 降低了约 4 倍。它更愿意在不确定的地方停下来，直接告诉你“这块我没把握”，而不是蒙混过关。
把“诚实”这个词记一下，后面实测 dynamic workflow 时，它会以一种意想不到的方式展现出来。
再看一眼跑分。虽然总有人说跑分无用，但 Anthropic 每次发布新模型必放成绩单，可见其重要参考价值。Anthropic 用同一套公开 harness 把 4.8、4.7、GPT-5.5、Gemini 3.1 Pro 拉在一起测了一遍。
编程的 SWE-Bench Pro：4.8 达到 69.2%，4.7 为 64.3%，GPT-5.5 为 58.6%，Gemini 3.1 Pro 为 54.2%，编程依然是 Claude 的主场。在 computer use 的 OSWorld-Verified 和知识工作 GDPval-AA 上，Opus 4.8 全面领先。稍有意外的是 Agentic terminal coding 项，Terminal-Bench 2.1 上 4.8 得分 74.6%，而 GPT-5.5 以 78.2% 夺魁。
配套发布的还有一份 244 页的 system card，感兴趣的可以翻阅，不过这里不展开了。
模型聊到这里。真正让人这半天没干别的事的，是 dynamic workflow。
与 Opus 4.8 同步，Claude Code 上线了一个研究预览功能：动态工作流。Anthropic 为此专门发了一篇博客，官方文档也同步更新了详细教程。所以，这绝对是一个比模型本身更值得关注的重磅功能。注意，Claude Code 版本需升级到 v2.1.154 以上。
一句话解释：动态工作流就是你给出需求，Claude 自己写一段 JavaScript 编排脚本，在后台跑几十到几百个并行 subagents，把结果交叉验证后再汇总呈上，期间你的会话照常响应。
它与先前熟悉的 Subagents、Skills 最大的不同，在于“谁掌控计划”。使用 Subagents 和 Skills 时，Claude 自己当指挥，每回合决定下一步派谁，任务规模也仅限于少数几个 Agent。动态工作流则将计划写进代码，循环、分支、每个 Agent 的产出全留在脚本变量里，Claude 的上下文只需接收一个收敛后的答案。
本质上，它仍遵循 Subagents 的逻辑：每个子代理独立工作，我们只拿最终结果。但 workfow 这套机制真正的价值，是可以固化一套质量保障流程——比如让一批 Agent 从不同角度解题，另一批 Agent 专门挑刺、试图推翻前面的结论，反复迭代直至答案收敛。这种“自己跟自己较劲”的交叉验证，单趟执行是无法提供的。
怎么用？两种触发方式：
- 在 prompt 中直接带上“workflow”这个词（该单词会变成彩色），Claude 就会为该任务编写工作流。
- 打开 Claude Code 专属的 ultracode 档（
/effort ultracode），它会启用高强度推理，自动判断哪些任务值得启动工作流，一个请求甚至能连带触发多个（例如先理解代码、再修改、再验证）。开启后终端界面会变成骚气的紫色。
官方给出的旗舰案例：Bun 的作者 Jarred Sumner 用动态工作流，将 Bun 从 Zig 移植到 Rust ，约 75 万行代码，现有测试套件通过率 99.8%，从首次提交到合并仅用 11 天。这种工作量搁以前，至少得耗上几个月。
我也小测了一波。说“小测”，是因为即使是 Max 20x 订阅，随便跑几个 workflow 就会迅速触发 5 小时限额，想大测也没机会。
先看 Claude Code 内置的 workflow。有一个现成的 /deep-research，专门执行“带着问题做全网调研”：多角度并行搜索、抓取网页、交叉验证每一条结论，最后输出带有引用、并滤掉不靠谱结论的报告。不太确定这是否就是 Claude web 端 Research 功能的翻版。
我在手头一个医学影像 AI 项目中提出了真实需求：从产品角度调研，看看它离在科研环境中实际落地还有多远，顺带摸摸竞品和商业化路径。
跑完的数字如下：整个工作流分为 5 个阶段，Scope（确定范围）1 个 Agent、Search（搜索）6 个、Fetch（抓取）28 个、Verify（核查）75 个、Synthesize（汇总）1 个，合计 111 个 Agent。
最值得称道的是 Verify 阶段。75 个核查 Agent 实际上是将 25 条关键结论，每条派 3 个互不依赖的 Agent 去查（v0、v1、v2），三票汇总后再投票，这正是前面说的“自己跟自己对着干”。但这次运行并不顺利——核查阶段有大量 Agent 崩了，未能正常调用 StructuredOutput 工具，导致 25 条待核查结论中有 17 条被系统判为“killed”。
换作一个不太诚实的模型，到这里很可能直接把 17 条标记为“核查未通过，视为不可信”。
但 Opus 4.8 在汇总前主动停下来说：让我把完整输出读一遍，区分哪些是被反驳的、哪些是未确定，我想明确哪些结论是确认的、哪些不是。
仔细分辨后它给出结论：这 17 条中，真正被反驳的只有 2 条，剩余 15 条是“三票 0:0 弃权”，意味着核查根本没执行，不代表结论有错。于是它将整份报告拆成三档：已核实的、未核实但大概率为真的、被明确反驳的，逐条标注清楚。
这确实是 honesty。
当然，这也暴露了研究预览的瑕疵：Agent 批量崩溃确实会发生，功能离稳定还有距离。但模型在乱局中那种不糊弄的处理方式，令人印象深刻。
跑完官方的工作流，我打算自己搭一个。这次不用现成命令，先用 /effort ultracode 打开高级档位，然后在 prompt 中加入 workflow，让它为“医学影像论文写作”这个任务规划一整套流程。
选择这个场景再合适不过。写综述论文天然就是 fan-out 的活儿：需要扫描大量文献、按主题分章节、每个论点都要核对引用是否正确、不同来源间还得交叉印证有无冲突。这简直就是为工作流量身定做的——一拨 Agent 各管一块去读去写，另一拨 Agent 回过头核查事实与引用。
开启 ultracode 后，明显感觉到行为模式变了：拿到任务不再急着动手，而是先盘算能否拆成工作流、分几个阶段、如何编排。代价就是 token 消耗和时间都成倍增加，适合那种你愿意丢给它、然后起身泡杯咖啡回来查收的长任务，而不适合来回对话式地抠细节。
整体而言，这次 Claude 更新，dynamic workflow 比 Opus 4.8 模型本身更令人兴奋。各位不妨立刻动手试试，但只能小玩，因为这个功能实在太吃 token 了。
最后，今日 Claude 新闻还埋了一个预告：Anthropic 透露未来几周将发布此前仅有少数组织才能使用的“地表最强模型” Mythos，让我们拭目以待，看它到底强到什么程度。
发表于 2 小时前
|
查看: 4|
回复: 0
