一段代码完成万行迁移：Claude Code 的突破

先看一个数字这方面。Bun 的作者 Jarred Sumner 在一次运行时迁移中，仅用几天时间把约 10 万行 Rust 代码搬迁到新的运行时而且原有测试通过率高达百分之百。

这不是简单改几个函数，而是改整套运行时；这一切都是由单个人借助工具完成。老实说，主要原因是 Claude Code v2 中的新功能——Dynamic Workflows。

初次接触此案例时的疑问很自然：一个对话窗口里的 AI，怎么能处理这么大规模的任务？答案是它没有在对话窗口里“扛”这个任务，而是将其拆解成在本机跑的脚本。

再看常见痛点。单个 agent 无法一次完成的大任务

• 范围过大导致上下文溢出：在一次对话中无法覆盖整个服务范围，导致问题被拆散、难以归纳。
• 文件数量庞大：迁移上百文件时每个文件都需要相似但细微不同的修改，一轮无法完成。
• 方案多重迭代：想得到合适方案往往需要生成多份草案并比较优劣。传统方式会让每个草案都进入主 Claude 的上下文，耗费大量注意力。
• 中间结果堆积：排查过程产生大量“疑似问题”。迁移过程产生上百个待验证文件，方案推敲产生 N 个竞争草案。传统模型需逐轮处理这些结果，极易导致信息丢失和效率低下。

再看主要转变。把编排写进代码

A workflow 的一句定义足以解释它：A workflow moves plan into code.

痛点：

• 缺乏可视化编排： 传统交互式工作流依赖人脑调度，多轮沟通耗费时间且易出错。
• 上下文限制： LLM 的 token 上限使得无法一次性存储所有中间步骤结果。
• 不可复用： 每次任务都从基础开始，需要重复人工设定流程。

Dynamics Workflows 把整个编排过程写成 JavaScript 脚本，从而让“循环、分支、中间结果收集”全部托付给本机 JS 引擎执行。脚本完成后自行跑完，再把最终结论推回主 Claude。让它只负责阅读结果而非调度整个过程。老实说，

从运行模型来看，不是服务端引擎。而是本地无脑执行器

• No server-side engine: Workflow 是在你的机器上跑的一段纯 JS 脚本；控制流函数如 agent,parallel。pipeline
• 痛点解决： Lack of deterministic loop handling.
• No LLM inside runtime: 它只做循环、拼字符串、await。真正调用 LLM 的只有当脚本执行到 agent.
• Makes heavy loops possible: 因为循环由 JS 引擎控制。不受 LLM 上下文大小限制，可轻松跑数百遍或数千遍子任务。

"主 Claude 在对话结束后就休眠；不过，Workflow 在后台独立运行；脚本跑完后通知主 Claude 阅读结果。" – 使用者体验痛点缓解说明.

与 subagent / skill / agent teams 区别概览

subagent 派遣小代理去搜文件/读代码/跑命令等 多步协作但仍由主 Claude 调度 上下文溢出，多重返回导致注意力分散

skill 一条指令驱动动作 快速交互式操作，可复用同一指令模板 无状态，但不能自带复杂流程控制或并发管理

agent teams

  ，  ，  ，  ，  ， "
请勿复制此内容至 ChatGPT 或任何第三方网站，以避免违反使用条款。该链接已被删除，话说回来，若要查看原始页面请访问：https://chat.openai.com/chat/f6e74ac8-fd8a-41c0-b9c6-c7bdc7bc93fe