Catatan editor: Claude Code sedang berubah dari asisten kode menjadi platform Agent yang dapat diatur.

Workflows yang dijelaskan dalam artikel ini memiliki nilai inti yaitu membuat Claude tidak lagi hanya "berpikir dulu, baru bertindak" dalam jendela konteks yang sama, tetapi dapat secara dinamis menghasilkan kerangka eksekusi berdasarkan tugas: membagi tugas, mendistribusikan Sub-Agent, memproses secara paralel, melakukan verifikasi silang, melakukan iterasi berulang, bahkan memungkinkan berbagai Agent saling bersaing, lalu menggabungkan hasilnya.

Ini berarti penggunaan Claude Code sedang meluas secara signifikan. Tidak hanya cocok untuk migrasi kode, refaktorasi, replikasi pengujian, dan tinjauan kode, tetapi juga dapat digunakan untuk tugas-tugas non-teknis seperti penelitian mendalam, verifikasi fakta, penyaringan resume, analisis insiden, pemadatan aturan, tinjauan rencana bisnis, dan brainstorming nama. Banyak pekerjaan kompleks pada dasarnya mirip dengan pemrograman: memerlukan pemecahan masalah, isolasi konteks, verifikasi hipotesis, penanganan sejumlah besar detail, serta pemilihan di antara beberapa jalur alternatif.

Dynamic workflows mencoba menyelesaikan beberapa masalah umum yang sering terjadi pada model besar dalam tugas panjang: "kelambanan agen" yang memberi tahu selesai sebelum selesai, "bias preferensi diri" yang cenderung menyetujui kesimpulan sendiri, serta "pergeseran tujuan" yang secara bertahap menyimpang dari tujuan awal setelah beberapa siklus eksekusi. Dengan menyerahkan tugas kepada beberapa Claude yang memiliki konteks independen, tugas kompleks diubah dari "lari tunggal agen" menjadi "kolaborasi multi-agen".

Tentu, workflow juga bukan solusi ajaib. Biasanya ia menghabiskan lebih banyak token, dan belum tentu cocok untuk setiap tugas pemrograman biasa. Namun, ia memberikan arah penting: persaingan alat AI masa depan mungkin tidak hanya bergantung pada seberapa cerdas model tunggal, tetapi pada sejauh mana ia dapat mengorganisasi alur eksekusi yang andal, dapat digunakan kembali, dan dapat diaudit seputar tujuan yang kompleks.

Berikut adalah teks aslinya:

Meskipun kerangka eksekusi Claude Code default dibangun untuk pemrograman, ia juga cocok untuk banyak jenis tugas lainnya. Faktanya, banyak tugas memiliki struktur yang sangat mirip dengan tugas pemrograman. Namun, untuk mencapai kinerja optimal pada beberapa jenis tugas tertentu, kami tetap perlu membangun kerangka eksekusi khusus di atas Claude Code, seperti penelitian, analisis keamanan, kolaborasi tim agen, atau tinjauan kode.

Workflows memungkinkan Anda membuat kerangka eksekusi secara dinamis, sehingga Claude dapat menyelesaikan masalah di atas dan berbagai jenis masalah lainnya secara lebih natif di dalam Claude Code. Anda juga dapat berbagi dan menggunakan kembali workflow ini dengan orang lain.

Dalam artikel ini, saya akan membagikan pengalaman dan wawasan saya saat pertama kali menggunakan workflows, untuk membantu Anda memaksimalkan kemampuannya.

Namun, perlu ditekankan bahwa praktik terbaik terkait masih dalam proses pembentukan. Alur kerja dinamis biasanya mengonsumsi lebih banyak token, sehingga Anda perlu mempertimbangkan dengan cermat kapan dan bagaimana menggunakannya.

Catatan: Artikel ini juga dipublikasikan di Blog Claude.

Contoh Prompt

Sebelum masuk ke detail teknis, saya ingin memberikan beberapa contoh prompt untuk membantu Anda memahami kemungkinan workflows:

Pengujian ini gagal sekitar 1 kali setiap 50 kali eksekusi. Bangun sebuah workflow untuk mereproduksinya, buat hipotesis, dan lakukan pengujian adversarial di berbagai worktree. /goal Jangan berhenti sampai satu hipotesis terbukti benar.

Gunakan workflow untuk meninjau 50 sesi terakhir saya, gali koreksi yang saya lakukan berulang kali, dan ubah masalah berulang ini menjadi aturan CLAUDE.md.

Gunakan workflow untuk menelusuri saluran #incidents di Slack selama enam bulan terakhir, dan temukan akar penyebab yang muncul berulang kali tetapi tidak ada yang mengajukan tiket.

Jalankan business plan saya melalui sebuah workflow, biarkan berbagai agent secara terpisah menganalisisnya dari sudut pandang investor, klien, dan pesaing.

Ada folder yang berisi 80 resume. Gunakan workflow untuk mengurutkannya berdasarkan persyaratan posisi backend, lalu tinjau kembali sepuluh teratas. Gunakan alat AskUserQuestion untuk bertanya kepada saya, agar membantu Anda membuat kriteria penilaian.

Saya perlu memberi nama pada alat CLI ini. Gunakan workflow untuk brainstorming sejumlah opsi, lalu pilih tiga teratas melalui mekanisme turnamen.

Gunakan workflow untuk menamai ulang model User kami menjadi Account di semua tempat.

Baca draf blog saya, dan verifikasi setiap penilaian teknisnya menggunakan workflow untuk membandingkannya dengan repositori kode. Saya tidak ingin mempublikasikan konten yang salah.

Bagaimana alur kerja dinamis bekerja

Workflow dinamis akan menjalankan file JavaScript yang berisi beberapa fungsi khusus untuk menghasilkan dan mengoordinasikan sub-agents.

Alur kerja dinamis juga mencakup fungsi JavaScript standar seperti JSON, Math, dan Array untuk memproses data.

Yang perlu diperhatikan khususnya adalah alur kerja dinamis dapat menentukan model mana yang digunakan oleh suatu agen, serta apakah agen anak akan berjalan di worktree-nya sendiri. Ini memungkinkan Claude untuk secara mandiri memilih tingkat kecerdasan dan tingkat isolasi yang dibutuhkan sesuai dengan kebutuhan tugas.

Jika sebuah workflow terputus, misalnya karena operasi manual pengguna atau penutupan terminal, sesi dapat dipulihkan dan workflow akan melanjutkan eksekusi dari titik terputus.

Ketika Anda membiarkan kerangka kerja Claude Code default menangani tugas, ia perlu menyelesaikan perencanaan dan eksekusi dalam jendela konteks yang sama. Untuk banyak tugas pemrograman, cara ini sangat efektif, tetapi dalam tugas yang berjalan lama, paralel dalam skala besar, atau bersifat adversarial dengan struktur tinggi, kadang-kadang gagal.

Alasannya adalah semakin lama Claude memproses tugas kompleks dalam jendela konteks tunggal, semakin rentan ia terhadap beberapa pola kegagalan tertentu:

Agentic laziness (kemalasan agen) merujuk pada Claude yang berhenti lebih awal sebelum benar-benar menyelesaikan tugas kompleks yang terdiri dari beberapa bagian, dan menyatakan tugas selesai meskipun hanya mencapai kemajuan sebagian. Misalnya, dalam tinjauan keamanan, hanya menangani 20 dari 50 proyek, lalu menyatakan pekerjaan selesai.

Self-preferential bias (bias terhadap diri sendiri) merujuk pada kecenderungan Claude untuk lebih memilih hasil atau temuannya sendiri, terutama ketika diminta untuk memverifikasi atau menilai konten yang dihasilkannya berdasarkan sejumlah kriteria evaluasi.

Goal drift (pergeseran tujuan) merujuk pada penurunan kesetiaan Claude terhadap tujuan awal selama proses eksekusi berulang, terutama setelah konteks dikompresi. Setiap ringkasan menyebabkan kehilangan informasi, dan beberapa permintaan rinci, seperti kasus tepi, atau batasan seperti "jangan lakukan X", dapat hilang.

Membuat workflow membantu mengurangi masalah-masalah ini, karena dapat mengoordinasikan beberapa Claude independen, memungkinkan masing-masing memiliki jendela konteks sendiri dan fokus pada tugas-tugas yang terisolasi satu sama lain dengan tujuan yang jelas.

Anda mungkin sebelumnya telah membuat alur kerja statis melalui Claude Agent SDK atau claude -p untuk mengoordinasikan beberapa contoh Claude Code.

Namun, karena alur kerja statis perlu menangani berbagai kasus tepi, mereka biasanya lebih umum. Dengan munculnya Claude Opus 4.8 dan alur kerja dinamis, Claude sekarang cukup cerdas untuk menulis kerangka eksekusi yang disesuaikan secara khusus untuk skenario penggunaan Anda.

Pola praktis saat menggunakan alur kerja dinamis

Anda dapat langsung meminta Claude untuk membuat alur kerja dinamis, atau gunakan kata pemicu «ultracode» untuk memastikan Claude Code membuat workflow.

Namun, jika Anda dapat membangun model mental tentang bagaimana alur kerja dinamis berfungsi, Anda akan lebih mudah menentukan kapan harus menggunakannya, serta lebih mudah membimbing Claude melalui prompt.

Claude sering menggunakan dan menggabungkan beberapa pola berikut saat membangun workflow:

Klasifikasikan dan eksekusi: Gunakan agen klasifikasi untuk menentukan jenis tugas, lalu arahkan ke agen atau perilaku yang berbeda berdasarkan jenis tugas tersebut. Anda juga dapat menggunakan klasifier di akhir proses untuk menilai hasil output.

Fanning out dan sintesis: Memecah satu tugas menjadi beberapa langkah lebih kecil, sehingga setiap langkah ditangani oleh satu agen, lalu menggabungkan hasil-hasil tersebut. Pendekatan ini sangat cocok untuk tugas yang terdiri dari banyak langkah kecil, atau ketika setiap langkah memerlukan jendela konteks yang bersih untuk menghindari gangguan atau kontaminasi silang. Langkah sintesis berfungsi sebagai "penghalang": ia akan menunggu hingga semua agen yang difan-out selesai, lalu menggabungkan output terstruktur mereka menjadi satu hasil.

Verifikasi adversarial: Untuk setiap agen yang dihasilkan, jalankan agen independen lain yang memverifikasi outputnya secara adversarial berdasarkan serangkaian kriteria atau standar evaluasi.

Generate and filter: Generate a large number of ideas around a theme, then screen them based on evaluation criteria or validation processes, remove duplicates, and return only tested, highest-quality ideas.

Turnamen: Bukan membagi tugas, tetapi membiarkan agen bersaing satu sama lain. Hasilkan N agen, biarkan masing-masing mencoba menyelesaikan tugas yang sama dengan metode berbeda. Kemudian, prompt atau model menilai hasil agen melalui perbandingan berpasangan hingga menentukan pemenang.

Ulangi hingga selesai: Untuk tugas dengan volume kerja yang tidak diketahui, jangan tetapkan putaran tetap, tetapi terus menghasilkan agent hingga kondisi berhenti terpenuhi, misalnya tidak ada lagi temuan baru, atau tidak ada lagi kesalahan dalam log.

Skenario penggunaan

Anda bisa berpikir lebih kreatif tentang kapan dan bagaimana Claude Code membuat alur kerja dinamis. Saya menemukan bahwa alur kerja terkadang bahkan lebih berguna dalam pekerjaan non-teknis.

Bun pernah menggunakan workflows untuk ditulis ulang dari Zig ke Rust. Anda dapat membaca postingan Jarred di X untuk mengetahui prosesnya.

Intinya adalah membagi tugas menjadi serangkaian langkah yang perlu diproses, seperti titik pemanggilan, pengujian kegagalan, modul, dll. Mulaikan sub-agent di worktree untuk setiap tugas perbaikan agar dapat menyelesaikan perbaikan; kemudian biarkan agent lain melakukan tinjauan adversarial, dan akhirnya gabungkan hasilnya. Anda dapat mempertimbangkan untuk secara eksplisit memberi tahu agent agar tidak menggunakan perintah yang mengonsumsi sumber daya berlebihan, sehingga dapat memaksimalkan derajat paralelisme tanpa menghabiskan sumber daya mesin lokal.

Kami telah meluncurkan keterampilan deep research (/deep-research) di Claude Code, yang menggunakan dynamic workflow. Secara khusus, ia akan membagi tugas untuk menjalankan pencarian web, mengambil sumber, melakukan verifikasi adversarial terhadap klaim terkait, dan menyintesis laporan terstruktur dengan kutipan.

Namun, penelitian semacam ini tidak hanya berlaku untuk pencarian web. Misalnya, Anda juga dapat meminta Claude untuk menyusun laporan status dari konteks Slack, atau meneliti bagaimana suatu fitur bekerja dengan menjelajahi kode secara mendalam.

Di sisi lain, jika Anda memiliki sebuah laporan dan ingin memverifikasi setiap pernyataan fakta serta sumber yang dikutip di dalamnya, Anda dapat membuat workflow: pertama, agen mengidentifikasi semua pernyataan fakta, lalu setiap pernyataan memicu sub-agen untuk melakukan verifikasi mendetail. Anda juga dapat meminta agen verifikasi untuk memeriksa sub-agen yang bertanggung jawab atas pelacakan sumber, memastikan kualitas sumbernya cukup tinggi.

Anda mungkin memiliki sekelompok proyek yang ingin Anda urutkan berdasarkan indikator kualitatif tertentu, dan Anda percaya Claude Code unggul dalam mengevaluasi indikator semacam itu. Misalnya, mengurutkan tiket dukungan berdasarkan tingkat keparahan bug.

Namun, jika Anda mencoba mengurutkan lebih dari 1000 baris dalam satu prompt, kualitasnya akan menurun dan jendela konteks tidak cukup menampungnya. Pendekatan yang lebih baik adalah menjalankan mekanisme turnamen, membangun alur kerja yang terdiri dari agen yang membandingkan secara berpasangan, karena penilaian perbandingan biasanya lebih andal daripada pemberian skor absolut; atau pertama-tama melakukan pengelompokan paralel, lalu menggabungkan hasilnya. Setiap perbandingan dilakukan oleh agen independen, sehingga siklus deterministik dapat mempertahankan struktur seluruh turnamen, dengan hanya urutan saat ini yang perlu disimpan dalam konteks.

Jika Anda memiliki serangkaian aturan spesifik, dan Claude sering melewatkan atau gagal melaksanakannya bahkan ketika melihat aturan-aturan tersebut di CLAUDE.md, Anda dapat membuat workflow yang mencantumkan aturan-aturan ini dan meminta agen verifikasi untuk memeriksa satu per satu—setiap aturan memiliki agen verifikasi sendiri. Membuat sub-agen dengan kepribadian "skeptis" untuk meninjau apakah aturan-aturan tersebut masuk akal juga membantu menghindari terlalu banyak false positive.

Sebaliknya juga bisa: gali sesi dan ulasan kode terbaru Anda, temukan koreksi yang terus-menerus Anda lakukan; biarkan agen paralel mengelompokkan masalah-masalah ini; lalu lakukan verifikasi adversarial terhadap setiap aturan kandidat untuk menilai apakah aturan tersebut benar-benar mencegah kesalahan nyata; akhirnya, rangkum kembali aturan yang lolos seleksi ke dalam CLAUDE.md.

Cara paling efektif untuk debugging adalah membuat beberapa asumsi yang saling independen dan menguji masing-masing secara berurutan. Namun, jika Anda hanya menggunakan satu jendela konteks, Claude mungkin terjebak dalam bias preferensi diri.

Workflow dapat mencegah situasi ini secara struktural: ia dapat memicu beberapa agen untuk menghasilkan hipotesis berdasarkan bukti yang tidak tumpang tindih. Misalnya, membiarkan agen yang berbeda memeriksa log, file, dan data secara terpisah. Selanjutnya, setiap hipotesis dapat diperiksa oleh sekelompok validator dan pembantah.

Ini tidak hanya berlaku untuk kode. Workflow juga dapat digunakan untuk analisis penjualan, misalnya "Mengapa penjualan Maret turun?"; untuk teknik data, misalnya "Mengapa pipeline ini gagal?"; atau untuk semua bentuk post-mortem.

Setiap tim memiliki antrian dukungan, laporan bug, atau tugas tertunda lainnya yang tidak dapat sepenuhnya ditangani oleh manusia. Sebuah workflow triase dapat mengklasifikasikan setiap item, menghilangkan duplikasi dengan masalah yang sudah dilacak, dan mengambil tindakan. Ini bisa berarti mencoba memperbaiki, atau menaikkan tingkatnya untuk ditangani oleh pengguna manusia.

Untuk alur kerja triase, pola yang berguna adalah quarantine (karantina). Artinya, larang agen yang membaca konten publik tidak tepercaya untuk menjalankan operasi berwenang tinggi; operasi berwenang tinggi harus dilakukan oleh agen khusus yang bertanggung jawab atas tindakan.

Anda dapat menggabungkan workflow triase dengan /loop untuk memungkinkan Claude menjalankan tugas-tugas semacam ini secara berkelanjutan.

Workflows berguna ketika Anda perlu mengeksplorasi berbagai jalur solusi, terutama untuk tugas-tugas seperti desain dan penamaan yang melibatkan penilaian estetika, dan dapat diuntungkan dengan seperangkat kriteria evaluasi.

Anda dapat meminta Claude untuk mengeksplorasi sejumlah besar solusi, serta memberikan agen peninjau seperangkat kriteria evaluasi tentang "seperti apa solusi yang baik". Ketika agen peninjau menilai bahwa hasil telah memenuhi kriteria tersebut, tugas selesai. Solusi yang berbeda juga dapat diurutkan atau disaring melalui mekanisme turnamen berdasarkan kriteria evaluasi ini.

Anda dapat menjalankan evals ringan untuk tugas tertentu dengan memulai agent independen di worktree, lalu memulai agent perbandingan, dan membandingkan serta memberi skor output berdasarkan kriteria evaluasi. Misalnya, Anda dapat mengevaluasi dan meningkatkan skill yang Anda buat sendiri untuk melihat apakah skill tersebut memenuhi standar tertentu.

Routing model dan tingkat kecerdasan: Anda dapat membuat agen klasifikasi yang dioptimalkan untuk tugas Anda sendiri, yang akan menentukan model mana yang digunakan. Pendekatan ini sangat berguna ketika tugas melibatkan banyak pemanggilan alat, dan melakukan penelitian sebelum eksekusi dapat membantu mengidentifikasi model yang paling tepat.

Misalnya, untuk tugas "Jelaskan cara kerja modul auth", model yang paling tepat tergantung pada berapa banyak file di modul auth dan bagaimana struktur repositori. Agen klasifikasi dapat menyelesaikan penelitian ini terlebih dahulu, lalu mengarahkan tugas ke Sonnet atau Opus berdasarkan kompleksitas yang diharapkan.

Workflows masih merupakan hal baru. Meskipun dalam banyak skenario penggunaan, ia dapat menghasilkan efek jauh melebihi cara konvensional, tidak setiap tugas memerlukannya, dan ia dapat secara signifikan meningkatkan konsumsi token.

Gunakan workflow untuk tugas-tugas yang dapat memperluas batasan kemampuan Claude Code dengan cara baru. Untuk tugas pemrograman sehari-hari, tanyakan pada diri sendiri: apakah tugas ini benar-benar memerlukan lebih banyak sumber daya komputasi? Misalnya, sebagian besar tugas pemrograman tradisional tidak memerlukan kelompok lima reviewer.

Tips untuk membangun alur kerja dinamis

Saat menulis prompt untuk alur kerja dinamis, semakin rinci detailnya, semakin baik hasilnya, terutama saat menggunakan teknik spesifik yang disebutkan di atas.

Workflows tidak hanya berlaku untuk tugas besar. Anda juga dapat meminta model menggunakan 'quick workflow'. Misalnya, Anda dapat membuat proses tinjauan adversarial cepat untuk memeriksa suatu hipotesis.

Ketika Anda menggunakan workflow yang dapat dijalankan berulang-ulang, seperti workflow triase, penelitian, atau verifikasi, Anda dapat menggabungkannya dengan /loop agar berjalan pada interval tetap, sekaligus menggunakan /goal untuk menetapkan persyaratan penyelesaian yang wajib.

Anda dapat menetapkan anggaran token yang jelas untuk alur kerja dinamis untuk membatasi jumlah token yang digunakan oleh tugas. Anda dapat menulis permintaan anggaran seperti «use 10k tokens» di prompt, yang akan menetapkan batas atas sebesar 10k token.

Anda dapat menekan 's' di menu workflow untuk menyimpan workflow. Anda dapat mengirimkannya ke ~/.claude/workflows atau mendistribusikannya melalui skill.

Jika ingin berbagi melalui skill, letakkan file workflow JavaScript ke dalam folder skill dan sebutkan di SKILL.md. Untuk fleksibilitas yang lebih besar, Anda juga dapat meminta Claude: anggap workflows dalam skill sebagai template, bukan skrip yang harus dijalankan secara harfiah.

Sebuah dunia baru

Workflows adalah cara baru yang berguna untuk memperluas Claude Code. Saya mendorong Anda untuk melihatnya sebagai titik awal. Masih banyak yang perlu kami eksplorasi mengenai cara terbaik menggunakannya. Silakan beri tahu kami temuan Anda.

Thariq Shihipar dan Sid Bidasaria (@sidbid) adalah anggota tim teknis Anthropic yang bertanggung jawab atas pekerjaan terkait Claude Code.