Claude의 Dynamic Workflows와 심층 연구를 수행하는 방법
AI 시대에 사람들이해야 할 연구의 깊이는 무엇이며 AI와의 보완 관계를 구축하는 방법。
지난 3 년 동안, 나는 AI 지원과 업계 연구를하고, 나는 정보, 요약, 연결, 검증, 침술의 필터링을 분류하기 위해 일련의 기술과 보조 시스템을 구축했습니다。
이번 주까지는 클라드 코드의 역동적 인 워크플로를 통해 갔다가 문구의 실제 의미가 "사람은 큰 시간을 싸지 않습니다"。
다시 생각: AI 시대에 사람들이해야 할 연구의 깊이는 무엇이며 AI와의 보완 관계를 구축하는 방법。
I. 연구의 함정 시작
기술 연구는 사실, 함정 (사람과 AI를 위해 제) 및, 모든 후에, 정보의 중대한 거래는 연구의 시작부터, 관점의 증가 수와 점점 VAGUE 결론 받고 있습니다. 그래서 반환의 목표를 이해하는 시간입니다。
그리고 AI가 충분히 좋지 않은 이유입니다. 주의와 협회의 관점에서그는 현재의 정보량에 대한 인간보다 더 갇혀있을 것이며 진정으로 가치있는 교차 국경 연결에 약합니다。
물론, AI는 발견, 요약, 그리고 단순히 세부의 손실을 방지하는 작업을 수행 할 수있을 정도로 좋습니다。
지난 6개월 동안 많은 공영을 받지 못했지만 거의 모든 주요 산업 분야에서 연구하고 있었지만, 이 입력은 내 자신의 심리 연구 시스템에 의해 지원됩니다。
그리고 마지막 주의 클로드 코드의 얼굴에서 라인에, 동적 워크 플로우, 나는 서로 아래로 이동하고 그의 기본 전원이 저를 넘어 있는지 확인。
Dynamic Workflow는 무엇입니까
Dynamic Workflow의 핵심 라인은 다음과 같습니다미션이 수행되기 전에 AI는 작업에 사용되는 작업 흐름을 자동으로 설계하고 실행을 시작합니다。
이것은 우리가 사용하는 "계획 모델"과 "skill"에서 기본적으로 다릅니다. 계획 모델은 작업을 찢는 것입니다. 그러나 반드시 적절한 워크플로우에 대응하지 않습니다. 힌트를 사용하여 합격 지표 (연구에 필수적)를 추가 할 수 있으며, 한 경우 일부 하네스 규칙을 설정하는 것이 좋습니다。
그러나 동적 워크플로우는 자동적으로 결과의 합격 논리, 제한 및 이러한 일을 확인하기 위한 통합을 통합합니다。
방아쇠는 cc/deep-research에서, 직접 입니다·;그것은 그런 다음 몇 가지 연구 템플릿과 액세스 정보를 제공 할 충분한 것입니다, 그리고 동적 워크플로를 혼자 사용할 수있는 능력이 힌트 또는 직접 ultracode, 사용하기 전에, 토큰은 수십 번 정도 소비。
III. 6개의 워크플로 모드를 인라인으로
동적 워크의 바닥은 6 개의 핵심 운동 패턴이 공식적으로 요약되어 일반적인 대화 / 시약 / skill보다 강력합니다。
사실, 여섯 모델 뒤에 두 개의 핵심 문제가있다 : 어떻게 작업이 깨질 수 있습니까? 어떻게 적합합니까。
3.1 및 경로 모드 (Classify-And-Act)
작업은 에이전트에 의해 처음 확인되고 그 다음 가장 적합한 전문 & amp;에 배포됩니다;대리인 이름 * 핵심 논리는:노선 선택, 평행하지 않 또는 iterative. 1개의 임무는 단지 1개의 경로만 따르고, 다른 경로는 완전하게 non-implementation입니다。
예를 들어, 나는 세 가지 사전 설정 시약 역할을 시작할 수 있습니다 : 엄격한 데이터 분석 antent의 분석, 인텐트 작성에 좋은 출력, 루프홀을 찾는 데 전념하는 도전. 현재 sub-task가 개인 팩을 드리는 대신 라우터를 판단하십시오。
이 모형의 가치는 정확하고 경제 적이고이고, 각 대리인의 hint는 수직 깊이 탐험에 지도하는 다른 표적에서 매우 자주적이고 자유일 수 있습니다. 토큰은 가장 낮은 소비, 가장 빠른 응답을 가지고 있습니다. 책임의 선은 아주 명확합니다。
또한 상당한 단점과 약한 용량이 있습니다. blur 국경 (예 : "기술 및 계정 문제"。
3.2 분할 amalgamation (Fan-out & Merge)
그것은 또한 나의 일반적인 모형이고, 핵심 논리는 평행한과 통합입니다. 작업은 N 별도의 하위 스쿼크로 분할되며 동시에 실행하고 모든 작업을 완료합니다。
이점은 속도와 고립입니다. 총 시간은 가장 느린 제출에 관한 것입니다. 각 제출은 독립적 인 주제이며 간섭없이 다른 제출을 오염시키지 않습니다。
Weakness는 토큰 비용은 일련 번호 3 배이며, 통합 층 자체는 어렵습니다 - 의도적인 N 도로 구조로 출력을 통합하는 방법은 디자인 도전입니다. sub-tasks의 Poor 부서는 배출 또는 적용의 중복으로 이동합니다。
3.3 & amp; 카운터 유효성 (Adversral Verification)
핵심 논리는:제품정보, 다수 & 동일한 결론을 위해;대리인 "refuting" 관점에서, 그것은 절반 이상 투표입니다。
장점은, Verifier가 Walker의 생각이 무엇인지 알 수 없기 때문에, 그것은 단지 결과에서 보인다, 구조적으로 "모델 체크 코드를 쓴"에 자기 평가 bias 제거。
이 패턴은 오랜 걸음의 문제를 해결합니다. 우리는 종종 구두 방식으로 AI에 대해 이야기하지만 AI는 기대에 반응하는 경향이 있으며 "인기 인식"가 쉽습니다. 검증을 진행함으로써, AI를 FORCING하여 역방향 예제를 찾습니다. 데이터와 실험의 기초에 테스트하기 위해, 오히려 자신의 것보다。
그러나, 이것을 확인하기 위해, 그는 잘못된 판단을 제공하면, 그는 Verifier에 그를 데려 갈 것이다. 따라서 선호한 선택은 보기의 점 보다는 오히려 repertoireable 사실에 근거를 둡니다。
AI가 문제를 발견 할 경우, 나는 단지 아이딩 해요, 그는 모든 시간을 할 수 있습니다, 그래서 당신은 그가 문제를 찾을 수있는 경계를 제한해야합니다。
3.4 생성 및 필터링 (Generate & 필터)
핵심 논리는:그것은 확산 될 것입니다, 그때 그것은 내려가는거야나는 모른다. 첫째, 당신은 엄격하게 후보자의 과도한 수를 만들, 다음 당신은 루퍼와 그것을 단계, 당신은 출력 높은 신뢰를 유지。
대리인이 "fine" 응답을 출력하는 대신, 10를 생성하는 것이 더 낫습니다, 그 후에 증명서 층으로 그것을 거릅니다. 따라서 이점은 다양성에 있습니다. 다중 발전기는 다른 전략, 다른 힌트를 사용할 수 있습니다, 인공적으로 예상하기 어려운 출력 솔루션, 필터링 단계는 최종 출력 품질의 높은 농도를 허용。
약점은 필터의 마찰 질량이 직접 최종 효과를 결정하고, 마찰 디자인 오류는 전체 공정의 끝입니다
적절한 시나리오는 올바른 답변이 사전에 알려지지 않은 상황이며, 이점은 다양한 가능성에서 그려야하며 다양성에 대한 명확한 필요성이 있습니다。
Fanout-And-Syntheseize는 표면을 좋아합니다"더 많은 도로 병렬, 단일 출력"은 가장 쉽게 confuse。
키 차이는 ..관련 기사(a) 임무의 다른 부분을 가진 Fanout 거래에 있는 각 도로는, 결과 보완하고 모든 경로는 합병에 공헌합니다; 동일한 일을 가진 Fanout 거래에 있는 각 도로는, 합병증의 결과 경쟁이고 대부분의 결과는 표범합니다. 첫 번째는 퍼즐입니다, 두 번째는 아름다움 엽서입니다。
3.5 토너먼트
핵심 논리는 경쟁가격입니다. N 대리인은 그들의 자신에, 채택하고 &; 쌍방향 에 동일한 일을 합니다; 둥근 단계 밖으로 비교해서, 궁극적으로 제일 해결책을 선택. ·;
이것은 수동으로 수행 한 것입니다 - 같은 코드는 두 개 또는 세 가지 버전을 변경하고 AI를 올바른 것보다 더 잘 만듭니다. 워크플로우에서 직접 구성할 수 있습니다。
장점은 안정성을 판단하는 것입니다. 두 개의 대조 ( "A"와 "B"는 더 나은?")는 등급 기준의 편류를 제외하기 때문에 절대 등급 ( "A" 등급)보다 훨씬 안정적입니다. 결과는 경쟁의 다수 둥근이고 마지막 우승자는 높은 신뢰성이 있습니다。
Generate-And-Filter와 유사합니다: 둘 다 다수 후보자에게서 선정됩니다. 주요 차이점은 선택 메커니즘입니다 : 2와 2의 비교와 함께 토너먼트는 "자본 후보"입니다. 문질러가 질감과 판단이 자연의 관계가 될 때, 그것은 더 신뢰할 수 있습니다。
3.6 루프
핵심 논리는:Adaptation에서— 연속은 잘못된 정보를 수집, 컨텍스트 보완, 수용 조건이 충족 될 때까지。
AI의 임의에 필수적입니다 : 더 많은 것을 시도, 항상 더 나은 결과에 범프. 그러나 CONFRONTATION 인증을 결합하고 더 많은 정보를 구현하기 위해 각주기를 허용하기 위해 더 성숙 할 것입니다。
장점은 알 수없는 워크로드 작업을 처리 할 수있는 능력에 있습니다. 다른 다섯 모델은 임무 경계가 고정 된 것을 가정한다, Done 까지 반복; "많은 둥근 알려진 방법을 처리 할 수있는 유일한 사람"
weaknesses는 통제의 손실의 잠재적인 위험입니다 — 정지 조건은 무한하게 순환하기 위하여 잘 설계되지 않습니다. 각 원은 크로스 휠 상태를 축적 할 수없는 완전히 새로운 컨텍스트입니다 (파일에 명확하게 작성되지 않은)。
IV. MY OWN SKILL 및 공식 배틀
나는 동적 작업이 나왔다 전에 내 자신의 세트를 설계; deep-research 나의 기술 논리는 아마 이것입니다:
- 하나의 간단한 메시지 (예 : 프로젝트의 새로운 기능)
- AI 검색 모든 관련 정보: 공식 파일, 소스 코드, 시장 의견
- 의미있는 요약에 대한 정보를 압축
- 여러 에이전트 역할을 위조하고 보고서 생성
- 자동적으로 다수 대리인 내용의 높은 반복 비율 때문에
그것은 나에게 유용하게 발견하는 동안했다。그러나 그것은 근본적인 결함이 있다: 목표 지향적인 성장의 부족。
그리고 많은 시간, 심지어 다섯 번째 단계 무거운 무게, 이 시점에서, 그는 종종 귀중한 정보를 제거, 충분히 무거운 경우, 그것은 당신에게 긴, 전체 텍스트를 제공 할 수있는 기술에 특히 쉬운, 그러나 당신에게 말할 수 없습니다, "이 당신과 함께해야 할 일?"。
그러나 "절감 만들기"의 목적은 80 점과 연구 자체에서 많은 기술이 멈추지 만 가장 중요한 20 점보다 적습니다。
이 정도에, 연구의 초기 완료 후, AI는 10 반사와 대화를 계속하고 만족스러운 결론에 도달해야합니다。
공식 동적 작업은 무엇을합니까
이 주 복잡한 연구 임무와 함께 여러 실험을 통해 Claude Code의 내장 및 깊은 연구 및; Workstreams (만 기술이 아니라 cc에 내장 된 모듈을 컴파일) 자신의 기술에 몇 가지 주요 링크가 있습니다
- 문제 파생: 그냥 검색 시작하지 않습니다, 하지만 질문을 시작 하 고 sub-questions에 내 질문을 끊기: 당신이 정말로 알고 싶은 무엇을? 당신과 함께해야 할 일은 무엇입니까? 어떤 차원은 탐험 가치가 있습니까? 나는이 전에 수행했습니다。
- Credibility 평가• PERJURY에 대한 정보의 조각 당 ASSESSING, 전통적인 SEO에서 발견 된 저자 등급 - 소스 신뢰할 수있는? 몇 가지 참고 사항? 나는 추가 할 것으로 기대하지 않았다。
- Cross delete 대신 평균 병합: 나는 평균에 모든 결론을 선택하기 위해 사용, 그래서 파일은 큰. 동적 워크플로는 각 결론에 투표를 던지고, 충분한 투표가 삭제되고 단순히 합병되지 않습니다。
- 표적 중심 산출: 최종 보고서는 정보의 스택이 아니라, 판단 및 원래 목적의 제안이 아닙니다. 이 키는 여러 아이들을 이동하기 위해 사전 설정 능력이며, 내가 전에 숙련 된 이유가 끝 중심의 오리엔테이션이 없기 때문에 정보의 질량 후, 나는 내가 찾고있는 것을 확실하지 않다명령 무게의 결정나는 모른다。
이 메커니즘이 해결 된 것은 무엇입니까
AI에 대한 일반적인 질문의 몇 가지에 대해 긴 임무:
목표 drift미션은 좋은 모양에서 시작되며 중간에 무엇을 할지 알지 못하며 새로운 리듬으로 끝납니다. 인간을위한 교훈. 더 긴 임무, 더 명백한。
맨 위로: 열심히 실행, AI는 그가 행하고, 그는 멈추고, 사실에는 합격이 없습니다。
Context 오염: 개별 angents는 복잡한 작업을 수행하고, 여러 개의 사전 위치 압축 후속 실행 공간. 몇 k 내의 pre-prompt를 유지하고 여러 당사자 중 컨텍스트를 확산하는 더 나은 방법。
산출 biasAI는 당신의 기대를 따르는 경향이 있고, 그것을 방아쇠를 것이다 구두 질문을 더 쉽습니다。
동적 워크플로우는 구조화된 방식으로 이러한 4개의 문제점을 해결합니다: 조기 CESSATION을 방지하기 위한 자동 인식 표시기; 컨텍스트의 평행한 고립; 카운터 유효성 오프셋 출력 편향; 그리고 제약 AI의 분리 층은 작용의 앞에 표적을 이해합니다。
제품정보
마지막으로, 영구적 인 연구자로서 CCC의 새로운 메커니즘은 6 가지 모델이 선택, 분할, 항 인증, 필터링, 우승 캠페인, 루프 순환 - 대부분의 복잡한 연구 임무의 움직임 요구 사항을 커버하는 사실에 의해 감탄됩니다。
그래서 나는 angent 운동을 수동으로 설계 할 필요가 없습니다, 나는 작업 흐름 자체로 프로그래밍 된 모든 무게와 십자가 검사를 수행 할 필요가 없습니다。
그는 특히 자연 시약 운동 플러스 임무 목표의 나누기 때문에 정보의 부족과 발달 문제의 탐험에 대해 생각하기 위해 특히 잘 배치되어 3 년 전, AI는 매우 명확하고 작은 문제를 해결하기 위해 잘 수행되었지만 AI의 실제 품질은 보편적이었기 때문에, 간단한 코드에서 실제 에이전트에 이르기까지, 매우 명확하고 작은 문제의 문제를 해결하기 위해 고안되었습니다。
그래서, 동적 워크 플로우, 동적 워크플로우는 "스마트 한 편도 대화"그것은 단지..연구 과정 자체는 구조화됩니다。
나는 수십 개의 독립적 인 대화를 시작했고, 이제 나는 3 ~ 4까지 내려 왔습니다. 토큰 소비에 해당하지만 수십 번 증가했습니다。
그리고 왜 3 또는 4 번 더 나는 루트 원인이 수요에 차이가 있다고 생각합니다。
번호 1:인증 메커니즘의 심각성나는 블록 체인의 새로운 기술에 주로 연구하고, 많은 것들, 공식 문서는 소스 코드, 체인 거래 등을 열고 더 많은 참조와 함께, 현재 AI 기본은 공식 문서에 근거하여 실제로 검증되지。
둘째전체 국경 깊은 생각이것은 작업 흐름 presets (subAgent, 이는 다양한 차원을 미리 정의)를 통해 동일한 문제에 대해 생각할 수 있지만. 그러나 AI는 아주 새로운, 아주 깊고 부족한 자료를 위해 충분하지 않는 주류 사고 모형에 좋습니다。
번호 3:솔루션 설계 및 검증해결책의 의미는 그것을 선물하지 않습니다, 그러나 그것을 검증하기 위하여, 그것을, 기존하는 기계장치의 측정에 의존하기 위하여, 입력과 비용, 그리고, 당연히, AI를 더 잘 가르치기 위하여, 이 상호 운용성에 금리하는 그러나。
그리고 마지막으로극단적 인 정보 enrichment이 메시지의 청중에 대한 이해의 수준으로 돌아 가기에 관한 것입니다. 어떤 사람들은 배경이없고 이미지를 필요로하지만 다른 사람들이 그에게 감탄 할 단어가 필요합니다。
