别再堆 Agent 了, 从 Loop 到 Graph：AI Agent 正在重新变成软件工程

最近AI 圈开始频繁讨论一个新词Graph Engineering图工程。在国外某个知名社交媒体上看到的两篇关于 Agent 工程的讨论。第一篇来自Anatoli Kopadze第二篇来LunarResearcher两篇文章关注点不同但放在一起看实际上共同指向一个更重要的变化AI Agent 正在从“如何让模型表现更好”转向“如何把模型组织成一个可靠运行的软件系统”。乍一看这很容易让人以为是又一轮概念换代Prompt 不够讲了开始讲 ContextContext 还没讲完又冒出 Harness、Loop现在轮到了 Graph。一个做技术的人对这种造词节奏本能地会警惕。但我把最近关于 Harness、Loop 和 Graph 的两篇讨论放在一起读完之后觉得这次不太一样。真正发生的事情其实很简单AI Agent 的竞争正在从模型有多聪明转向系统如何组织模型工作。这句话比 Graph Engineering 这个词本身更值得关注。下面我按自己的理解把这件事拆开讲清楚。一、从 Prompt 到 Graph工程对象变了回顾这条线每一步的驱动力都不是造概念而是工程上真遇到了新问题。最早的 Prompt Engineering解决的是怎么让模型这一次回答得更好Context Engineering 往前走了一步关心的是模型这一次到底应该看到什么信息再往后Agent 开始读文件、调工具、执行命令问题变成模型应该在什么环境里工作这就是 Harness。当 Agent 需要反复执行、检查和修正我们开始研究怎样让它持续把事情做完这就是 Loop。等到一个复杂任务被拆成研究、编码、验证、审核、汇总等多个工作单元问题进一步变成这些任务谁先做、谁并行、谁验证、怎么汇总这就进入了 Graph。所以从 Prompt 到 Graph真正发生的变化不是新概念替代旧概念而是工程对象在不断扩大从优化一次模型调用走向设计一个可以长期运行的智能系统。二、Harness模型之外才是真正的 Agent一个裸模型什么都做不了。它需要工具访问文件需要 Shell 执行命令需要 Memory 保存信息需要 Checkpoint 在中断后恢复还需要权限、沙箱和日志来约束风险。这些东西合在一起就是 Harness。一句话说Harness 是 Agent 的工作环境。这解释了一个很多人都观察到的现象同一个模型在不同 Agent 产品里的表现差异巨大。因为真实的 Agent 能力并不是Agent Model而更接近Agent Model Harness。模型负责推理Harness 决定它能看到什么、能操作什么、能运行到什么程度。当各家模型的能力逐渐逼近同一个上限模型周围的那层工程系统正在成为新的竞争力。三、Loop不要相信 Agent 说我完成了真实工作很少一次做对。写代码是修改、测试、报错、再修改做研究是搜索、判断、补充证据、再验证。这就是 Loop 存在的理由。一个成熟的 Agent Loop大致是这样一个循环Goal → Action → Observation → Evaluation → Next Action。但 Loop 真正难的不是怎样转起来而是什么时候应该停下来一个低质量 Agent 的停止条件是“我觉得做完了。”一个可靠 Agent 的停止条件应该是有证据证明做完了。拿代码任务来说结束标准不应该是代码看起来能跑而应该实实在在看到Test PASS、Build PASS、Integration PASS。所以 Loop Engineering 最重要的一条原则可以浓缩成一句话Loop on evidence, not confidence.以证据为准不以自信为准。不要根据模型的自信结束循环要根据真实证据结束循环。做过工程的人都知道我觉得没问题和测试过了之间隔着生产环境的无数个事故。四、Graph真正要优化的是任务之间的依赖Loop 解决的是一个 Agent 如何持续工作。但复杂任务还有另一个问题很多工作其实根本不需要排队。比如做一份行业研究需要市场分析、竞争分析、用户反馈、技术趋势四块内容。传统的串行 Agent 会按 A → B → C → D 依次执行。但先停一下问一个问题B 真的需要 A 的结果吗如果不需要这段等待就是人为制造的。Graph Engineering 真正解决的就是按照真实依赖关系重新组织工作。它最大的价值通常不是让某个 Agent 更聪明而是让整个系统获得更大的处理宽度——一个 Agent 擅长往深处走Graph 擅长同时向多个方向展开。五、删除 Fake Edge比增加 Agent 更重要假设三个文件互不相关却被设计成 A → B → C 的串行流程那这两条连接并没有任何真实的业务依据。这就是原文里一个我觉得特别值得记住的概念Fake Edge——虚假的边。正确的做法不是再加一个 Agent 去协调它们而是直接删掉不存在的依赖让 A、B、C 并行执行最后统一汇总。所以 Graph Engineering 的第一原则可以压缩成一句话不要先问需要几个 Agent先问这些 Edge 为什么存在。很多 Agent 系统跑得慢问题不在模型而在工作流本身画错了。这和传统软件工程的教训一模一样性能问题先查架构图别急着加机器。Graph 真正应该工程化的不是 Agent 的数而是依赖关系。六、Graph 不复杂常用模式就三个实际工程里不需要设计一张眼花缭乱的大图。三个模式足以覆盖大部分任务Pipeline有真实依赖就串行。比如解析文件 → 提取结构 → 规则检查 → 生成报告下一步必须等上一步这种串行是合理的不是 Fake Edge。Fan-out / Fan-in没有依赖就并行。多个 Worker 同时处理不同任务最后统一汇总。深度研究、多文件审查、大型代码分析都适合这个模式。Generate → Verify先生成再由独立节点验证不通过就返回修改。仔细看会发现这个模式本身就是 Graph 里嵌套了一个 Loop。所以 Graph 并没有替代 Loop。更准确的说法是Graph 负责组织工作Loop 负责完成工作。七、多 Agent 最重要的价值可能不是并行谈多 Agent大家最先想到的收益是并行。但我认为还有一个更深的价值隔离上下文。假设 Writer、Reviewer、Auditor 共享同一个上下文后面的 Agent 很容易顺着前面的推理继续走。表面上三个角色实际上可能只是同一个错误被重复确认了三遍——评审形同虚设。更合理的做法是Worker 完成后只提交结果Verifier 在一个全新的、干净的 Context 里只看到三样东西结果 标准 证据。这时候独立判断才真正成立。所以多 Agent 的深层价值不是复制更多模型而是把不同的判断隔离开。八、再多 Verifier也不能代替现实这里还有最后一个陷阱。Agent A 认为正确Agent B 检查后也认为正确Agent C 还给出了高分——是不是就一定正确未必。三个 Agent 完全可能构成一个内部高度一致、但外部彻底错误的系统。所以复杂 Agent 系统最终必须接触一个模型无法自己重新解释的东西Reality Anchor现实锚点。代码有没有修好跑真实测试交易有没有成功查真实交易记录高风险操作能不能继续等人工批准。Verifier 负责检查系统内部是否自洽Anchor 负责确认现实世界是否真的发生了。这是两件完全不同的事缺一不可。九、未来 Agent更像一套系统而不是超级智能体把前面这些拼在一起下一代 Agent 的形态就清晰了。Planner 负责拆解任务Worker 并行执行、各自在内部跑自己的 LoopVerifier 独立检查结果Reality Anchor 验证真实状态Harness 在外围提供工具、状态、权限、恢复和可观测性。这套东西已经不太像一个更聪明的聊天机器人更像一套新的软件系统。四个概念可以压缩成四句话Harness Environment决定 Agent 在什么环境里工作。Loop Feedback决定 Agent 如何根据反馈持续推进。Graph Flow决定不同的工作如何连接。Anchor Reality决定系统是否真的完成了任务。结语别再堆 Agent先把系统设计对Graph Engineering 最容易带出的误区是开始攀比谁的 Agent 更多、谁的 Graph 更复杂、谁能同时跑几十个 Worker。但真正该问的问题朴素得多一个节点为什么存在一条 Edge 为什么存在一个 Loop 凭什么停止一个 Verifier 是否真的独立最终结果有没有接触现实如果一个 Agent 加几个工具就能完成任务就不要为了 Graph 而 Graph。如果两个任务没有依赖就不要人为把它们串起来。如果结果可以用测试判断就不要再找一个模型来感觉它对不对。这可能就是 Graph Engineering 背后最重要的工程思想把模型的判断力放在节点里把软件的可靠性放在系统里。AI Agent 的下一阶段不是造一个万能的超级智能体而是学会把模型、工具、状态、循环、验证和真实世界组织成一个可靠、可恢复、可验证的软件系统。某种意义上这不是 AI 离软件工程越来越远恰恰相反AI 终于开始真正进入软件工程。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】