Claude Code Flux de travail dynamiques : Sous-agents parallèles et mode UltraCode

✍️ OpenClawRadar📅 Publié: May 29, 2026🔗 Source
Claude Code Flux de travail dynamiques : Sous-agents parallèles et mode UltraCode
Ad

Claude Code prend désormais en charge les workflows dynamiques qui permettent à l'agent d'orchestrer des dizaines à des centaines de sous-agents parallèles en une seule session, en vérifiant le travail avant qu'il ne vous parvienne. Disponible en aperçu de recherche dans le CLI, le bureau et l'extension VS Code pour les forfaits Max, Team et Enterprise, ainsi que dans l'API (Amazon Bedrock, Vertex AI, Microsoft Foundry).

Comment l'utiliser

  • Demandez directement : "Créer un workflow"
  • Activez UltraCode via le menu d'effort (définit l'effort sur xhigh), permettant à Claude de décider automatiquement quand lancer un workflow.

Les workflows consomment beaucoup plus de tokens qu'une session typique — commencez par un périmètre restreint.

Fonctionnalités démontrées en accès anticipé

  • Chasse aux bugs à l'échelle du codebase : recherche parallèle dans un dépôt, puis vérification indépendante de chaque résultat.
  • Migrations massives : remplacement de frameworks, dépréciations d'API, portages de langage sur des milliers de fichiers de bout en bout.
  • Résultats doublement vérifiés : tentatives de solution indépendantes et agents antagonistes qui essaient de casser le résultat avant de le livrer.
Ad

Exemple concret : réécriture de Bun

Jarred Sumner a utilisé les workflows dynamiques pour porter Bun de Zig vers Rust — environ 750 000 lignes de Rust en 11 jours, avec 99,8 % des tests existants réussis. Étapes du workflow :

  1. Cartographier les durées de vie Rust pour chaque champ de structure.
  2. Écrire chaque fichier .rs via des centaines d'agents parallèles, chacun avec deux relecteurs.
  3. Boucle de correction pilotant la construction/le test jusqu'à ce que tout soit propre.
  4. Workflow nocturne pour éliminer les copies de données inutiles, ouvrant une PR pour chaque correctif.

Comment ça fonctionne

Claude planifie dynamiquement à partir de votre invite, divise la tâche en sous-tâches, répartit le travail entre des sous-agents parallèles, vérifie les résultats indépendamment et itère jusqu'à ce que les réponses convergent — produisant une réponse unique et coordonnée.

📖 Lire la source complète : HN AI Agents

Ad

👀 See Also

Chapper : Client iOS natif pour LM Studio, Ollama et les modèles locaux compatibles OpenAI
Tools

Chapper : Client iOS natif pour LM Studio, Ollama et les modèles locaux compatibles OpenAI

Chapper est une application iOS native SwiftUI qui se connecte à LM Studio, Ollama et aux modèles locaux compatibles OpenAI sans services cloud ni comptes. Il offre un streaming de tokens en temps réel, des contrôles d'échantillonnage complets, la prise en charge des modèles de raisonnement avec des balises <think>, et l'exportation dans 7 formats.

OpenClawRadar
Gestionnaire de bac à sable IA : Bac à sable basé sur LXC pour Codex avec passage GPU et utilisation informatique sur Linux sans tête
Tools

Gestionnaire de bac à sable IA : Bac à sable basé sur LXC pour Codex avec passage GPU et utilisation informatique sur Linux sans tête

ai-sandbox-manager est une sandbox open source basée sur LXC pour les agents Codex sur Linux sans tête. Elle fournit un passage GPU, un accès sudo complet, des environnements persistants et une utilisation de l'ordinateur via CUA, tout en isolant l'agent du système hôte.

OpenClawRadar
Clawdwatch : Outil OSINT open-source pour le suivi en temps réel des vols, le scraping d'actualités et les alertes
Tools

Clawdwatch : Outil OSINT open-source pour le suivi en temps réel des vols, le scraping d'actualités et les alertes

Clawdwatch est un outil CLI qui extrait des données de vol en direct du réseau OpenSky, récupère des actualités d'Al Jazeera et d'AP, et peut envoyer des alertes Telegram pour les avions militaires ou les codes d'urgence. Il s'exécute localement avec npm install et suit 204+ vols au-dessus du Moyen-Orient en temps réel.

OpenClawRadar
Le modèle Qwen3-0.6B affiné surpasse l'enseignant de 120B sur l'appel de fonction structuré.
Tools

Le modèle Qwen3-0.6B affiné surpasse l'enseignant de 120B sur l'appel de fonction structuré.

Distil Labs a publié un pipeline de bout en bout qui affine un modèle Qwen3-0.6B pour atteindre 79,5 % de correspondance exacte sur l'appel de fonctions pour la domotique IoT, surpassant un modèle enseignant de 120B de 29 points. Le pipeline utilise des traces de production pour générer des données d'entraînement synthétiques sans annotation manuelle.

OpenClawRadar