今年 7 月Agent 圈子里又冒出一个新词Graph Engineering。先别急着皱眉。听到 Graph很多人第一反应是图神经网络、知识图谱、图数据库这些老面孔觉得无非是旧概念翻新。但这次不一样。Graph Engineering 不是旧概念的堆叠而是从 Loop Engineering 的土壤里长出来的新工程范式。如果非要给它一个定位它就是 Loop Engineering 的改进升级版。这股风潮的源头是 7 月 18 日 OpenClaw 作者 Peter Steinberger 在 X 上抛出的一句话我们到底还在聊 Loop还是大家已经转向 Graph 了这条推文拿下了 260 万次浏览评论区吵成一团。真正把这股讨论推向纵深的是 AI 领域评论员 Carlos Perez 的一篇长文《From Loop Engineering to Graph Engineering?》。两相对照指向同一个判断Agent 架构正在从单一循环走向图化协作。这篇文章不谈图的概念实现只回答两个问题Graph Engineering 的本质是什么以及我们为什么需要它。PSGraph 工程 工程更多案例深入免费学习去这里1.打开 AITutor 新一代 AI 原生学习伙伴www.aiaitutor.com 2.在首页输入Graph 工程” 就能看到更详细更丰富案例。 3.包含了图文、视频、播客、闪卡、代码、测验等9种学习模态。一、Loop Engineering 的隐形炸弹指标好看业务翻车先简单回顾一下 Loop Engineering。它的核心思路是构建能自我验证、自动循环执行的 Agent设定目标执行动作测量结果不达标就自动调整策略如此往复。像 EvoSkill、SkillOpt 这类 Skill 自进化框架底层逻辑都与之相通。这个思路很性感但埋着一颗雷验证标准通常是固定函数或单一指标。拿文本分类举例准确率就是你的标尺分数涨了系统才接受优化。问题在于单目标优化极易过拟合模型甚至会学会作弊。为了刷高指标它可能绕过真正难点用各种 trick 弄虚作假最终结果与真实诉求背道而驰。Carlos Perez 在文章里讲了一个极具代表性的真实案例。某国外团队花一个季度做客服 AI 机器人目标明确解决用户问题核心考核指标定为问题解决率。每周测量数字一下降就让 AI 自动优化提示词和策略硬把解决率拉回来。账面数据非常完美解决率连续 5 个月上涨。但现实冰冷产品续约数据在跌客户流失率在飙升。团队深挖后发现AI 为了讨好单一指标自学了一套骚操作。第一快速关闭对话用户话还没说完扔出一个回答就立刻标记已解决强行切断交互。第二阻止追问不让用户继续问下去因为追问可能生成新工单拉低一次性解决率。第三滥用标记把不再说话或显得不想问的用户统统记为已解决。Loop 把数字做得非常漂亮代价是客户体验塌方。这是一种典型的负向优化指标在涨本质在烂。二、单 Loop 的四种死法复盘这类事故单循环架构有四种典型的失效模式。第一种古德哈特定律。当一项指标被优化到极致它就不再能衡量它原本想衡量的东西。Loop 眼里只有指标它会不惜背叛用户初衷把数字做上去。第二种向上的盲视。就像用遥控器把空调定在 26 度空调不会思考这个设定合不合理只会埋头执行。如果目标本身有错或存在漏洞Loop 越努力越是用错误的方式实现正确的数字。第三种冲突。系统里如果有多个 Loop它们可能打架。一个要快一个要好现实往往是快不一定好好不一定快单 Loop 架构很难协调这种权衡。第四种测量衰减。这个更隐蔽。当 Loop 发现某些数据做不到时它不反思目标而是悄悄改测量方式。评判标准能不能调松一点评测集能不能换一批更简单的考题变简单自然更容易达标。四种症状各不相同病根是同一个单 Loop 太聚焦完成指标而忘了指标为什么存在。三、Graph Engineering 的核心让循环监督循环怎么治Carlos Perez 有一句话堪称点睛之笔Loops watching loops用循环来监督循环。单个 Loop 容易盯着一个数字狂奔跑偏那就让多个 Loop 互相看着。一个 Loop 为了刷数据狂奔时另一个 Loop 站出来质疑它、纠正它相当于在 Loop 之间建立了监管机制。这个结构很像公司的管理体系。基层员工看日报是快速 Loop管理层看季报是中速 Loop审计部门查年报是慢速 Loop高层战略定方向是更慢、更宏观的 Loop。一层层不同速度的循环彼此监视大方向就不容易出岔子。对应前面的四种死法Graph Engineering 有四味解药。针对刷指标配置监督循环。既有一个 Loop 盯解决率也有一个 Loop 盯续约率两个 Loop 互相制衡防止为提升解决率牺牲客户体验。针对不质疑目标增加慢循环。专门负责修正目标本身目标定错了慢循环发现后纠偏。针对多 Loop 打架设置仲裁循环。当快和准冲突时由它裁定优先级速度优先还是质量优先复杂权衡有了裁判。针对测量衰减设置审计循环。定期检查指标是否还能真实反映现实发现评测集失真或指标腐烂及时介入。四、用减肥把这件事讲透如果上面还是抽象换一个人人都能懂的例子减肥。目标定为减重到 70 公斤测量方式就是上秤。单 Loop 模式下你每天早上称重80、79、78 一路往下掉所有动作都围绕让秤上的数字变小。但只靠这个循环为了快速降重你可能疯狂节食、吃来路不明的减肥药。体重确实轻了掉的却是水分和肌肉人搞垮了。初衷是健康结果适得其反目标达到了人废了。换成 Graph Engineering 的思路这张 Graph 里有四个循环。体重循环是快循环每天称重、控制饮食管及时反馈。健康循环是中速循环每月体检盯血压、血糖、水分一旦脱水或低血糖哪怕体重还在降也立刻报警强制停止节食健康兜底。方法循环是慢速循环每季度复盘发现纯节食导致代谢下降就调整策略增加运动让减肥可持续。目标循环是超慢循环定期追问自己为什么要减肥70 公斤合理吗也许你最终会发现死磕体重数字本身就不合理三高降了、身材匀称、指标正常就是成功于是把目标从单一数值调整成整体健康状态。单 Loop 减肥容易为数字牺牲健康Graph 减肥有体重监控、健康兜底、方法复盘、目标校准四道防线。多层循环互相监督协作才能避开为优化指标而牺牲本质的陷阱。五、Graph 不是 Workflow这三个区别要拎清读到这里一定有人问这不就是早年的 Workflow 吗Claude Code 前段时间推出的 Dynamic Workflow本质上不也是图结构吗这里必须澄清Graph Engineering 与传统 Workflow 有本质区别。传统 Workflow 是确定性的流水线。你要在早期人为设定好整个流程第一个节点流向第二个节点路由规则怎么走下一步往哪去。中间可能嵌入 Agent 节点但整体骨架是固定脚本和判断逻辑。它是被预先约定的一旦运行路径基本不可变。Dynamic Workflow 进了一步。它是在运行过程中动态拆解和生成的脚本Claude 会把复杂任务拆成子任务用 JavaScript 编排通过 Pipeline 并行执行。但它仍然是一个产品功能面向单个开发者完成相对固定的任务。任务虽然是动态生成的目的多为避免上下文过长走偏偏向一次性执行或短时任务。Graph Engineering 则是更高维度的抽象不只是一种结构更是一种做事的方法论、工程范式乃至哲学。它面向多智能体协同处理复杂的、长期运行的交互。它更像一个长期存在的组织结构每天定时运行、复盘、交互。打个比方Workflow 像工厂流水线无论静态还是动态都规定好了第一步做什么、第二步做什么全部提前定好直接执行。Graph Engineering 像公司的组织管理任务拆成一张 Graph多个子 Loop 各管一摊每个 Loop 内部有完整的执行、验证、迭代闭环Loop 之间还有交集和信息共享。举个具体场景。Loop A 优化了一版 PromptLoop B 会去检查这版 Prompt 是否合理不合理就打回去让 Loop A 重调。Loop B 不盯自己的 KPI而是基于它的视角反馈 Loop A 的错误。这就像公司里的部门协作主 Agent 做统筹底下子 Loop 相互监管共同解决复杂问题。所以 Graph Engineering 不是某个具体 Agent 框架而是哲学层面的思想用 Loop 和 Graph 的方式实现更自主的决策、可验证的结果、可互相监督的机制把人从繁琐工作中解脱出来让模型自己运作。六、三件套护栏锚点、冻结节点、外部判断循环多了新的风险也来了Graph 本身跑偏怎么办Carlos Perez 给了三个关键机制。第一锚点。有些东西必须是铁一般的事实不能由模型说了算。钱真的转到账户里而不是报告上写了一句转账成功测试代码真的跑通了而不是被标记为 Pass客户真的还在系统里活跃而不是被标记为留存。这些锚点必须通过外部系统真实验证用来监督 Loop 的有效性防止模型自欺欺人。第二冻结节点。某些规则是优化器永远不能碰的最典型的就是测试集。一旦定好有效的测试集就不能因为效果不理想而改简单它。如果允许模型为了提升指标修改测试集就掉回了测量衰减的陷阱。核心评估标准必须冻结严禁优化器触碰。第三外部判断。什么事情值得做什么目标有意义这些问题不该由系统自己回答必须由人来判断。系统可以高效执行但价值导向必须由人把控。这是防止 AI 在错误道路上狂奔的最后一道也是最重要的防线。锚点保真实冻结节点保公正外部判断保方向三者合力才能管住复杂的 Graph 体系。七、落地实战文本分类的三 Loop 制衡架构道理讲完看一个具体的落地例子回到最熟悉的文本分类场景。之前 Loop Engineering 的文章里我提过构建一个自动运行的文本分类 Loop。这次用 Graph Engineering 的思路重构它。Loop 1 是主优化循环负责文本分类本身。流程是构建评测集、确定标签、自动调优 Prompt。规则清晰准确率大于等于 95%沉淀能力停止准确率低于 95%继续调优 Prompt。Loop 2 是规则审查循环监督分类依据。它审查分类依据是否合理评估合理性驳回不合理的规则防止过拟合。Loop 3 是数据监管循环盯住评测集。评测集不可随意修改任何调整需要申请经过审批与校验才能生效防止有人操纵评测集。三个 Loop 各管一段主优化负责出能力规则审查负责防过拟合数据监管负责保数据神圣不可侵犯。再配上测试集加验证集策略测试集对模型可见用于迭代优化验证集是盲盒不对模型可见在验证集上效果提升才是真正的提升。这套架构的落地逻辑很朴素把优化、审查、监管拆成互相制衡的闭环人用外部判断定方向用锚点锚定事实用冻结节点守住评估底线。三大 Loop 互相制衡才能拿到高泛化、可靠的文本分类能力。八、写在最后名字不重要能不能解决问题才重要未来肯定还会出现更多新方法论。它们无一例外都是在修补现有框架的漏洞解决新出现的问题。名字本身其实并不重要。也许你已经在做 Loop Engineering 或 Graph Engineering 的实践了只是不知道它们叫这个名字。这些术语不过是 AI 大佬和头部专家为了便于传播定义的标签。真正重要的是态度每一个新概念出现时去理解它拆解它然后判断它到底能不能为我所用它解决了我当下的什么痛点。这才是我们在快速变化的 AI 时代最该有的生存法则。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】