Claude Code的Task系统揭示了AI原生工程师的核心能力

上周，Claude Code悄悄地将Todo更名为Task。看起来只是一个术语调整，但这标志着一个全新系统的开端。

Todo是Claude独自维护的记忆清单 - 单个智能体的个人备忘录。Task则是多个智能体共享的工作单元。这个区别改变了AI编程工具的范式。

换句话说，AI Swarm所需的新抽象单元已经诞生。

核心是”委派”，不是”自动化”

过去的Claude Code是单一大脑。把复杂项目交给它，它会在中途忘记之前的步骤，最终在完成60%左右时被迫重新开始，如此反复。

新的Task系统在架构上截然不同：

• 你与团队负责人对话。 负责人不直接写代码。它负责规划、委派和综合。
• 你批准计划后，专业智能体被创建出来，并行工作。

这不是自动化 - 是委派。两者的区别至关重要。自动化是为已知流程编写脚本。委派是定义目标，信任结构化的团队自行找到执行路径。

依赖关系图才是真正的武器

Task系统的核心特性是任务间依赖关系（blockedBy）。任务3在任务1和2完成之前无法启动。

为什么这很重要？

以前，Claude需要在脑中保持整个计划。随着上下文变长，它自然会遗忘部分计划。会话越长，偏差积累越多。

现在，计划本身被外部化、结构化了。即使上下文被压缩或智能体被替换，计划依然存在。依赖关系图充当了超越单个智能体记忆的持久化协调层。

并行处理是免费附赠的

分配七到十个任务，系统不再顺序执行。没有依赖关系的任务会并发运行。快速搜索交给Haiku，实现交给Sonnet，复杂判断交给Opus - 模型分配根据任务特性自动完成。

这是结构化任务设计的直接结果。工作分解越干净、依赖定义越准确，系统就能提取越多的并行性。你不需要显式优化并行 - 好的任务架构自然会带来并行性。

工作变成了编排

Swarm文档揭示了清晰的模式：

• Parallel Specialists：多个专家同时审查 - 安全、性能、类型检查同步进行。
• Pipeline：研究 → 规划 → 实现 → 测试 - 每个阶段依赖于上一个阶段的顺序流。
• Self-Organizing Swarm：智能体从共享任务池中自行领取未阻塞、未分配的任务。

工作不再是写代码。工作是设计哪些智能体做什么、按什么顺序、它们之间有什么依赖关系。

Swarm效率的关键在于任务设计

优化Swarm性能有三个杠杆：

• 任务粒度：任务越细，并行率越高，但智能体间通信开销也越大。
• 角色分离：专业化提升质量，但可能在负载不均的智能体上产生瓶颈。
• 依赖设计：结构化什么必须先完成才能让下一步无阻塞地运行 - 这就是工作流的拓扑结构。

根据我的亲身实验，第三个杠杆的影响最为显著。任务粒度和角色分离相对直观。依赖设计需要思考工作本身的形态 - 我称之为依赖拓扑设计。

这是Swarm时代真正的核心能力。不是写更快的代码，也不是选更好的模型。而是构建工作流的结构，使最大数量的智能体能够无等待地运行。

从写代码到设计工作方式

方向很明确：

最初，我们写代码。然后，我们设计系统。现在，我们设计工作本身的运作方式。

你不是在使用AI工具。你是在指挥一支AI团队。最先理解这个区别的人，将主导未来一年的软件开发。

从Todo到Task的变更表面上很小。但在表面之下，它铺就了一个新世界的基础 - 在这个世界里，工程师的核心产出不再是代码，而是机器之间的协作架构。