Claude Managed Agents ganha workflows dinâmicos em beta público, com até 1.000 agentes por execução

O Claude Managed Agents agora consegue iniciar até 1.000 agentes ao longo de uma única execução (não todos ao mesmo tempo, beleza?) 😀

Fala aí, beleza? A conta oficial ClaudeDevs anunciou em 09/10/2026 os workflows dinâmicos do Managed Agents, em beta público. Antes, o recurso estava em research preview

Segundo a documentação oficial, um workflow é um novo tipo de orquestração multiagente: um programa que roda vários agentes em fases e combina os resultados no final

Só que tem um porém importante: um benchmark externo da Vals AI mostra que equipe de agentes nem sempre compensa e pode custar bem mais caro…

Bora ver o que mudou, como configurar e quando faz sentido usar?

O que é o Claude Managed Agents e onde entram os workflows dinâmicos?

O Claude Managed Agents é um conjunto de APIs para criar e colocar no ar agentes Claude hospedados na nuvem

Ele fica na Claude Platform e está em beta público desde 08/04/2026

Os workflows dinâmicos são um novo tipo de orquestração multiagente dentro dele, que saiu do research preview e foi para beta público em 09/10/2026

Pensando assim, é mais uma capacidade nova dentro de um produto que já existia do que um produto totalmente novo

Não confunda com os dynamic workflows do Claude Code

Se liga nisso, porque o nome é praticamente igual

O Claude Code tem um recurso chamado dynamic workflows, já disponível de forma geral no CLI, no Desktop e na extensão do VS Code, nos planos Pro, Max, Team e Enterprise

É um produto separado

Nada dele (planos, disponibilidade, forma de usar) vale para os workflows do Managed Agents, que são o assunto desta notícia

Como funcionam os workflows dinâmicos do Managed Agents?

O fluxo tem quatro etapas:

1. Um agente líder escreve um plano
2. Esse plano roda em fases
3. Cada fase espalha o trabalho entre vários agentes
4. No final, os resultados são combinados

A documentação oficial de orquestração multiagente define um workflow dessa forma

E onde isso roda? No servidor, em segundo plano, como um "workflow run"

Ou seja, quem executa a orquestração é a infraestrutura do Managed Agents, não a sua máquina

Pensa num tech lead que quebra a sprint em tarefas, distribui para o time e depois junta tudo numa entrega só: o agente líder faz esse papel

O resultado divulgado pela Anthropic

Esse teste é da Anthropic, beleza? Não é do blog

Ela escondeu 70 bugs numa base de código de 116 mil linhas e comparou as duas abordagens, rodando cada uma três vezes:

• Agente único: achou entre 14 e 27 bugs por execução (14, 15 e 27 nas três rodadas)
• Workflow dinâmico: achou 66 bugs (de 70) em CADA uma das três execuções, não somados

Ou seja, o workflow repetiu um resultado bem mais alto nas três rodadas, enquanto o agente único variou bastante entre uma rodada e outra

Caça a bugs numa base grande é o tipo de tarefa que dá para repartir em pedaços, e é justamente aí que o paralelismo tem mais chance de brilhar

Como configurar o multiagent_20261001 (workflows já vêm ativados)?

A configuração é feita no agente do Managed Agents

O campo multiagent precisa ter o tipo multiagent_20261001. Com esse tipo, subagentes e workflows já vêm ATIVADOS POR PADRÃO, e cada um pode ser desligado à parte se você não quiser usar

A configuração mínima é essa aqui:

"multiagent": {
  "type": "multiagent_20261001"
}

Declarar "workflows": {"type": "enabled"} de forma explícita é válido, mas não é obrigatório, já que esse já é o comportamento padrão

Tem também o header beta managed-agents-2026-04-01, que é obrigatório em todos os endpoints do Managed Agents

Se você usa os SDKs, relaxa: eles incluem esse header automaticamente

Agora, se for chamar a API na mão, tome cuidado! Esse header é obrigatório em toda requisição, então não esqueça de incluir ele

Limites: workflow dinâmico x sessão multiagente comum

O tal "até 1.000 agentes" tem uma pegadinha: é o total iniciado ao longo da execução, não 1.000 trabalhando ao mesmo tempo

Na prática, o workflow vai processando o trabalho em levas de até 64 threads, e o plano precisa caber no teto de 1.000 agentes, senão a execução morre no meio

Os detalhes de execução ficam na página de workflow runs da documentação

Equipes de agentes compensam? O contraponto da Vals AI

Aqui entra o balde de água fria haha

Os números abaixo vêm do estudo original da Vals AI, publicado em 9 de outubro de 2026. É uma comparação no Vibe Code Bench, com 50 apps por configuração; os resultados não são uma promessa para qualquer tarefa.

A Vals AI rodou o GPT-6 Sol e o Claude Opus 5.5 no Vibe Code Bench, sozinhos e em equipe, com esforço de raciocínio médio e máximo

O resultado:

• As equipes custaram de 1,8x a 5,1x mais
• Só a equipe do Sol em esforço médio teve ganho significativo sobre o agente único: 7,3 pontos

O comportamento dos dois também chamou atenção

O Sol delegou em paralelo seguindo a arquitetura do app

No estudo da Vals, o Opus trabalhou em ondas sequenciais. Em esforço máximo, a equipe criou em média 6,8 subagentes por app ao longo da execução, respeitando o teto de cinco simultâneos, e fez cerca de 1.140 chamadas de ferramentas dos subagentes por app. O aumento de pontuação dessa configuração não foi estatisticamente significativo.

A conclusão da Vals é bem pé no chão: se a equipe compensa depende do modelo, da tarefa e do orçamento, e subir o esforço de raciocínio é uma alternativa que vale considerar

Ressalva importante: o teste avaliou equipes de agentes de modo geral no Vibe Code Bench, não o recurso multiagent_20261001 do Managed Agents

Então serve como contraponto, não como veredito sobre os workflows dinâmicos

O que muda para quem orquestra agentes de código

Quem mais ganha com isso são devs na API do Claude com tarefas grandes e que se dividem bem

E a boa notícia: o acesso ao Managed Agents já vem ativado por padrão em todas as contas da API

Quando o paralelismo tende a ajudar?

Quando a tarefa se quebra em pedaços independentes, como a caça a bugs da Anthropic

Cada agente pega um pedaço, e o líder junta tudo no final

Quando pode só multiplicar o custo?

Quando a tarefa não se divide direito, o resultado da Vals mostra o risco: mais agentes, MUITO mais gasto e nenhum ganho significativo

Por isso, o caminho mais seguro é começar com uma tarefa de escopo pequeno e ir aumentando a complexidade aos poucos, comparando sempre com o resultado de um agente único

Limitações

• Tudo está em beta: o Managed Agents e os workflows dinâmicos
• O teto de 64 threads simultâneas não é garantido e pode mudar
• Passou de 1.000 agentes iniciados, a execução termina com thread_limit_error
• No benchmark externo da Vals AI, equipes de agentes custaram de 1,8x a 5,1x mais que um agente único, muitas vezes sem ganho proporcional

Vale testar agora?

O recurso está em beta público e o acesso ao Managed Agents já vem ativado por padrão nas contas da API

E tem mais uma boa notícia: com o tipo multiagent_20261001 configurado no seu agente, os workflows já vêm ativados por padrão, sem precisar de nenhum passo extra de habilitação

O caminho mais seguro é escolher uma tarefa pequena e divisível, acompanhar o consumo de tokens de perto e comparar o resultado com um agente único antes de escalar

Se o workflow entregar algo que o agente sozinho não entrega, aí sim vale aumentar o escopo 😉

E se não entregar, você descobriu isso gastando pouco, o que já é uma vitória haha

até o próximo post!