Claude Code Projects全面开放：AI智能体协作迎来新一波更新

本周五的AI圈迎来一轮密集更新，核心主题围绕一个方向——让AI智能体从「单打独斗」走向「团队协作」。Anthropic的Claude Code Projects全面开放，托管智能体支持任务拆分，OpenAI的Codex开始预测你的下一条消息，Devin也打通了已有的ChatGPT订阅额度。以下逐一拆解这些值得关注的变化。

Claude Code Projects：一个对话，多线程并行

Anthropic将Claude Code Projects从等待列表中释放，向所有Pro和Max用户开放。这项功能的核心逻辑颇具代表性：一个Project就是一场由「协调者（coordinator）」主导的对话。你只需给出一个目标，系统便会为每一块子任务开启独立的线程。

举例来说，当你询问「某个营销站点为什么加载缓慢」时，它会把工作拆分成八个线程，每个线程各自提交一个pull request，最终全部汇报回同一场对话中。这种设计让复杂任务的拆解与追踪变得透明——你既能看到整体进度，也能深入每个子任务的细节。

从实用角度看，如果你已经在为Pro或Max付费，这是本周末最值得优先尝试的更新。它把「让AI帮我完成一个大项目」从概念变成了可操作的工作流。

托管智能体：动态工作流进入公测

Anthropic的托管智能体（Managed Agents）同步推出了动态工作流（Dynamic Workflows）公测版。它要解决的问题是：当一项任务的子环节多到单个智能体难以承载时，由主导智能体先写出一份计划，再由服务器分阶段调度多个智能体执行。

一个典型场景是批量合同审阅——系统可以一次性读取300份合同并给出统一结论，比如识别出其中41份包含「控制权变更条款」。你只需在智能体定义中开启该功能，并通过预算上限控制整次运行的成本。

需要留意的是，这项能力是为大规模批处理任务设计的。如果只是单一任务、单个智能体就能搞定，传统方式反而更简单直接。换句话说，动态工作流的价值在于规模化，而非替代所有场景。

动态工作流背后的技术模式通常被称为「多智能体编排（Multi-Agent Orchestration）」。其核心思路是引入一个「主控智能体（Orchestrator）」负责任务规划与分解，再将子任务分发给多个「执行智能体（Worker Agents）」并行处理，最后汇总结果。这种架构的优势在于突破了单个大语言模型上下文窗口的长度限制——300份合同如果塞入单次对话往往会超出模型可处理的范围，而通过并行分片处理后合并结论，就能绕过这一瓶颈。预算上限（Budget Cap）机制则是对这类任务的成本管控手段：由于每个子智能体的每次调用都会产生API费用，主控层在分发任务前会预估总token消耗，并在超出阈值时中止执行，防止因任务设计不当导致费用失控。

OpenAI Codex：开始预测你的下一句话

OpenAI的Codex新增了名为「Composer Predictions」的功能，它会根据你的对话内容以及你的表达习惯，主动建议你接下来可能想输入的消息。目前该功能面向Pro用户开放测试。

客观地说，这是一个小幅的效率提升，暂时也仅限Pro用户使用。它更像是对交互体验的打磨，而非颠覆性能力的升级——但在高频使用场景下，节省下来的输入时间会逐渐累积成真实的价值。

Dots与Devin：移动化与额度打通

OpenAI上周推出的常驻智能体「Dots」现在可以直接从手机创建，iOS和Android的ChatGPT应用均已支持。这意味着启动一个常驻任务不再需要坐在电脑前，移动端随时可发起。

另一个对付费用户特别友好的变化来自Cognition——Devin现在可以接入任意个人ChatGPT订阅方案，无论是Go、Plus还是Pro。Devin调用GPT模型时，将直接从你ChatGPT方案的额度中扣减。

如果你同时为ChatGPT和Devin付费，现在就应该打开这个开关——这样可以避免为同一个模型重复付费。这类「订阅互通」的趋势，也反映出AI工具生态正在逐步整合，减少用户的重复成本。

其他值得关注的发布

除上述主线更新外，本周五还有两项面向开发者和创作者的发布：

• Qwen Image 2.1 Turbo开放权重：通义千问^广告团队发布了该模型的开放权重版本，可在8步内完成图像的生成与编辑，大幅压缩了推理步数，对追求效率的图像工作流颇具吸引力。
• Google AI Pro引入A100 GPU：Google的AI Pro方案现在在Colab中提供配备80GB显存的A100 GPU。这个显存规模足以在不进行压缩的情况下，运行310亿参数的Gemma模型。

Qwen Image 2.1 Turbo所采用的「8步生成」技术来自扩散模型领域的加速采样方法，核心思路是通过蒸馏（Distillation）或一致性模型（Consistency Model）等技术，将原本需要数十甚至上百步的去噪推理过程压缩到极少步数，同时尽量保持生成质量。传统扩散模型（如早期版本的Stable Diffusion）通常需要20-50步推理，每步都需要完整的前向传播，导致生成耗时较长。步数压缩后，单张图像的生成延迟可降低数倍，对需要高频出图的生产工作流意义显著。开放权重（Open Weights）则意味着研究者和开发者可以下载模型参数自行部署，而无需通过API调用，这在数据隐私要求较高或需要离线使用的场景中尤为重要。

A100 GPU的80GB显存规格对模型运行能力有直接影响。大语言模型在推理时需要将全部参数加载到显存中，以BF16精度为例，310亿参数约占62GB显存，恰好能被80GB的A100容纳而无需量化压缩。量化（Quantization）虽然能将显存占用减半，但通常会带来一定的精度损失；使用足够大的显存直接运行原始精度模型，是对模型能力损耗最小的部署方式，这也是80GB这一规格对研究者吸引力所在。

小结：智能体协作成为主旋律

纵观本周的更新，一条清晰的脉络浮现出来：主流AI厂商都在推动智能体从单任务助手，走向可拆分、可编排、可规模化的协作系统。Claude Code Projects和托管智能体代表了「多智能体并行」的方向，而Devin与ChatGPT的额度打通则体现了「生态整合、降低重复成本」的趋势。

如果本周末只打算尝试一样东西，Claude Code Projects是最值得优先体验的；而如果你同时为ChatGPT和Devin付费，打通额度的开关则应立即打开。