Anthropic工程师刚刚发布了一个关于Agentic系统图工程Graph Engineering的2小时研讨会我们80%的工程师都在使用自改进循环Loops。现在每个人都在构建智能体图Agentic Graphs。https://x.com/0xCodez/status/2081429287945506950也发布了一份 12 页的 PDF主题是面向多智能体系统的图工程Graph Engineering。范式转变你的智能体记忆会随着上下文窗口的耗尽而消亡。知识图谱能让它永久留存。https://x.com/0xCodez/status/2080250266851463209Knowledge Graph Engineeringfor Multi-Agentic Systems: TheAnthropicPlaybook来自 Anthropic 的公开资料一、为什么上下文窗口不够用文章举了个很具体的例子一个竞品情报系统orchestrator 下面挂 5 个 worker定价、产品、财务、营销、战略综合。战略综合 Agent 需要把三条事实链起来——“降价 15% 的竞对和专利申请暗示新产品线的是同一家和季报里研发翻倍的也是同一家”。没有任何一个 worker 见过全部三条事实。https://x.com/beamnxw/status/2081044232479928709如果 worker 之间只靠 orchestrator 的上下文窗口通信窗口随 worker 数量线性膨胀迟早爆掉。但如果每个 worker 把发现写成实体和关系存进共享知识图谱综合 Agent 直接在图上遍历就能发现关联——中间上下文完全不需要。核心要点总结卡这其实就是最近圈内热议的 “Graph Engineering” 话题的底层逻辑工程重心一直在往模型外面漂——Prompt → Context → Harness → Loop → Graph一层包一层。工程栈层层嵌套Model 被 Prompt、Context、Harness、Loop、Graph 层层包裹RAG 为什么不行RAG 按语义相似度捞 chunk能答单跳问题但多跳问题的答案散落在彼此毫无词汇和语义相似度的段落里。知识图谱里连接两个不相关文档的那个实体是一个显式节点两边各有一条边——图遍历不关心表面形式像不像。论文的态度很明确两者互补RAG 管直接检索图谱管结构推理。二、四个阶段全是 Claude API 调用传统知识图谱要训 NER 模型、训关系分类器、手写实体消解规则——每个阶段都要标注数据换个领域就崩。这篇笔记的主张是Claude 把整条管线塌缩成一串结构化输出调用“训练数据”就是一个 Pydantic schema。Fig.1 知识图谱管线领域适配成本从”几周标注训练”降到”几小时调 prompt”。抽取用 Haiku量大、schema 约束、速度成本优先消解/摘要/查询用 Sonnet要权衡证据、跨文档综合、多跳推理质量优先。三、抽取schema 就是契约抽取阶段的精髓是 client.messages.parse() 加 output_formatExtractedGraph——API 要么返回通过校验的强类型对象要么直接报错。没有正则、没有 JSON 解析错误、没有防御性检查。管线处理 10 篇文档和处理 1 万篇文档的差别几乎全在阶段间接口的鲁棒性上。抽取 prompt 的四条规则各治一种病“只抽取对本文档重要的实体”—— 控召回、压噪声precision 导向“给每个实体写一句基于本文的描述”—— 这是给下游消解准备的消歧信号“Armstrong——第一个登月的人”和”Armstrong——爵士小号手”同名但绝不能合并“谓语用短动词短语”commanded、launched from——“was involved with” 这种模糊谓语没法推理“每条关系必须连接两个已抽取实体”—— 防止悬空边。四、实体消解字符串相似度做不到的事原始抽取里同一个实体有多种表面形式“NASA” vs “National Aeronautics and Space Administration”、“Neil Armstrong” vs “Neil Alden Armstrong”。最狠的是“Edwin Aldrin” vs “Buzz Aldrin”——零字符重叠但是同一个人。编辑距离、Jaccard 全部失效。解法按类型分组后让 Sonnet 聚类把抽取阶段写的一句描述作为消歧上下文。Fig.2 实体消解结果24 个表面形式压缩成 22 个规范实体。两个要盯的失败模式漏配某个名字没进任何 cluster就从图里悄悄消失了——生产环境要给未匹配名字兜底成单元素 cluster过合并“Gemini 12” 被并进 “Project Gemini”——丢节点是病丢精度也是病。论文反复强调消解的消歧能力全部来自抽取时写的那句描述。描述不是元数据是消解的一等输入。省了描述消解就退化回表面形式匹配——正好掉进这个方法本来想避开的坑。五、组装与摘要22 个节点34 条边1 个连通分量别名映射清洗后所有关系端点改写成规范名装进 NetworkX MultiDiGraph用 Multi 是因为两个实体间可以有多种谓语用 Di 是因为方向重要——“Armstrong commanded Apollo 11” 和反过来不是同一条边。每条边都带谓语和来源文档provenance。Apollo 图的体检指标22 节点、34 边、边/节点比 1.55健康区间、单连通分量——单连通本身就是消解成功的证据出现碎片孤岛说明该合并没合并。Hub 节点是 Apollo program 和 Apollo 11度数均为 9。摘要阶段只给高度数节点做度 ≥ 3把所有提及 图邻域喂给 Sonnet 合成 2–3 段画像 3–5 条可追溯关键事实 时间范围。Apollo program 节点的画像综合了全部 6 篇文档时间范围 1960–1973——没有任何单一文档包含全部这些信息。这就是”把标签的图变成知识的图”的一步。六、多跳查询每个结论都引用一条具体的边Fig.3 图接地查询查询机制很朴素取种子实体的 k 跳邻域序列化成 (source) --[predicate]– (target) 三元组丢给 Claude 推理。k2 是大多数多跳问题的甜点k≥3 子图膨胀可能撑爆上下文。接地 vs 非接地的对比很说明问题。不问图谱Claude 靠预训练知识能给出关于 Apollo 11 宇航员的漂亮答案——出生地、大学、军事基地头头是道。问图谱答案被约束在抽取出的边上“图中唯一支持的人-地关系是 Neil Armstrong → walked on → the Moon”。后者没那么炫但可溯源、限于语料实际说了什么、且明确标注图谱里没有什么。在 Claude 没有先验知识的私有语料上只有第二种答案能用。七、图谱在五种 Agent 模式里的卡位这是全文对多智能体系统最有价值的部分。Anthropic 文档化的五种模式每一种都有图谱的集成点模式图谱角色怎么帮Augmented LLM检索源多跳问题用图遍历替代向量检索LLM 把图当工具查Prompt chaining门控信号链式步骤之间查图检查新实体是否与已有节点冲突Routing分类器输入用图里的实体类型和度数路由到对应专家省一次 LLM 调用Orchestrator–workers共享内存worker 直接读写图orchestrator 的窗口保持干净Evaluator–optimizer事实接地层评估者对照带 provenance 的图边核查声明7.1 共享内存orchestrator 的窗口不再膨胀Fig.4 图谱作为共享内存多个 Loop 之间的协调问题交给图来解决多智能体图架构不过共享状态有自己的病Node 2 的一次潦草写入会变成 Node 5 的自信输入。论文给的解法和 X 文章如出一辙——typed schema、明确的写入权限、checkpoint共享状态污染7.2 接地层评估者从”读者”变”事实核查员”没有图谱的评估者只能判断”这看起来对吗”有图谱的评估者能查”这条三元组在不在图里”。论文的例子生成器声称 “Armstrong commanded Gemini 12”——听着很合理Armstrong 确实是宇航员Gemini 12 确实是真任务。评估者查图没有这条边反而找到 (Buzz Aldrin) --[flew on]– (Gemini 12) 和 (Neil Alden Armstrong) --[commanded]– (Apollo 11)。反馈精确到边“Armstrong 没有指挥 Gemini 12Aldrin 乘坐了 Gemini 12Armstrong 指挥的是 Apollo 11”。评估者否决权还有一个关键设计图中查不到的声明不静默接受也不静默拒绝而是升级给人。这是 fact-checking不是 estimation。7.3 持久世界模型Agent 会忘图不会过夜运行的自改进 loop 需要能扛住上下文刷新的记忆。新文档来了抽取 → 对着已有规范集消解而不是互相对→ 只加新边实体只在来源文档集实质变化时才重新摘要。loop 即单节点图论文的原话很到位“The agent forgets, the graph does not.”Agent 会忘图不会。八、评估Precision 1.00 的代价Table III对照 Gold Set 的抽取质量文档Raw F1PrecisionRecallResolved RApollo 110.711.000.550.55Neil Armstrong0.551.000.380.38Precision 满分Haiku 抽出来的东西全对非常保守。Recall 偏低漏了两类——“Purdue University” 这种顺带提及prompt 正确地过滤了以及跨文档 scope 错配Saturn V 在 Apollo 11 文档里提及不够”核心”没被抽但在它自己的文档里抽到了。九、规模化双模型经济学Table IV各阶段的模型选择阶段模型理由抽取Haiku大批量、schema 约束速度和成本主导消解Sonnet权衡冲突证据推理质量主导摘要Sonnet跨文档综合细腻度重要查询Sonnet序列化三元组上的多跳推理成本结构抽取随语料线性增长1 万篇 × 2000 token用 Haiku prompt caching Batch API 只要个位数美元消解按类型批量blocking 先用确定性信号分组 50–100 个候选Claude 只在块内仲裁摘要只给高度数节点做次线性查询按子图大小计费。大头成本在抽取用 Haiku、在查询用 Sonnet——这就是双模型策略的意义。存储上NetworkX 撑到几十万边没问题再大就换 Neo4j/Neptune或者干脆三张 Postgres 表entities / relations / aliases 递归 CTE。管线代码一行不用改只换持久层。十、什么时候别用知识图谱Table VI场景 vs 正确工具节选场景正确工具为什么单文档问答RAG 或直接上下文答案就在一个 chunk 里多文档、单跳RAG reranking跨文档但不需要链式推理多文档、多跳知识图谱跨文档链接事实需要实体级连接多智能体共享状态知识图谱worker 需要上下文窗口之外的共享世界模型评估者需要 ground truth知识图谱事实核查需要带 provenance 的结构化事实过夜 loop、持久记忆知识图谱记忆必须跨会话存活简单分类/路由单 Agent不需要跨文档推理何时用图决策表经验法则当你的 Agent 需要跨源链接事实、共享结构化状态、或把判断建立在可追溯证据上时图谱是对的基础设施如果只是检索段落或分类输入更简单的工具就够了。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
