最近Loop Engineering已经不吃香了Graph Engineering火爆连龙虾OpenClaw之父Peter Steinberger都开始调侃我们还在讨论Loops吗还是已经开始讨论Graphs了Loop Engineering is dead. Long live Graph Engineering!接下来咱们就聊一聊什么是Graph Engineering以及如何入手!直接上图比较清晰Loop Engineering循环工程研究如何让模型自动长时间持续运行更好地完成任务Graph Engineering图工程研究如何用图有向图来组织多个Agent的写作与流传解决真实场景中的复杂问题最初Agent的运行理解为简单的 while 循环结构——Agent Loop。今年兴起的 Loop Engineering实际上是在循环外面再套一层循环也就是父循环包裹子循环减少人工干预让 Agent 自己感知环境变化持续执行直到达成目标。然而在实际场景中可能需要多个 Agent 并行运行而且它们之间可能存在依赖关系并不像 while 循环结构那么简单。在计算机中对应的概念就是图Graph。这个Graph是有向图Directed Graph因为一个 Agent 处理完的结果可能需要传递给另一个 Agent 继续处理。Claude的Graph Engineering实操入门节点是任务边是流动的东西一张图只有两样东西把两者分清就能消除大半困惑。节点是一个工作单元–一个 agent、一个有界任务、一进一出。边是依赖关系它声明这个节点的输出喂给那个节点的输入仅此而已。节点是任务边是数据流动常见错误是把然后当成边。“总结这个文件然后告诉我天气”–两者之间没有边天气不消费摘要。那是两个本可独立、却被线性脚本无谓串起来的节点。边只有在数据真正流过时才存在。对每个然后问一句下一步是否读了上一步的输出如果没有就没有边等待是浪费。你的线性脚本是一张退化图当你把 agent 写成做 A、然后 B、然后 C、然后 D你其实已经画了一张图–单条不分叉的链每个节点一进一出。它能跑对但慢且脆链没有冗余C 卡住则 D 不跑A 的成果被困在上游无处可去。线性脚本是一张退化图图工程的第一项真本事就是重画这条链。拿你的线性 agent对每个箭头问第 01 步的问题。多数链有两三个不携数据的箭头–只是你打字的顺序。剪掉它们链就塌成更宽的形状几个能同时跑的独立节点喂给一个需要它们全部的节点。给每个节点一个契约无法推理的节点无法并行。解法是契约有界输入、有界输出、恰好一个任务。输入显式传入绝不假设来自共享窗口输出是定义好的形状最好经过校验让下一节点无需猜测就能消费。在 workflow 里契约用schema强制。给agent()一个 JSON schemaspawn 出的 subagent 被迫返回校验过的结构化数据–校验在 tool-call 层发生mismatch 时 Claude 自动重试而不是甩给你一段要解析并祈祷的自由文本。这就是Claude 能接进图的节点与只有人读得懂的输出才管用的节点之间的差别。把边当作数据契约边不只是B 在 A 之后而是关于跨越内容的承诺A 产出这个形状B 被设计来消费这个形状。按数据而非顺序给边命名两件事变容易一眼看出边是否真实数据真在流动吗在保持形状前提下换掉任一端的节点。实践中边就是普通 JS扇出与综合之间的 reduceflatten / dedupe / filter只是操作节点返回形状的代码。不需要 agent。人们烧在 token 上的大量工作其实都是边而边免费。用 parallel() 扇出这是为一切买单的关键招。当你有 N 个独立节点–N 个待查来源、N 个待审文件、N 条待审路由–不要串起来。让 Claude 把它们扇出、同时跑。在 workflow 里就是parallel()Claude 接受一个 thunk 数组每个 thunk spawn 一个 subagent 全部并发执行再返回结果数组。两个细节让它稳健。第一parallel()是 barrier–等所有 thunk 完成才返回下一阶段看到完整集合。第二抛错的 thunk 解析为null而非拖垮整批一个抽风的 agent 沉不掉整个 run。永远.filter(Boolean)。并发按核数封顶、超额排队传 100 个 thunk 也都跑得完。扇出活在 Claude 写的代码里不在模型对话里–Claude 自己的上下文从不同时持有 9 个来源每个 subagent 自带上下文只把最终答案传回。这就是让 Claude 把 workflow 扩到几十上百个 subagent 而不淹没会话的原因编排层零 token因为它不是 Claude 的又一轮思考。在 barrier 处扇入扇出只有被汇聚才有用。扇入是边汇聚的节点–一个 agent或一段代码一次看到全部上游结果做需要全集才能做的事跨来源去重、按影响排序、总量为空则提前退出。这是 barrier 唯一配得上其 wall-clock 代价的地方。保持图快的规则仅当某阶段真的需要全部前序结果时才用 barrier。跨所有来源去重barrier–正确。只是展平列表那是边inline 做。嗅觉测试如果你写了parallel - transform - parallel中间那个 transform 没有跨项依赖就该用 pipeline、跳过 barrier。钻石拆分 - 工作 - 合并把扇出和扇入拼起来就得到每个严肃 agent 图的主力拓扑钻石。一个节点拆活、多个节点并行干活、一个节点合并。市场扫描、依赖审计、代码审查、研究报告–换来源和 prompt同一副骨架都适配。其规范形式有个值得记住的名字fan out - reduce - synthesize。扇出取广度、用纯代码 reduce 压缩、用最终 agent synthesize 写答案。看到钻石后你不再问怎么让 agent 多做几步而是问在哪拆、在哪合–这才是真正能 scale 的问题。用条件在运行时路由边并非每张图都是固定的。有时该走哪条边取决于节点发现了什么。router 节点检查结果并决定哪条下游路径触发–给工单分类再分支到对应处理器看 diff 大小再决定快速审查还是全面审计。在 workflow 里这就是对节点校验输出做一个 JSif/switch因为控制流活在代码里。确定性在这里成了特性而非限制。路由决策可由 Claude 驱动subagent 分类但路由本身是 Claude 写的代码–同一分类每次走同一条路。节点处用 Claude 的判断边处用脚本的可靠。不会出现Claude 决定跳过审计的涌现意外–因为跳过必须被写进图里而它并没有。在边上放一个验证器图真正的杠杆不是更多 agent而是你能在 agent 周围包裹的结构–用来产生信心。验证器节点坐在边上在结果放行下游之前唯一职责是尝试毙掉这个发现。活下来才放行否则永远到不了答案。三种模式值得掌握对抗式验证每个发现 spawn N 个独立怀疑者去反驳多数存活才保留。多视角验证给每个验证器不同视角–正确性、安全、能否复现–多样性抓得到 N 个相同检查抓不到的失败模式。裁判组从不同角度生成 N 个尝试用并行 judge 打分从赢家综合并嫁接亚军最好的部分。作者声称正是这个模式让一个团队把 Bun 运行时移植时把对抗式代码审查内建进了循环。隔离节点一次失败毒不到整张图链里失败会级联–C 死、D 不跑、整体停摆。图里失败应被限制在它自己的节点内。这已部分成立parallel()里抛错的 thunk 解析为null8 个好 agent 照常返回1 个坏的掉队。.filter(Boolean)就是隔离。设计每个扇入时容忍缺失输入而非假设全集。更微妙的失败是节点互相踩。agent 并行写文件会撞车。解法是isolation: worktree–每个 agent 在自己的 git worktree 里跑、在沙箱里干活、干净地合并。只在节点确实并行写时才用它是那一种拓扑的安全带不是每次 run 的默认税。加一个环–但要让它收敛有时你不到身在其中不知道活有多大未知规模的发现、一次 bug 扫描找到一个又牵出三个。这需要环–一条受控的、指回更早节点的边。危险也明显不收敛的环是死循环会一直 spawn agent 直到预算耗光。收敛的模式是 loop-until-dry持续 spawn finder直到连续 K 轮没有新发现才停。那个成败攸关、几乎人人第一次都错的细节是去重对照什么–对照所有见过的而不只是对照已确认的。否则被拒的发现每轮重现循环永不干涸你造了一台花钱反复挖同一片死胡同的机器。跨节点分层模型不是每个节点都需要你最好的模型。图把这摆得明明白白有些节点有界且重复抽字段、分工单有些承载真判断综合报告、裁决发现。无聊节点跑便宜模型贵 token 花在判断真正所在之处。workflow 里每个 subagent 默认继承你的 session 模型除非脚本覆盖–所以默认一次大 run 全程按 session 档计费。单个agent()的model选项让 Claude 把那一个节点路由到别处。大 run 前查/model让 Claude 把扇出的重复节点降档、合并节点保高档–这是把一张吃 token 的图从贵变省、却不改形状的杠杆。拓扑就是你的成本与延迟图的形状不是装饰–它是 wall-clock 时间最大的杠杆。绊倒所有人的选择parallel()vspipeline()。parallel()barrier 让一切等最慢的节点pipeline()让每个 item 独立流过所有阶段、无 barrier–item A 可能在第 3 阶段而 B 还在第 1 阶段快的早完成而不是在慢的后面干等。默认用pipeline()。只在某阶段真的需要全部前序结果时才用 barrier–跨集合去重、总量提前退出、prompt 要对照其他发现。“代码更干净”阶段感更分开都不是理由barrier 延迟是真实的、可测的、浪费的时间。分开 ≠ 同步。让 Claude 自己画图–自路由最后一招对没法预先规划的任务别再手画图。用dynamic workflows你描述目标Claude 自己写编排脚本–分解任务、选扇出、spawn 协调舰队、综合结果。你得到为这次 run 量身定制的图而非你祈祷能用的固定图。## 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】
Loop工程已死，Graph工程永生
最近Loop Engineering已经不吃香了Graph Engineering火爆连龙虾OpenClaw之父Peter Steinberger都开始调侃我们还在讨论Loops吗还是已经开始讨论Graphs了Loop Engineering is dead. Long live Graph Engineering!接下来咱们就聊一聊什么是Graph Engineering以及如何入手!直接上图比较清晰Loop Engineering循环工程研究如何让模型自动长时间持续运行更好地完成任务Graph Engineering图工程研究如何用图有向图来组织多个Agent的写作与流传解决真实场景中的复杂问题最初Agent的运行理解为简单的 while 循环结构——Agent Loop。今年兴起的 Loop Engineering实际上是在循环外面再套一层循环也就是父循环包裹子循环减少人工干预让 Agent 自己感知环境变化持续执行直到达成目标。然而在实际场景中可能需要多个 Agent 并行运行而且它们之间可能存在依赖关系并不像 while 循环结构那么简单。在计算机中对应的概念就是图Graph。这个Graph是有向图Directed Graph因为一个 Agent 处理完的结果可能需要传递给另一个 Agent 继续处理。Claude的Graph Engineering实操入门节点是任务边是流动的东西一张图只有两样东西把两者分清就能消除大半困惑。节点是一个工作单元–一个 agent、一个有界任务、一进一出。边是依赖关系它声明这个节点的输出喂给那个节点的输入仅此而已。节点是任务边是数据流动常见错误是把然后当成边。“总结这个文件然后告诉我天气”–两者之间没有边天气不消费摘要。那是两个本可独立、却被线性脚本无谓串起来的节点。边只有在数据真正流过时才存在。对每个然后问一句下一步是否读了上一步的输出如果没有就没有边等待是浪费。你的线性脚本是一张退化图当你把 agent 写成做 A、然后 B、然后 C、然后 D你其实已经画了一张图–单条不分叉的链每个节点一进一出。它能跑对但慢且脆链没有冗余C 卡住则 D 不跑A 的成果被困在上游无处可去。线性脚本是一张退化图图工程的第一项真本事就是重画这条链。拿你的线性 agent对每个箭头问第 01 步的问题。多数链有两三个不携数据的箭头–只是你打字的顺序。剪掉它们链就塌成更宽的形状几个能同时跑的独立节点喂给一个需要它们全部的节点。给每个节点一个契约无法推理的节点无法并行。解法是契约有界输入、有界输出、恰好一个任务。输入显式传入绝不假设来自共享窗口输出是定义好的形状最好经过校验让下一节点无需猜测就能消费。在 workflow 里契约用schema强制。给agent()一个 JSON schemaspawn 出的 subagent 被迫返回校验过的结构化数据–校验在 tool-call 层发生mismatch 时 Claude 自动重试而不是甩给你一段要解析并祈祷的自由文本。这就是Claude 能接进图的节点与只有人读得懂的输出才管用的节点之间的差别。把边当作数据契约边不只是B 在 A 之后而是关于跨越内容的承诺A 产出这个形状B 被设计来消费这个形状。按数据而非顺序给边命名两件事变容易一眼看出边是否真实数据真在流动吗在保持形状前提下换掉任一端的节点。实践中边就是普通 JS扇出与综合之间的 reduceflatten / dedupe / filter只是操作节点返回形状的代码。不需要 agent。人们烧在 token 上的大量工作其实都是边而边免费。用 parallel() 扇出这是为一切买单的关键招。当你有 N 个独立节点–N 个待查来源、N 个待审文件、N 条待审路由–不要串起来。让 Claude 把它们扇出、同时跑。在 workflow 里就是parallel()Claude 接受一个 thunk 数组每个 thunk spawn 一个 subagent 全部并发执行再返回结果数组。两个细节让它稳健。第一parallel()是 barrier–等所有 thunk 完成才返回下一阶段看到完整集合。第二抛错的 thunk 解析为null而非拖垮整批一个抽风的 agent 沉不掉整个 run。永远.filter(Boolean)。并发按核数封顶、超额排队传 100 个 thunk 也都跑得完。扇出活在 Claude 写的代码里不在模型对话里–Claude 自己的上下文从不同时持有 9 个来源每个 subagent 自带上下文只把最终答案传回。这就是让 Claude 把 workflow 扩到几十上百个 subagent 而不淹没会话的原因编排层零 token因为它不是 Claude 的又一轮思考。在 barrier 处扇入扇出只有被汇聚才有用。扇入是边汇聚的节点–一个 agent或一段代码一次看到全部上游结果做需要全集才能做的事跨来源去重、按影响排序、总量为空则提前退出。这是 barrier 唯一配得上其 wall-clock 代价的地方。保持图快的规则仅当某阶段真的需要全部前序结果时才用 barrier。跨所有来源去重barrier–正确。只是展平列表那是边inline 做。嗅觉测试如果你写了parallel - transform - parallel中间那个 transform 没有跨项依赖就该用 pipeline、跳过 barrier。钻石拆分 - 工作 - 合并把扇出和扇入拼起来就得到每个严肃 agent 图的主力拓扑钻石。一个节点拆活、多个节点并行干活、一个节点合并。市场扫描、依赖审计、代码审查、研究报告–换来源和 prompt同一副骨架都适配。其规范形式有个值得记住的名字fan out - reduce - synthesize。扇出取广度、用纯代码 reduce 压缩、用最终 agent synthesize 写答案。看到钻石后你不再问怎么让 agent 多做几步而是问在哪拆、在哪合–这才是真正能 scale 的问题。用条件在运行时路由边并非每张图都是固定的。有时该走哪条边取决于节点发现了什么。router 节点检查结果并决定哪条下游路径触发–给工单分类再分支到对应处理器看 diff 大小再决定快速审查还是全面审计。在 workflow 里这就是对节点校验输出做一个 JSif/switch因为控制流活在代码里。确定性在这里成了特性而非限制。路由决策可由 Claude 驱动subagent 分类但路由本身是 Claude 写的代码–同一分类每次走同一条路。节点处用 Claude 的判断边处用脚本的可靠。不会出现Claude 决定跳过审计的涌现意外–因为跳过必须被写进图里而它并没有。在边上放一个验证器图真正的杠杆不是更多 agent而是你能在 agent 周围包裹的结构–用来产生信心。验证器节点坐在边上在结果放行下游之前唯一职责是尝试毙掉这个发现。活下来才放行否则永远到不了答案。三种模式值得掌握对抗式验证每个发现 spawn N 个独立怀疑者去反驳多数存活才保留。多视角验证给每个验证器不同视角–正确性、安全、能否复现–多样性抓得到 N 个相同检查抓不到的失败模式。裁判组从不同角度生成 N 个尝试用并行 judge 打分从赢家综合并嫁接亚军最好的部分。作者声称正是这个模式让一个团队把 Bun 运行时移植时把对抗式代码审查内建进了循环。隔离节点一次失败毒不到整张图链里失败会级联–C 死、D 不跑、整体停摆。图里失败应被限制在它自己的节点内。这已部分成立parallel()里抛错的 thunk 解析为null8 个好 agent 照常返回1 个坏的掉队。.filter(Boolean)就是隔离。设计每个扇入时容忍缺失输入而非假设全集。更微妙的失败是节点互相踩。agent 并行写文件会撞车。解法是isolation: worktree–每个 agent 在自己的 git worktree 里跑、在沙箱里干活、干净地合并。只在节点确实并行写时才用它是那一种拓扑的安全带不是每次 run 的默认税。加一个环–但要让它收敛有时你不到身在其中不知道活有多大未知规模的发现、一次 bug 扫描找到一个又牵出三个。这需要环–一条受控的、指回更早节点的边。危险也明显不收敛的环是死循环会一直 spawn agent 直到预算耗光。收敛的模式是 loop-until-dry持续 spawn finder直到连续 K 轮没有新发现才停。那个成败攸关、几乎人人第一次都错的细节是去重对照什么–对照所有见过的而不只是对照已确认的。否则被拒的发现每轮重现循环永不干涸你造了一台花钱反复挖同一片死胡同的机器。跨节点分层模型不是每个节点都需要你最好的模型。图把这摆得明明白白有些节点有界且重复抽字段、分工单有些承载真判断综合报告、裁决发现。无聊节点跑便宜模型贵 token 花在判断真正所在之处。workflow 里每个 subagent 默认继承你的 session 模型除非脚本覆盖–所以默认一次大 run 全程按 session 档计费。单个agent()的model选项让 Claude 把那一个节点路由到别处。大 run 前查/model让 Claude 把扇出的重复节点降档、合并节点保高档–这是把一张吃 token 的图从贵变省、却不改形状的杠杆。拓扑就是你的成本与延迟图的形状不是装饰–它是 wall-clock 时间最大的杠杆。绊倒所有人的选择parallel()vspipeline()。parallel()barrier 让一切等最慢的节点pipeline()让每个 item 独立流过所有阶段、无 barrier–item A 可能在第 3 阶段而 B 还在第 1 阶段快的早完成而不是在慢的后面干等。默认用pipeline()。只在某阶段真的需要全部前序结果时才用 barrier–跨集合去重、总量提前退出、prompt 要对照其他发现。“代码更干净”阶段感更分开都不是理由barrier 延迟是真实的、可测的、浪费的时间。分开 ≠ 同步。让 Claude 自己画图–自路由最后一招对没法预先规划的任务别再手画图。用dynamic workflows你描述目标Claude 自己写编排脚本–分解任务、选扇出、spawn 协调舰队、综合结果。你得到为这次 run 量身定制的图而非你祈祷能用的固定图。## 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】
