2026年7月18日OpenClaw小龙虾创始人Peter Steinberger在X上发了一条帖子“Are we still talking loops or did we shift to graphs yet”这条推文三天内获得了270万浏览。而就在六周前他刚用“设计能提示Agent的循环”收获了800 多万浏览。从Prompt Engineering到Loop Engineering再到Graph Engineering图工程AI编程的能力重心正在持续上移。这究竟是新瓶装旧酒的造词游戏还是工程关注点的实质性转变从prompt 到Loop再到Graph EngineeringPrompt Engineering 解决的是一次模型调用中如何表达任务。Context Engineering 关注模型在当前时刻应该看到哪些信息。Harness Engineering 为模型提供工具、记忆、文件系统和执行环境。Loop Engineering 则负责让一个 Agent 持续行动并根据环境反馈不断修正自己。Loop Engineering本质是一套自我优化的闭环工作流设定目标、执行、检查结果、调整策略、重复循环。Claude Code创造者Boris Cherny的一句话概括了精髓“我现在已经不再提示Claude了我运行的是一些循环由这些循环去提示Claude。”而Graph Engineering 则是再向外走了一层。它不再只关注一个执行者内部如何循环而是开始设计多个执行节点之间的组织关系。两者的关系可以用一句话概括Loop Engineering解决的是“如何让单个Agent持续工作”的问题而Graph Engineering解决的是“如何把多个Agent以及工具、人类组织成一个可观测、可恢复、可扩展的系统”的问题。Graph Engineering节点、边与状态Graph Engineering可以理解为把复杂的 Agent 系统设计成一张显式、可执行的图。这张图由节点、边和状态构成。节点负责执行工作边决定下一步流向哪里状态则在节点之间传递。节点Nodes节点是能力单元。一个节点可以是一个运行“思考-行动-观察”循环的模型也可以是一个普通的确定性函数、一个检索步骤、或者一个人工审批环节甚至只是一个判断任务是否应该结束的条件。边Edges边决定了节点之间的先后依赖、条件分支、并行关系、失败回退和循环路径。某种意义上边定义了系统允许发生什么以及不允许发生什么。状态State状态则是这张图中流动的信息。它可能包括原始任务、节点输出、审批结果、失败次数、已消耗预算和执行进度。一个可靠的图系统不能简单地把所有聊天记录不断追加到上下文里而要明确哪些状态属于全局哪些只属于某个节点哪些结果可以向下游传递多个并行结果又该如何合并。我们用一个例子来辅助理解。想象你在搬家需要拆书架、装箱、搬上车、叫货车、办物业放行条。你肯定不会让全家人排成一列一个人拆书架 → 拆完了传给下一个人装箱 → 装完了传给再下一个人搬上车。你会让三个人各干各的同时派一个人去楼下叫车再派一个人去物业办手续。几个人同时干活、各自有明确任务、干完了往同一个地方汇总。这就是一张图。对应到 Agent 系统里节点就是每个干活的人。每个节点只有一个职能输入和输出都有明确的边界。边就是谁把东西交给谁。书架拆出来的板子要交给装箱的人这个“交给”就是边。状态是所有人共享的一块白板。谁拆到哪儿了、箱子编号多少、放行条办好了没都写在这块白板上。没有它每个人都是瞎子只能靠喊。主流框架谁在押注图结构Graph Engineering并非停留在概念讨论阶段。如今市面上的主流框架或多或少都在用图作为Agent架构的通用语言。LangGraph目前最成熟的图编排框架。LangGraph将Agent工作流建模为状态图StateGraph——节点是执行单元调用LLM、调用工具或运行函数边是状态之间的转换路径条件边支持动态路由。开发者以“可视化思维”的方式设计Agent执行过程天然支持并行、流式输出和断点恢复。Microsoft Agent Framework微软将AutoGen和Semantic Kernel合并为统一的Agent Framework核心架构围绕结构化工作流构建。这套框架强调多智能体的显式协调模式本质上也是在用图结构定义智能体之间的协作关系。微软的入场标志着大厂对“图结构Agent”方向的集体认可。Google ADKAgent Development Kit谷歌的Agent开发套件同样采用图结构作为底层编排模型。Agent被定义为图中可组合的节点支持复杂的分支逻辑和状态管理与Vertex AI等谷歌云服务深度集成。什么时候需要Graph EngineeringAI圈的造词速度确实快得惊人前脚刚把Loop Engineering捧上天后脚又开始刷屏Graph Engineering。在实际工作中Graph Engineering比较适合流程存在明确依赖、任务能够部分并行、需要在模型与确定性程序之间分工或者必须支持暂停、恢复和人工审批的场景。如果任务可以通过一次模型调用解决或者一个 Agent 能够在统一上下文中稳定完成引入多节点图不一定有收益。对于强顺序依赖的任务多 Agent 协调甚至可能降低性能。所以Graph Engineering 的判断标准不应是节点数量也不应是架构看起来是否复杂而是图结构有没有提高成功率有没有减少错误传播其额外延迟、token 和维护成本是否值得。简单来说如果你的工作就是让 Agent 写一个功能、测试、修复、提交Loop 足够了。但如果你发现自己在强迫一个 Agent 同时当好几个角色上下文越跑越长后面忘了前面的事。这时候才需要把角色拆成节点。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】
