当然实际应用不同 subagent 需要配置不同模型的话， 也可以为他们配置各自的 Provider 和 Model，本篇不做展开，读者也可以自己尝试。每个 declared subagent 都是独立的 agent root，只发现自己目录下的 instructions、skills、tools、connections、sandbox 等内容。前两篇里的 Agent 本质上还是聊天助手。，它很快

先说一下 Claude Code 的 Dynamic Workflows 是什么——不是"付费功能"，是 Claude Code 内置的一套工作流执行系统。你写一个.js脚本，里面用agent()parallel()pipeline()这些函数定义步骤，Claude Code 就会按你的流程自动调度——串行、并行、投票、验收，全自动跑。四个 agent 并行扫代码，一个 consensus 节点汇

先说一下 Claude Code 的 Dynamic Workflows 是什么——不是"付费功能"，是 Claude Code 内置的一套工作流执行系统。你写一个.js脚本，里面用agent()parallel()pipeline()这些函数定义步骤，Claude Code 就会按你的流程自动调度——串行、并行、投票、验收，全自动跑。四个 agent 并行扫代码，一个 consensus 节点汇

由于Claude Code是原生为Unix系统（Linux/macOS）设计的，因此其更适合在Linux/macOS上运行，，它深度依赖这两类系统内置的命令行工具和各种机制。由于 Windows 的文件路径格式（反斜杠）、权限管理和底层逻辑与Unix差异巨大，Claude在Windows上执行代码重构或系统命令时容易出各种问题（但肯定不是不能用），运行效率和稳定性不如在原生Unix环境下好。但是以

由于Claude Code是原生为Unix系统（Linux/macOS）设计的，因此其更适合在Linux/macOS上运行，，它深度依赖这两类系统内置的命令行工具和各种机制。由于 Windows 的文件路径格式（反斜杠）、权限管理和底层逻辑与Unix差异巨大，Claude在Windows上执行代码重构或系统命令时容易出各种问题（但肯定不是不能用），运行效率和稳定性不如在原生Unix环境下好。但是以

很多团队是在产品上线之后，才真正意识到延迟有多贵。一个看起来简单的 AI Agent 请求，后台往往不是一次模型调用，而是一整条执行链：模型理解任务、调用工具、读取数据、再推理、再调用 API，最后才生成结果。用户只看到一个回答，但系统可能已经在不同服务之间往返了十几次。如果每一步都增加一点等待时间，最后叠加出来的就是几秒钟的响应差距。在 AI 应用开始竞争体验的阶段，这几秒钟往往决定用户是否继续

很多团队是在产品上线之后，才真正意识到延迟有多贵。一个看起来简单的 AI Agent 请求，后台往往不是一次模型调用，而是一整条执行链：模型理解任务、调用工具、读取数据、再推理、再调用 API，最后才生成结果。用户只看到一个回答，但系统可能已经在不同服务之间往返了十几次。如果每一步都增加一点等待时间，最后叠加出来的就是几秒钟的响应差距。在 AI 应用开始竞争体验的阶段，这几秒钟往往决定用户是否继续

很多团队是在产品上线之后，才真正意识到延迟有多贵。一个看起来简单的 AI Agent 请求，后台往往不是一次模型调用，而是一整条执行链：模型理解任务、调用工具、读取数据、再推理、再调用 API，最后才生成结果。用户只看到一个回答，但系统可能已经在不同服务之间往返了十几次。如果每一步都增加一点等待时间，最后叠加出来的就是几秒钟的响应差距。在 AI 应用开始竞争体验的阶段，这几秒钟往往决定用户是否继续

很多团队是在产品上线之后，才真正意识到延迟有多贵。一个看起来简单的 AI Agent 请求，后台往往不是一次模型调用，而是一整条执行链：模型理解任务、调用工具、读取数据、再推理、再调用 API，最后才生成结果。用户只看到一个回答，但系统可能已经在不同服务之间往返了十几次。如果每一步都增加一点等待时间，最后叠加出来的就是几秒钟的响应差距。在 AI 应用开始竞争体验的阶段，这几秒钟往往决定用户是否继续