Dynamic Agent Workflows
Dynamic Agent Workflows 是把 agent workflow 從固定 prompt / 固定步驟，推進到可由模型在任務中動態選擇、組合與調整工具的設計方向。aihao-blog 文章以 Code Act、tool use 與 Claude Code 的 Dynamic Workflows 為線索，說明 coding agent 的核心不只是「會呼叫工具」，而是能在程式碼、shell、檔案與上下文之間形成可迭代的工作閉環。
核心觀察
傳統 tool use 通常把工具呼叫包成結構化 API；Code Act 類型的方法則讓模型直接產生可執行程式碼，把「行動」表示成程式片段。這讓 agent 可以用語言模型擅長的程式碼形式表達複雜操作，但也需要更好的沙盒、觀測與錯誤回饋。
Dynamic Workflows 的重點不是多做一層流程圖，而是讓 agent 在任務期間根據回饋改變策略：
- 用檔案與 shell 建立可檢查的工作狀態。
- 透過測試、lint、trace 或錯誤訊息修正下一步。
- 把固定 instruction 變成可被技能、上下文與工具結果驅動的 loop。
Graph Engineering 的外層編排
BusinessNext 2026-07-28 的術語導讀把 graph-engineering 放在 dynamic workflow 的更外層：用節點表示單一工作、用邊表示交棒與判斷，並把進度、成本、產出與來源寫入外部狀態。沒有依賴的節點可以平行執行，局部失敗可以重做，長任務也能暫停等待人核准或換模型接手；這補上 dynamic workflow 在跨 session 可恢復性與預算控制上的工程化描述。文章同時承認 prompt、context、harness、loop、graph 的層級尚無業界共識，因此保留為來源術語與設計模式，不當成既定標準。
Kelly Tsai 的影片補了一個實務辨析：subagents、agent teams、dynamic workflows 並不是同一件事。subagents 偏向獨立平行，agent teams 偏向可互相溝通，dynamic workflows 則偏向由主控 agent 動態編排；這讓 dynamic workflows 在「可重播的編排」與「決定性的驗收」上更像工程系統，而不只是把 agent 數量拉大。
AIHAO 的認知負荷文章再補上一條邊界：多 agent 編排不只要看任務能否平行，也要看拆分後是否提高人類的協調成本。若 element interactivity 很高，先提高 spec 精度、保留 memory / artifact，再決定是否拆成 agent team 或 dynamic workflow；否則 orchestration 只是把寫 code 的負擔換成更難追的認知負荷。
Claude Code 的 cross-session messaging 提供一個更窄的 handoff edge：session 可以交換純文字狀態摘要，但不共享歷史、檔案或權限。它適合把「migration 完成」「介面已變更」這類可驗證事件送到另一個平行工作面，不應被誤當成完整的 Agent Teams 或自動授權機制；完整上下文仍要靠 resume、artifact 或 spec 傳遞。
Grok Bot 例子把這條光譜再往前推：它不只是跨 session 傳一段摘要，而是由幕僚長 Bot 動態分派專責 Bot，讓 Bot 直接共享專案上下文、在實際工具裡完成工作，再把可重複步驟保存成 routine。這是 agent teams + workflow persistence + computer-use control surface 的組合；它擴大了工具覆蓋面，也同步提高 agent-experience、agent-sandbox-architecture 與 agent-trace-observability 的權限、狀態與稽核要求。
2026-08-25：從產品 demo 到職務化 team setup
BusinessNext 後續教學把 Grok Bot 的多代理模式拆成可採用的最小配置：先用職務名稱建立幕僚長與專責 Bot，再為每個角色寫清楚職責範圍、輸出標準與禁止事項。交辦時給幕僚長目標而不是預先拆好的任務清單，讓它依角色描述分派工作；這使 role charter → dynamic delegation → human escalation 成為比「多開幾個 agent」更具體的 workflow pattern。
同一來源也補上 workflow persistence 的兩個實作面：用 Teach a task 從示範建立可重跑的 routine，再用時間或事件觸發背景執行；但所有 Bot 共用同一個雲端電腦，不等於資安隔離。可重用的採用 gate 是先把內容備稿、研究整理等低風險任務放在明確職務邊界內，對外發送、花錢、法律／合約與寫入財務系統保留人工核准，並把執行狀態接回 agent-experience、agent-skills、agent-sandbox-architecture 與 agent-trace-observability。
與 AI Ark wiki 的關係
這個概念補上 ai-agent、harness-engineering-for-ai-coding 與 replit-agent-eval-scale 之間的工程連結：agent 的能力不只來自模型，也來自 workflow 如何讓模型看見狀態、採取行動、接收回饋並修正。
對 AI Ark loop engineering 來說，Dynamic Agent Workflows 也提醒一件事：watch / ingest / verify / synthesize 不必一開始寫成龐大 router。先讓每輪留下 queue record、raw source、wiki diff 與 verify result，這些 artifacts 本身就能成為下一輪 agent 的工作狀態。
實作啟示
- 優先保留可驗證 artifacts，而不是抽象流程規格。
- 讓 agent 以小步驟執行、檢查、修正，而不是一次生成完整系統。
- workflow 的價值在於縮短「假設 → 行動 → 回饋」迴圈。