尧图网站建设 
本文介绍了图工程的核心概念包括节点、边、共享状态等并探讨了图工程面临的四大难题节点存在的价值、共享状态的维护、路由的可信赖性以及智能体间的协调一致。文章还讨论了何时应使用图工程以及如何避免过度设计适合想要学习大模型协调技能的程序员。当单个智能体循环不够用时「协调」本身就成为工程。—— Graph Engineering 简明解析— Graph Engineering 核心示意图「循环工程」大概只火了六个星期时间线就转向了下一个热点。2026 年 7 月 18 日OpenClaw 的创始人 Peter Steinberger发了一条只有九个字的推文。— Peter Steinberger 的推文几个小时后Hamel Husain发布了一篇文章标题是《循环工程已死图工程登场》。— Hamel Husain 的文章两人至少有一半是在开玩笑。这个领域改名太快以至于「调侃改名」本身都快成了一个独立流派。但这个玩笑确实戳中了某些真实的东西。当你有多个循环需要协同工作时你就遇到了一个协调问题而工程师历来都是用「图」来描述协调的。这就是图工程背后的核心思想。接下来我们把实质和梗区分开。图Graph是什么图由三样东西组成。节点Nodes是工作单元可以是一个智能体、一次普通的模型调用、一个确定性函数、一个工具或者一个审批动作的人类。边Edges决定下一步运行什么顺序执行、并行执行或者根据上一个节点的输出进行条件判断。状态State是一个沿着边流动的共享对象。每个节点都从它读取也向它写入。graph.add_node(research, research_agent)graph.add_node(write, writer_agent)graph.add_node(review, reviewer_agent)graph.add_edge(research,write)graph.add_edge(write,review)graph.add_conditional_edge(review, lambda state:doneifstate.approvedelsewrite)几乎每个示例都会用这个入门图研究者收集资料写作者起草审阅者评判。如果审阅通过流程结束如果不通过一条边会把草稿送回写作者。三个节点、四条边其中一条边是循环。— 研究 → 写作 → 审阅的循环图而下面这句话会重新定义一切单个智能体循环其实只是一个节点、一条指向自身的边。图不是替代循环而是把循环连接起来、管理起来。技术栈一直在生长AI 的重心一直在从模型本身向外漂移每一次漂移都诞生了一个新名字。提示工程(Prompt engineering)你发送出去的话。上下文工程(Context engineering)模型看到的一切不只是你的指令。驾驭工程Hharness engineering)围绕模型运行工具、追踪状态、处理错误的代码。循环工程(Loop engineering)驱动单个智能体达成目标的自主循环。图工程(Graph engineering)跨多个循环的协调层决定什么时候跑、按什么顺序跑、由谁来检查谁。每一层都包裹住前一层。图由循环组成每个循环需要好的驾驭层每次驾驭调用都是一个上下文问题而每个上下文里都包含提示。跳过低层图只会以更华丽的方式失败。— 从模型到图五层同心结构还有一件事需要诚实面对这些都不是新技术。LangGraph 早在 2024 年 1 月就推出了完全相同的模型——节点、边、共享状态。微软的 AutoGen 有 GraphFlowGoogle 的 ADK 2.0 整个工作流运行时都建立在这个想法之上。名字是新的实践不是。这也解释了为什么 Hamel 那条推文下面最高赞回复只是一句「欢迎回来LangChain。」所以这个学科不是在「发明图」而是在知道什么时候该用图以及怎样防止它腐烂。这一部分有四个难题。难题一一个节点是否值得存在最常见的失败是把「帮我总结这份 PDF」做成一个五节点图获取器、分块器、总结器、审阅器、格式化器。一个节点只有代表真正的专业分工时才配存在——不同的模型、不同的工具集或者 genuinely 独立的角色比如只读审阅者。那些可以内联进现有循环的步骤不是节点。如果你没法在餐巾纸上画出这张图那它太复杂了。如果 collapsing 两个节点成一个也不会丢失任何东西那它们从来就不是两个节点。难题二保持共享状态干净在单个循环里失败模式是上下文腐烂。在图里同样的病会转移到共享状态上。每个节点都往状态对象里写于是节点二的一次 sloppy 写入会变成节点五的自信输入。等到输出出错时坏数据已经流过了半个系统没人发现。解决方案简单、乏味但有效给状态一个带类型的 schema显式规定哪些节点可以写哪些字段在节点之间做状态检查点checkpoint这样你可以重放一次运行精确看到哪里出了问题。NOTE关于重放有一个注意点检查点之后的节点会重新执行所以任何有外部副作用的节点——比如发邮件、创建记录——必须能够安全地跑两次。难题三可信赖的路由边就是决策问题在于谁来决策。如果让模型来决定路由你得到的是灵活性和不稳定性打包出售。同样的状态在不同运行中可能走不同路径调试会变得很痛苦。Google 在 ADK 2.0 中的设计规则是这场讨论里最干净的立场可预测的路由应该由确定性代码控制模型只负责那些真正需要判断的步骤。只要条件是可检查的就用代码路由只在真正需要解释的地方调用模型。难题四智能体之间如何达成一致循环工程里最锋利的规则是永远别让一个智能体给自己的作业打分。图让这个问题更严重。二十个基于同一个基座模型、阅读同一份有缺陷上下文的智能体会 happily 达成一致而且模型会明显偏爱自己的输出。结果就像是工业规模的「有组织的胡说」—— impeccable 的结构包裹着一个错误答案。修复方案是一个有实权的审阅节点。换用不同的模型给它全新的上下文而不是完整对话并把它的裁决锚定在图无法捏造的外部证据上比如真正跑过的测试或者真正编译通过的代码。— 给图里放一个能说「不」的角色Cognition 在运行 Devin 一年后也走到了同样的结论。他们的工作方式允许多个智能体阅读工作并发表意见但永远只允许一个智能体修改任何东西。这个分工才是有用的部分。阅读可以并行因为坏意见在你采纳它之前不会造成伤害。写作才是会出问题的环节所以把它集中在一个可见的地方。什么时候图是过度设计诚实的答案是大多数时候。Anthropic 公开的数据把成本具象化了。单个智能体循环的 token 消耗大约是对话交互的4 倍多智能体图大约是对话的15 倍。每增加一个节点都会成倍放大。当任务真的能并行展开时上限是真实存在的。Anthropic 的内部研究评估中多智能体研究系统比单个 Opus 智能体高出 90.2%因为研究天然会拆分成独立的搜索任务。但他们《构建高效智能体》中的核心建议没变找到最简单的可行方案只在任务真正需要时才增加复杂度。如果你的智能体只是一个带工具的简单循环LangGraph 是过度设计。决策规则很直接当工作拆分成真正的专业分工、需要并行扇出与合并、每步需要不同模型或者需要故障隔离和可审计路由时才用图。否则留在循环里。— Token 成本与使用场景对比从哪里开始你不需要第一天就画出一张组织图。循序渐进。1先掌握单个循环带刹车、有真正的完成检查、有一个批评者。由弱循环组成的图只是分布式的失败。2在写代码之前先在纸上画图并挑战每一个节点证明它存在的理由。3upfront 定义状态 schema 和写入权限。状态漂移是图腐烂的主要方式。4让审阅节点使用不同模型和全新上下文并把裁决锚定在外部证据上。5给每个节点设置预算上限。图是多个循环在并行烧 token一个弱的验证器现在会同时烧钱。09KEY TAKEAWAY核心 takeaway图工程不是取代循环工程的新学科。它只是每个智能体构建者最终都会面对的那个决策的名字。当一个循环不够用协调本身就成为工程。这个词未必能活到明年。但这个设计问题会。— Graph Engineering 关键要点总结最后2026 年一晃已经过半AI 大模型的热潮不仅没有降温反而持续升温金融行业用大模型做风控、医疗依靠 AI 解析影像电商、制造、教育各行各业都在把 AI 融入日常业务。曾经热闹的 “百模大战”早就告别单纯比拼模型参数正式进入落地应用时代。现在企业疯狂紧缺一类人才懂业务、懂 AI、能做出可上线项目的大模型开发工程师岗位缺口大薪资待遇十分可观。风口再好不如手握高薪 offer 实在。行情火热普通人、程序员该怎样从零入门大模型抓住这波机会今天整理好【2026 最新版】AI 大模型全套免费学习资源覆盖零基础入门、项目实战、理论知识、大厂面试从基础一路进阶。所有资料分类归档没有多余杂料无套路免费分享给想要入局 AI 赛道的程序员与零基础小白扫码免费领取全部内容1、大模型系统化完整学习路线2、大模型经典书籍文档3、AI 大模型最新行业研究报告4、企业级实战项目 完整配套源码5、大厂大模型面试真题汇总6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。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】 图工程入门：小白程序员必备，轻松掌握大模型协调新技能！收藏学习不迷路
本文介绍了图工程的核心概念包括节点、边、共享状态等并探讨了图工程面临的四大难题节点存在的价值、共享状态的维护、路由的可信赖性以及智能体间的协调一致。文章还讨论了何时应使用图工程以及如何避免过度设计适合想要学习大模型协调技能的程序员。当单个智能体循环不够用时「协调」本身就成为工程。—— Graph Engineering 简明解析— Graph Engineering 核心示意图「循环工程」大概只火了六个星期时间线就转向了下一个热点。2026 年 7 月 18 日OpenClaw 的创始人 Peter Steinberger发了一条只有九个字的推文。— Peter Steinberger 的推文几个小时后Hamel Husain发布了一篇文章标题是《循环工程已死图工程登场》。— Hamel Husain 的文章两人至少有一半是在开玩笑。这个领域改名太快以至于「调侃改名」本身都快成了一个独立流派。但这个玩笑确实戳中了某些真实的东西。当你有多个循环需要协同工作时你就遇到了一个协调问题而工程师历来都是用「图」来描述协调的。这就是图工程背后的核心思想。接下来我们把实质和梗区分开。图Graph是什么图由三样东西组成。节点Nodes是工作单元可以是一个智能体、一次普通的模型调用、一个确定性函数、一个工具或者一个审批动作的人类。边Edges决定下一步运行什么顺序执行、并行执行或者根据上一个节点的输出进行条件判断。状态State是一个沿着边流动的共享对象。每个节点都从它读取也向它写入。graph.add_node(research, research_agent)graph.add_node(write, writer_agent)graph.add_node(review, reviewer_agent)graph.add_edge(research,write)graph.add_edge(write,review)graph.add_conditional_edge(review, lambda state:doneifstate.approvedelsewrite)几乎每个示例都会用这个入门图研究者收集资料写作者起草审阅者评判。如果审阅通过流程结束如果不通过一条边会把草稿送回写作者。三个节点、四条边其中一条边是循环。— 研究 → 写作 → 审阅的循环图而下面这句话会重新定义一切单个智能体循环其实只是一个节点、一条指向自身的边。图不是替代循环而是把循环连接起来、管理起来。技术栈一直在生长AI 的重心一直在从模型本身向外漂移每一次漂移都诞生了一个新名字。提示工程(Prompt engineering)你发送出去的话。上下文工程(Context engineering)模型看到的一切不只是你的指令。驾驭工程Hharness engineering)围绕模型运行工具、追踪状态、处理错误的代码。循环工程(Loop engineering)驱动单个智能体达成目标的自主循环。图工程(Graph engineering)跨多个循环的协调层决定什么时候跑、按什么顺序跑、由谁来检查谁。每一层都包裹住前一层。图由循环组成每个循环需要好的驾驭层每次驾驭调用都是一个上下文问题而每个上下文里都包含提示。跳过低层图只会以更华丽的方式失败。— 从模型到图五层同心结构还有一件事需要诚实面对这些都不是新技术。LangGraph 早在 2024 年 1 月就推出了完全相同的模型——节点、边、共享状态。微软的 AutoGen 有 GraphFlowGoogle 的 ADK 2.0 整个工作流运行时都建立在这个想法之上。名字是新的实践不是。这也解释了为什么 Hamel 那条推文下面最高赞回复只是一句「欢迎回来LangChain。」所以这个学科不是在「发明图」而是在知道什么时候该用图以及怎样防止它腐烂。这一部分有四个难题。难题一一个节点是否值得存在最常见的失败是把「帮我总结这份 PDF」做成一个五节点图获取器、分块器、总结器、审阅器、格式化器。一个节点只有代表真正的专业分工时才配存在——不同的模型、不同的工具集或者 genuinely 独立的角色比如只读审阅者。那些可以内联进现有循环的步骤不是节点。如果你没法在餐巾纸上画出这张图那它太复杂了。如果 collapsing 两个节点成一个也不会丢失任何东西那它们从来就不是两个节点。难题二保持共享状态干净在单个循环里失败模式是上下文腐烂。在图里同样的病会转移到共享状态上。每个节点都往状态对象里写于是节点二的一次 sloppy 写入会变成节点五的自信输入。等到输出出错时坏数据已经流过了半个系统没人发现。解决方案简单、乏味但有效给状态一个带类型的 schema显式规定哪些节点可以写哪些字段在节点之间做状态检查点checkpoint这样你可以重放一次运行精确看到哪里出了问题。NOTE关于重放有一个注意点检查点之后的节点会重新执行所以任何有外部副作用的节点——比如发邮件、创建记录——必须能够安全地跑两次。难题三可信赖的路由边就是决策问题在于谁来决策。如果让模型来决定路由你得到的是灵活性和不稳定性打包出售。同样的状态在不同运行中可能走不同路径调试会变得很痛苦。Google 在 ADK 2.0 中的设计规则是这场讨论里最干净的立场可预测的路由应该由确定性代码控制模型只负责那些真正需要判断的步骤。只要条件是可检查的就用代码路由只在真正需要解释的地方调用模型。难题四智能体之间如何达成一致循环工程里最锋利的规则是永远别让一个智能体给自己的作业打分。图让这个问题更严重。二十个基于同一个基座模型、阅读同一份有缺陷上下文的智能体会 happily 达成一致而且模型会明显偏爱自己的输出。结果就像是工业规模的「有组织的胡说」—— impeccable 的结构包裹着一个错误答案。修复方案是一个有实权的审阅节点。换用不同的模型给它全新的上下文而不是完整对话并把它的裁决锚定在图无法捏造的外部证据上比如真正跑过的测试或者真正编译通过的代码。— 给图里放一个能说「不」的角色Cognition 在运行 Devin 一年后也走到了同样的结论。他们的工作方式允许多个智能体阅读工作并发表意见但永远只允许一个智能体修改任何东西。这个分工才是有用的部分。阅读可以并行因为坏意见在你采纳它之前不会造成伤害。写作才是会出问题的环节所以把它集中在一个可见的地方。什么时候图是过度设计诚实的答案是大多数时候。Anthropic 公开的数据把成本具象化了。单个智能体循环的 token 消耗大约是对话交互的4 倍多智能体图大约是对话的15 倍。每增加一个节点都会成倍放大。当任务真的能并行展开时上限是真实存在的。Anthropic 的内部研究评估中多智能体研究系统比单个 Opus 智能体高出 90.2%因为研究天然会拆分成独立的搜索任务。但他们《构建高效智能体》中的核心建议没变找到最简单的可行方案只在任务真正需要时才增加复杂度。如果你的智能体只是一个带工具的简单循环LangGraph 是过度设计。决策规则很直接当工作拆分成真正的专业分工、需要并行扇出与合并、每步需要不同模型或者需要故障隔离和可审计路由时才用图。否则留在循环里。— Token 成本与使用场景对比从哪里开始你不需要第一天就画出一张组织图。循序渐进。1先掌握单个循环带刹车、有真正的完成检查、有一个批评者。由弱循环组成的图只是分布式的失败。2在写代码之前先在纸上画图并挑战每一个节点证明它存在的理由。3upfront 定义状态 schema 和写入权限。状态漂移是图腐烂的主要方式。4让审阅节点使用不同模型和全新上下文并把裁决锚定在外部证据上。5给每个节点设置预算上限。图是多个循环在并行烧 token一个弱的验证器现在会同时烧钱。09KEY TAKEAWAY核心 takeaway图工程不是取代循环工程的新学科。它只是每个智能体构建者最终都会面对的那个决策的名字。当一个循环不够用协调本身就成为工程。这个词未必能活到明年。但这个设计问题会。— Graph Engineering 关键要点总结最后2026 年一晃已经过半AI 大模型的热潮不仅没有降温反而持续升温金融行业用大模型做风控、医疗依靠 AI 解析影像电商、制造、教育各行各业都在把 AI 融入日常业务。曾经热闹的 “百模大战”早就告别单纯比拼模型参数正式进入落地应用时代。现在企业疯狂紧缺一类人才懂业务、懂 AI、能做出可上线项目的大模型开发工程师岗位缺口大薪资待遇十分可观。风口再好不如手握高薪 offer 实在。行情火热普通人、程序员该怎样从零入门大模型抓住这波机会今天整理好【2026 最新版】AI 大模型全套免费学习资源覆盖零基础入门、项目实战、理论知识、大厂面试从基础一路进阶。所有资料分类归档没有多余杂料无套路免费分享给想要入局 AI 赛道的程序员与零基础小白扫码免费领取全部内容1、大模型系统化完整学习路线2、大模型经典书籍文档3、AI 大模型最新行业研究报告4、企业级实战项目 完整配套源码5、大厂大模型面试真题汇总6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。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】