Harness 与 Agent 工程 · Agent架构与协作 · 2026-07-28

Loop Engineering 已死? 一文带你了解Graph Engineering

270万浏览的Graph Engineering凭何成Loop继任者?一文拆解AI工程从单智能体循环到多智能体图结构的演进。 核心内容:

  1. Graph Engineering的起源与传播(推文引发270万浏览,Loop Engineering背景)
  2. 从Loop到Graph的核心转变(单智能体循环vs多智能体图结构)
  3. AI系统工程五层演进中的Graph层定位(Prompt到Harness再到Graph的层级关系)

01 起源:一条推文,三天 270 万浏览

先把这个词的来龙去脉讲清楚,因为它能帮你判断哪些是营销、哪些是真问题。

2026 年 7 月 17 日,OpenClaw 的创始人 Peter Steinberger 在 X 上发了一句话,没有配图,没有链接,也没有任何产品发布。

我们还在聊循环(loops),还是已经转向图(graphs)了? — Peter Steinberger,2026 年 7 月 17 日

就这一句话,三天内累计 270 万浏览、上千条回复。Graph Engineering 这个词一天之内传开,被冠上了 Loop Engineering 继任者的名号。有意思的是,六周前正是同一个人,用一句关于循环的话收获了 800 多万浏览,Loop Engineering 就是那样火起来的。

这里有个关键事实值得记住,这个词诞生的那几天,业界没有任何新框架、新模型、新能力发布。它完全是被一句话加一场讨论催生出来的。所以从第一天起,就有资深工程师提出质疑。XState 状态机库的作者 David Khourshid、以及 Karan Singh 等人都指出,节点、边、状态这套东西并不新。

有明确目的的子智能体,那就是一张图。但好吧,我们就把所有人都搞晕,管它叫一个全新的东西。 — Karan Singh,X 讨论串

这个质疑不算错。但要把两件事分开看,词是不是新的,和这个转变是不是真的,是两码事。词可能只是重新包装,可从"编排一个智能体"到"编排一群智能体"的工程重心迁移,是真实发生的。这篇文章后面会用大量官方数据来支撑这个判断。

02 五层演进:它到底站在哪一层

过去一年多,同一件"让 AI 系统稳定工作"的事,被换着名字叫了五遍。把它们摆在一起看,就会发现它们不是互相取代,而是一层一层往外叠,每一层解决上一层够不着的问题。

Graph 是目前最外面的一层,但它建立在前四层都做好了的前提上

顺着走一遍。Prompt Engineering 管一次对话里这句话怎么说。Context Engineering 管这一步往模型脑子里塞哪些信息,检索到的文档、记忆、工具定义、历史记录。Harness Engineering 管它周围的结构,能用哪些工具、有哪些不能逾越的护栏、跨会话的状态怎么留存。到 Loop Engineering,管的是一个智能体如何自己反复地发现、规划、执行、验证,不用人一步步催。

作者 Boris Cherny 有一句被反复引用的话,把 Loop 那一层说得很透。

我现在已经不提示 Claude 了,我运行的是一些循环,由这些循环去提示 Claude。 — Boris Cherny

而 Graph Engineering 是再往外走一层。它不再只关心一个执行者内部怎么循环,而是开始设计多个执行节点之间的组织关系。用一句话概括这两层的分工,也是全文的主线,Loop 解决"如何让单个智能体持续工作",Graph 解决"如何把多个智能体、工具、人组织成一个可观测、可恢复、可扩展的系统"。

03 先讲透 Loop,理解它才能理解 Graph

Graph 是从 Loop 长出来的,所以得先把 Loop 说明白。

回想最早怎么用 AI。你发一句,它回一句。你说不对,它改。你让它跑测试,它跑完就停下等你。看起来是 AI 在工作,但真正驱动每一步的其实是人。你才是那个 for 循环。你一停,整个流程就停。

Loop Engineering 做的事,就是把"驱动循环"这个动作交给 AI 自己。它自己观察环境、自己动手、自己检查结果、自己决定下一步,构成一个闭环,目标不达成就不停。你从操作每一步的人,变成只需要设定目标和验收标准的人。

Loop 就像一个自律的员工,自己开工、自己复盘、自己改进,直到把事办成

这是一次质变。AI 从一问一答的工具,变成了能把一件事从头做到尾的执行者。给它一个目标,它能自己搜资料、写代码、跑测试、修 bug,连续跑几十轮,最后交付成品。搭一个好的循环是一项真本事,你得选对能测量的指标、闭合周期、还要克制住自己在两次测量之间反复拨弄指标的冲动。

但恰恰因为它太听话、太专注,问题也埋在这里。下一章就来看它撞的墙。

04 Loop 的五个结构性缺陷

ReAct 这种单循环模式是 2022 年提出的简洁范式,当时没人能预料它三年后要扛生产级的压力。在真实环境里跑久了,它暴露出五个缺陷,这些不是偶发 bug,而是"循环"这个形状的必然结果。

除了这五点,还有一个更隐蔽、更值得警惕的问题,叫目标失明。循环只能看见自己被赋予的那个指标,于是它会用尽一切办法去移动这个指标,包括那些背叛指标初衷的办法。

一个被反复引用的真实案例 某团队做 AI 客服,以"工单解决率"为优化指标。连续五个月,曲线一路上涨。然后续费数据来了,客户流失率翻倍。 原因是这个 AI 学会的"解决"方式是偏转,快速关闭对话、劝阻用户追问、把被放弃的问题也标记为已解决。循环运行得完美无缺,数字一路上升,而这个"成功"恰恰是失败的机制。

经济学称之为古德哈特定律,一个指标被用力优化后,就不再测量它原本代表的东西

这五个缺陷加上目标失明有一个共同点,它们都不是"把循环做得更大更强"能解决的。因为问题的根子不在一个循环内部,而在多个环节之间的关系上。一个再自律的员工,也搞不定一个需要分工、交接、互相审核的项目。到这一步,需要的不是更大的循环,是一张图。

05 Graph 到底是什么,拆开就四样

很多人一听"图"就想到流程图,那种画在 PPT 里给人看的方框加箭头。这里的图不是那个。流程图是给人看的,描述我们希望事情怎么走;Graph 是给机器跑的,任务、依赖、状态、权限、预算、失败恢复、人工审批,全都要能被系统真正执行。

剥掉术语,一张能跑的图,形式上可以写成四个部分。

G = ( V 节点, E 边, S 状态, P 策略 )

可以把它理解成一家会自己运转的小公司,工位、交接、看板、制度一样不缺

最贴切的比喻是公司的组织架构图。一家公司不会让同一个人在一整段时间里又做研究、又写方案、又当评审,而是把这些活分给不同角色,让工作在角色之间流转,结果层层上报。Graph 就是同一个想法,智能体从一个 while 循环,毕业成了一张组织架构图。

这里要澄清两个常见的混淆。第一,它不是知识图谱,知识图谱组织的是"系统知道什么",这里的图组织的是"系统由谁组成、工作如何流动"。第二,它也不等于把现有流程画成流程图,只有当节点能独立执行、边携带明确状态、过程能被检查暂停恢复追踪时,这张图才算系统结构,而不是展示材料。

06 最经典的三种编排形状

图怎么排布,行业里已经沉淀出几种经得起验证的拓扑。认识它们,比记名词有用得多。

① 菱形:拆分 → 并行 → 合并(扇出扇入)

最高频的一张图,就是这颗菱形。以写这篇文章为例,我让一个智能体读 X 原帖、一个翻官方文档、一个看社区讨论,三边同时开工,谁也不等谁,这叫 Fan-out(扇出)。资料回来后先由程序去重、分类,再交给最终的拟稿人,这叫 Fan-in(扇入)。两个动作连起来,就是这颗菱形。市场调研、代码评审、研究报告,换个信源和提示词,骨架都能复用。

Anthropic 官方称之为 fan-out / fan-in 云设计模式,是并行工作流的典型形状

② 主管模式(Orchestrator-Workers)

一个主管智能体居中调度,把任务分派给研究、写码、审查等专职工人,自己负责规划和汇总。这是 Anthropic 的 Research 系统采用的核心模式,主智能体分析问题、制定策略、生成子智能体,子智能体像智能过滤器一样并行搜集信息,最后汇总给主智能体整合成答案。

③ 流水线(Pipeline / Prompt Chaining)

把任务拆成一串固定步骤,每一步处理上一步的输出,还可以在中间加程序化的检查点(gate)来保证流程没跑偏。适合能被干净拆解成固定子任务的场景,用延迟换取更高的准确率,因为每一次调用都变成了更简单的任务。

流水线在关键节点加检查点,把复杂任务拆成一串更简单、更可控的调用

这三种拓扑不是互斥的框架选型,而是可以拼装、嵌套的积木。真实的生产系统里,常常是主管模式套着几个菱形,菱形里又是流水线。

07 Anthropic 官方的五种工作流模式

如果说上一章讲的是"形状",这一章讲的是 Anthropic 在《Building Effective Agents》里总结的五种可复用"模式"。这份资料是目前最权威的一手参考,因为它来自和几十个团队一起做智能体的真实经验,而且它的核心建议是用简单、可组合的模式,而不是复杂的框架。

模式 做什么 什么时候用
Prompt Ch…
— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/knowledgegraph/2026072841038.html