一文看懂爆火的 Graph Engineering,以及它和 Loop Engineering、Agent 循环到底啥关系

简介: 阿星详解AI工程三层次:Agent循环是AI“想-做-看”的基本心跳;Loop工程为其装上“自动巡航”,实现任务自主迭代;Graph工程则构建多节点协同的执行图,如公司般分工、质检、恢复。三者层层递进,非替代而是融合。(239字)

 ㅤ

哈喽,大家好!

我是阿星👋🏻

如果你最近刷 AI 圈,一定会被一堆新词砸晕:ReAct、Agent Loop、Loop Engineering、Graph Engineering……它们听起来很像,其实说的是 三个不同尺度 的事,而且不是"谁取代谁",是 一层套一层 。

 ㅤ

先给结论:这三个词到底在说啥


  •  ㅤAgent 循环(Agent Loop) :一个 AI 自己"想一步、做一步、看结果"的基本动作,是最小的工作单元;
  •  ㅤLoop Engineering(循环工程) :给这个动作装上一个"自动巡航"系统,让 AI 自己驱动自己、反复迭代直到完成任务,人不用一步步指挥;
  •  ㅤGraph Engineering(图工程) :更进一步,把很多个"会自己干活的 AI"、普通代码、质检员、审批人,组织成一张 看得见、管得住、坏了能修 的执行图——相当于从"一个人拼命干"升级成"一家公司协同作战"。

一句话记住: Agent 循环是"动作",Loop 工程是"让动作自动循环的系统",Graph 工程是"把多个循环和节点组织成一张图的系统" 。图里的每个节点,内部往往就藏着一个 Loop;Loop 里跑的,又是最基本的 Agent 循环。



 ㅤ ㅤ

第一层:Agent 循环,AI 的"想-做-看"三步走

要理解后面两个概念,先得知道最底层的 Agent 循环。ㅤ

大模型最初只会"回答",不会"干活"。2022 年,研究者提出了一种叫 ReAct 的框架(Reason + Act 的缩写),让模型进入一个循环:

  1. 1.思考(Thought) :分析当前情况,决定下一步怎么办;
  2. 2.行动(Action) :调用工具去做,比如查资料、跑代码、搜网页;
  3. 3.观察(Observation) :看到工具返回的结果,再回到第 1 步继续思考。


如此循环往复,直到任务完成。这个"思考-行动-观察"的循环,就是 Agent Loop(智能体循环) ,它是几乎所有 AI 智能体的"心跳"。 ㅤ

用大白话说: 它就像一个实习生,老板给个目标,他自己琢磨、自己动手、自己看反馈,错了再改,直到交差。 这个实习生可以自己决定先干什么后干什么,很灵活,但也正因如此,出了问题不好追溯,干到一半崩溃了也不知道从哪续上。

 ㅤ

第二层:Loop Engineering,给 AI 装上"自动巡航"

 ㅤ

Loop Engineering(循环工程)是 2026 年上半年突然火起来的词。它的核心思想,用 Google 前工程师 Addy Osmani 的话说就是: "不再由你亲自去提示 AI,而是设计一个系统,让系统来代替你提示 AI" 。

OpenClaw 创始人 Peter Steinberger 说得更直接:"你不应该再直接向编码智能体发指令,而应该设计循环来驱动它。"Anthropic 的 Claude Code 负责人 Boris Cherny 也说过类似的话:"我不再直接提示 Claude,而是让循环运行起来,我的工作就是编写这个循环。"

Loop Engineering 解决的是这样一个问题:

以前用 AI 写代码,是人来"发指令 → 看结果 → 再发指令",人是那个循环里的驱动者;现在把这个循环本身设计出来—— 定时自动发现任务、拆分子任务、让不同 AI 分别干活和审核、自动检查结果、把进度记下来、决定下一步 ——人从"操作员"变成"定目标和验收标准的人"。


LangChain 官方把这种"循环的堆叠"总结为四个层级:基础智能体循环(模型循环调用工具直到完成)→ 验证循环(输出不达标就带反馈重试)→ 事件驱动循环(由定时任务或消息触发自动运行)→ 爬山循环(分析运行记录,自动改进 AI 的提示词和工具配置)。ㅤ

类比一下: Loop Engineering 是从"手动挡"升级到"定速巡航" ——你不再一脚油门一脚刹车地开,而是设好目的地和规则,让车自己跑、自己修正方向。 ㅤ

它也有明显的局限:一个循环里所有事情挤在一起,上下文容易"腐烂",AI 记不住太久之前的目标,出错时常常要整段重来。


第三层:Graph Engineering,从单兵作战到"开公司"

 ㅤ

Graph Engineering(图工程)是 2026 年 7 月才被正式推到台前的新词(据腾讯技术工程梳理,由 Peter Steinberger 在 7 月中旬的一条推文催生),但它讲的事其实并不新—— 就是把 AI 系统画成一张"执行图"来设计和运行 :

图工程里有四个基本要素:

  •  ㅤ节点(V) :干活的单元,一个节点只做一件事。它可以是普通代码、一次模型调用、一个带工具的智能体、一个专门挑错的"验证器",甚至是一个人(人工审批);
  •  ㅤ边(E) :节点之间的路由,决定"下一步去哪"。支持顺序、条件分支、并行分发、结果汇合、循环重试等;
  •  ㅤ状态(S) :沿着边流动的共享数据,记录任务进度、证据、预算、中间产物、检查点;
  •  ㅤ策略(P) :权限规则,规定谁能创建节点、谁能调用工具、谁能改图、谁能产生副作用。

很多文章拿"流程图"来比喻图工程,但腾讯技术工程特别强调: 图工程不是给人看的示意图,而是给机器跑的真实系统 ,里面装的是依赖关系、状态、权限、预算、失败恢复、人工审批这些能被系统真正执行的东西,形式上可以写成 G = (V, E, S, P) 。



它为什么重要?因为单 Agent 循环有六大硬伤,图工程恰好逐个拆解:

问题 单 Agent 循环的毛病 图工程的解法
上下文腐烂 所有信息塞回同一个窗口,原始目标被淹没 拆成独立节点,隔离上下文
错误级联 错了只能靠模型自己在同一条思路上发现 拆出独立的验证节点专门挑错
工具过载 一个 AI 挂太多工具,选择准确率暴跌 按职责分工,每个节点管好自己的工具
缺乏控制粒度 要么全跑要么不跑,没法中途审批、换模型 通过节点和边灵活控制,随时插队
可观测性差 只知道它想了什么、调了什么,不知道为啥 图结构清晰,每条路径都可追溯
目标失明 只会优化给定指标,可能跑偏方向 引入独立验证器,把"判断"和"验证"分开

特别是 验证器(Verifier) 这个概念:以前"出结论"和"检查结论"都是同一个 AI 自己干,相当于既当运动员又当裁判; ㅤ

图工程把它拆成两个节点——一个智能体专门产出结论,另一个用全新的上下文专门试图推翻它,扛得住才放行,扛不住就打回重做。


 ㅤ

三者到底是什么关系?一张图看懂

 ㅤ

这里最容易搞混,我们用一个"开公司"的类比收拢一下:

  •  ㅤAgent 循环 = 一个员工自己干活的动作(想-做-看);
  •  ㅤLoop Engineering = 给这个员工配了一套"自动工作流",他自己找活、自己干、自己检查、自己汇报,你只负责定目标;
  •  ㅤGraph Engineering = 你开了一家公司:有专门找资料的、专门写方案的、专门挑错的(验证器)、专门批钱的(人工审批),他们之间的分工、交接、并行、卡点全部画成一张组织结构图,每个人内部依然可以有自己的工作循环。

用技术的话说: Graph Engineering 把 Loop Engineering 纳入了更大的控制尺度——Loop 负责节点内部的探索与纠错,Graph 负责节点之间的依赖、并行、汇合与恢复 ;而 LangChain 官方也直言"循环就是图的一种简单形式(有向循环图)",两者本是一脉相承。



 ㅤ

还要澄清一个常见误解: 图工程 ≠ 知识图谱 。知识图谱(GraphRAG 里那种)描述的是"实体之间的关系"(比如"茅台"和"白酒"的关系);图工程里的图是 控制图 ,描述的是"系统下一步运行谁"。另外, 图工程 ≠ LangGraph ——LangGraph 只是实现图工程的一个流行框架,用普通 Python、Airflow 等其他工具同样可以。

 ㅤ

图工程真的有用吗?看看大厂的例子

  •  ㅤLinkedIn 的 SQL Bot :路由智能体判断数据领域,再交给领域专家、写 SQL 的、自纠错的智能体分工协作,查询准确满意度达到 95%;
  •  ㅤUber 的代码迁移 :用子图给不同语言、不同仓库分配专门子智能体,主管图统一协调,配合检查点机制扛住 CI 中断,节省了 21000 多个工程小时;
  •  ㅤAnthropic 的多智能体研究系统 :采用"主管-工人"模式,主智能体规划、子智能体并行搜索,比单智能体方案强 90.2%。

这些案例的共同点: 任务可拆、可并行、需要质检、需要恢复 ——这正是图的用武之地。

但是:不是所有任务都该画图


图工程不是万能的,更不是"边越多越专业" 。

LangChain 官方就指出,一些天生开放的任务(比如通用深度研究),路径很难提前定死,强行画图反而会压缩智能体的探索空间——连早期的深度研究项目后来都转向了更自主的循环。先找最简单的方案,很多场景用单次调用加检索就够, 只有当任务"做到一半当掉又得整批重来"、需要多角色并行、需要审批和恢复时,才值得把流程画成图 。


判断标准很简单:

任务短、路径固定、单目标、明确停止条件 → 别画图;

任务长、要并行、要质检、要审批、要恢复 → 图工程的价值才体现出来。

 ㅤ

写在最后

 ㅤ

从 Prompt Engineering 到 Context Engineering,从 Harness Engineering 到 Loop Engineering,再到现在的 Graph Engineering—— 这些名词不是在制造焦虑,而是在描述同一个趋势:AI 工程的重心,正在从"怎么把一句话问好"转移到"怎么把一套系统设计好" 。

对普通人来说,看懂这三层关系就够了:

Agent 循环是 AI 的"心跳",Loop 工程是给它装上的"自动驾驶",Graph 工程则是把无数个自动驾驶的 AI 组织成一家高效运转的"公司"。



下次再看到有人说"我们用了 Graph Engineering",

你可以微笑着问一句:那你们的验证器节点放在哪?🤭

ok,我是阿星

更多AI应用

我们下期再见!



相关文章
|
22天前
|
人工智能 安全 Android开发
41万star!我用REA复刻付费效率软件丨阿星开发日记
阿星用Codex+逆向工具REA,成功复刻某答清单:本地网页版支持任务管理、日历、四象限、搜索等功能。REA自动分析原软件界面与资源,Codex据此重建逻辑,全程无需截图或手写需求。
|
人工智能 Serverless 数据库
在函数计算上部署专属的Agent平台
Agent 是公认的可以将AI能力跟具体业务结合的技术方案,而Agent Platform 是将Agent开发流程进行整合抽象后的平台工程,能够极大的提升Agent的构建和发布效率,帮助企业获取先机。本篇文章介绍如何在函数计算上部署一套Serverless架构的Agent平台- [AgentCraft](https://agentcraft-docs.serverless-developer.com/)
84049 7
在函数计算上部署专属的Agent平台
|
SQL 监控 数据可视化
RMS 分布式链路追踪产品揭秘
背景为了快速适应业务变化,聚焦业务迭代,各大厂商都进行了分布式架构的升级改造。特别是近几年,随着微服务与云原生的流行,分布式系统的规模愈发庞大,内部服务之间的调用也越来越复杂。然而,引入分布式架构的同时,也带来相应的稳定性问题。各项服务的开发人员、开发语言和部署节点等情况很可能各不相同,当分布式系统整体出现异常或者性能瓶颈的时候,依靠传统的指标监控和日志排查已经很难快速定位到出问题的地方。因此当下
2628 0
RMS 分布式链路追踪产品揭秘
|
4月前
|
人工智能 API 数据库
Kimi深夜突袭K3,2.8万亿参数超大水桶!直接跨入世界第一梯队!
老金我昨儿在网上瞎逛的时候,突然看到了Kimi K3的消息。 合计先打开官网看看开发者文档有没有啥信儿,结果刚打开官网,好家伙。。就看到已经上线了! ![Image](https://ucc.alicdn.com/pic/developer-ecology/p3shvhj26rigq_0488c34b2827443e9b77df8ee1e3a066.png) Kimi官网Chat窗口里已
|
3月前
|
人工智能 架构师 测试技术
测试新人用Workbuddy写的用例,居然比3年老员工考虑的边界还全
Workbuddy赋能测试新人:无需比前辈更懂业务,只需更会“问”。上传PRD+一句指令,10分钟生成126条全覆盖用例(含边界、并发、多条件组合等老员工“没时间想”的场景),审核仅需1小时。工具差距,而非能力差距。
|
1月前
|
人工智能 JSON 自然语言处理
2026 年 Jev 决策模型深度拆解:原理解读、实战测评与保姆级落地教程
有一款特殊AI模型在开发者圈子刷屏,它摒弃传统大模型擅长的对话聊天能力,专注做高速结构化决策,它就是TypeSafe AI推出的Jev模型。该模型由ChatGPT共同发明人Diogo Almeida主导研发,定位为**System One Model(系统一模型)**,对标人类大脑快速直觉判断的思维模式,在响应延迟、调用成本、结构化输出稳定性上相比传统生成式大模型有着巨大差异。本文会完整拆解Jev底层原理、三大核心原语能力、适用业务场景,同时提供可直接运行的curl、Python代码示例,并且结合多组实测数据,客观分析模型优势与能力边界,帮助普通开发者和AI应用从业者快速上手落地。
2439 1
|
21天前
|
人工智能 API 网络安全
低成本玩转 AI!DeepSeek Harness 这款插件,免注册解锁 13 款大厂大模型
这个插件确实好用、也真能白嫖,但有几点你得心里有数。第一,数据是发往各家上游的。插件本身是干净的,数据本地化,但你的对话内容会发到 OpenCode、Kilo 等第三方网关,Kilo 池的上游已明确声明 prompt 可能被记录用于改进服务,所以别拿它处理敏感内容,公司机密、身份证号、密钥这类东西老老实实走付费 API。第二,"免费"是有代价的。它免费是因为把各家新用户或编码助手的免费额度聚合起来了,用量、稳定性都受上游政策影响,不建议用在任何生产或正式业务上。第三,局域网转发别乱开,见上面第 5 点。第四,数据看板数据只留本机、不上传,这点做得挺良心,可以放心用。
508 0
|
4月前
|
Web App开发 数据采集 人工智能