本文深入浅出地介绍了Graph Engineering的概念和应用通过对比传统工作流和现代Agent工程的差异阐述了从Harness Engineering到Loop Engineering再到Graph Engineering的演进过程。文章以股票研究Agent为例展示了三种不同的工程路线并分析了各自的优缺点和适用场景。对于想要学习大模型和Agent技术的程序员来说本文提供了宝贵的参考和指导。过去这段时间Agent 圈造词的速度确实有点快。前段时间大家还在讲 Harness Engineering怎样用工具、权限、沙箱和上下文把 Agent 管住。紧接着Loop Engineering 又开始刷屏怎样让 Agent 根据反馈持续执行。现在Graph Engineering 又来了。很多人看到这里第一反应大概是图、状态机、工作流早就存在这次又把哪项旧技术换了个名字但如果因此武断地把 Graph Engineering 当成纯粹的营销词也会错过 Agent 工程正在发生的一次重心迁移。今天越来越多的系统开始同时运行多个 Agent处理任务依赖、并行执行、证据核验、局部失败、人工审批和中断恢复。这些问题都存在于模型之外也很难只靠单个 Agent 内部的循环解决。这篇文章主要讲三件事Graph Engineering 到底是什么为什么说名词在变工程能力却在螺旋式上升同一个股票研究 Agent采用固定拓扑、单 Agent Loop、进一步引入 Graph Engineering分别会长成什么样。先把 Graph Engineering 说清楚我比较认同下面这个定义Graph Engineering是把模型调用、Agent Loop、确定性代码、工具和人工决策组织成一张显式执行图并设计它们之间的状态传递、动态调度、并行汇合、结果验证、中断恢复和责任边界。这里的 Graph主要指控制图。节点表示一个执行单元可以是普通函数、模型调用、带工具的 Agent、Verifier也可以是人工审批边表示执行关系例如顺序、条件分支、并行、循环和等待State 保存跨节点共享的任务事实例如计划、证据、预算、错误和审批结果Controller 决定下一步继续分发、重新规划、转人工、生成结果还是安全终止。它和 GraphRAG 里的知识图谱要分开。知识图谱描述实体之间的关系控制图描述系统下一步运行谁。Agent Trace 也可能画成图但 Trace 用于回放一次执行控制图负责驱动执行。Graph Engineering 也不等于 LangGraph。LangGraph 是一种实现框架普通 Python、Temporal、Airflow 或其他工作流引擎同样可以承载图工程。反过来项目里调用了StateGraph、注册了几个节点也不能自动证明这套系统已经做好了 Graph Engineering。真正要看的是图有没有承担系统可靠性的责任。任务是否会根据输入改变并行结果怎样合并一条结论有没有证据部分节点失败以后重跑哪里程序退出后能否继续哪些决定留给模型哪些决定必须由规则或人来做如果这些问题还没有进入设计代码即使画成了图也可能只是一条换了外观的固定流水线。Graph 和传统 Workflow 差在哪里节点、边、条件路由、状态和 checkpoint 都有很长的工程历史。Graph Engineering 沿用了工作流、状态机和分布式调度中的大量思想。变化主要来自 Agent 节点的行为。传统工作流节点执行 SQL、HTTP 请求或确定性脚本成功和失败相对容易判断。Agent 节点可能正常返回一份语言流畅的报告其中却混入了错误数字、遗漏条件或没有来源的推断。进程成功只能说明模型给出了输出任务是否合格还需要规则、测试、证据或独立 Reviewer。传统节点的职责通常提前定义。Agent 节点收到的任务可能是“研究这家公司最近的经营风险”它会自行检索、选择工具、拆分子任务并根据中间结果调整方向。路由也可能带有语义判断。财务指标超过阈值可以交给代码判断一条新闻属于经营风险、监管风险还是市场噪声更适合由模型分类。因此一张 Agent Graph 通常同时包含两类控制确定性控制权限、预算、依赖、schema、停止条件、人工审批概率性控制任务拆解、语义路由、研究策略、冲突解释。Graph Engineering 的工作就是决定这两类控制怎样组合。名词在变技术真的在进步吗从 Harness Engineering 到 Loop Engineering再到 Graph Engineering很容易被理解成一串互相取代的新概念。我更愿意把它们看成不同尺度的工程对象工程对象主要关注的问题Harness Engineering模型在什么工具、权限、沙箱和日志环境里工作Loop Engineering执行以后怎样验证、反馈、重试和停止Graph Engineering多个执行单元怎样依赖、并行、汇合、恢复和交接控制权更准确地说它们是一组逐层展开的包含关系。Loop Engineering 要持续执行离不开 Harness 提供的工具、权限、沙箱、上下文和日志环境Graph Engineering 编排的某个节点又可以是一只运行 ReAct Loop 的 Agent。Prompt 和 Context 仍在更里层负责一次模型调用中的指令表达与信息供给。工程对象随着系统尺度向外扩展从模型怎样在受控环境里工作到单个 Agent 怎样根据反馈持续行动再到多个执行单元怎样协作。所以Graph Engineering 把 Loop Engineering 纳入了更大的控制尺度。Loop 负责节点内部的探索与纠错Graph 负责节点之间的依赖、并行、汇合与恢复。Josh C. Simmons 在《We Are Entering the Graph Engineering Phase》中提出过去两年的 Agent 大多可以概括为“模型套在 while loop 里”。当单个步骤逐渐可靠工程瓶颈会向多个执行单元之间的并行、协作、恢复和审批移动。[1]LangChain 则承认 Graph Engineering 带有新 Buzzword 的成分同时强调图适合表达可预测的业务骨架面对开放研究等很难提前确定路线的任务过度预编排反而会压缩 Agent 的探索空间。[2]新名词经常重新包装旧思想但旧思想正在处理新的执行对象。技术的发展原本就很少沿着直线前进。我们会重复遇到调度、状态、验证和容错只是每次进入下一圈时系统规模、自动化程度和不确定性都提高了。这就是我理解的“螺旋式上升”。用同一个股票 Agent 看三种工程路线下面用股票 Agent 项目来举例子。用户输入请研究贵州茅台当前的基本面、估值、技术走势和新闻风险所有结论都要给出证据如果数据冲突先让我确认。下面用三种方式实现它。路线一固定拓扑的 Graph-shaped Workflow这条路线对应股票 Agent 的实现。它使用了 LangGraph四个分析 Agent 并行执行再统一进入 Summary Agent形成固定的fan-out / fan-in并行分发 / 结果汇聚。项目中的主要代码如下workflow StateGraph(AgentState) workflow.add_node(start_node, lambda state: state) workflow.add_node(fundamental_analyst, fundamental_agent) workflow.add_node(technical_analyst, technical_agent) workflow.add_node(value_analyst, value_agent) workflow.add_node(news_analyst, news_agent) workflow.add_node(summarizer, summary_agent) workflow.set_entry_point(start_node) # 固定 fan-out每次都启动四个分析节点 workflow.add_edge(start_node, fundamental_analyst) workflow.add_edge(start_node, technical_analyst) workflow.add_edge(start_node, value_analyst) workflow.add_edge(start_node, news_analyst) # 固定 fan-in四路结果全部交给总结节点 workflow.add_edge(fundamental_analyst, summarizer) workflow.add_edge(technical_analyst, summarizer) workflow.add_edge(value_analyst, summarizer) workflow.add_edge(news_analyst, summarizer) workflow.add_edge(summarizer, END) app workflow.compile()开发者提前决定要运行哪些 Agent、它们怎样连接LangGraph 负责 fan-out 和 fan-in。任务无论怎样变化运行的始终是同一张图。因此这种实现更接近 Graph-shaped Workflow代码已经有图的形状系统可靠性仍主要依赖各个 Agent 自己完成任务。使用了 LangGraph不会自动获得动态规划、证据门、局部恢复和人工接管。这种实现对于路径固定的业务落地而言往往是收益最高的选择。它的优势在于代码短开发速度快数据流容易理解调试时顺着调用栈就能定位任务种类固定时维护成本低。但也存在一些问题。用户只问技术走势系统仍会把四类分析全部跑一遍估值节点也不会显式等待基本面证据某个分支失败程序要么整条重跑要么靠额外的异常代码继续拼报告。模型写出一个数字以后系统也很难回答数字来自哪里、是否过期、有没有经过复核。一旦任务需要等待人工确认或者进程中断后继续固定流程会逐渐堆出大量if/else、状态字段和补偿逻辑。那时系统实际上已经出现了图只是图藏在调用栈和条件语句里。这条路线适合什么场景任务短、路径稳定、调用次数少、失败后整条重跑也能接受时直接写流程通常更划算。Agent 项目启动阶段最常见的问题往往是数据源、Prompt 和验收标准还没有跑通。此时先画一张复杂图不会自动提高结果质量。路线二单 Agent Loop第二种做法是去掉固定的多节点编排把任务交给一只带工具的 Agent。下面是一段简化后的 Loop-only 实现messages [HumanMessage(contentuser_query)] tool_registry { get_financials: get_financials, get_prices: get_prices, search_news: search_news, } for step in range(MAX_STEPS): action await agent.plan( messages, toolslist(tool_registry.values()), ) if action.type tool_call: observation await tool_registry[action.name](action.args) messages.extend([action.message, observation]) continue if action.type finish: verdict verifier.check(action.report) if verdict.passed: return action.report # 证据不足把反馈放回下一轮 messages.append( HumanMessage(contentverdict.feedback) ) raise BudgetExceeded(Agent 已达到最大执行轮数)这只 Agent 可以自己决定先看财报还是先查新闻发现 EPS 缺失后补查数据看到异常消息后继续检索公告最后由 Verifier 判断证据是否足够不足就把反馈送回下一轮。Loop 给系统带来了真实的适应性。面对“最近为什么跌”“这家公司最大的风险是什么”一类开放问题开发者很难提前穷举全部路线。让 Agent 根据观察结果继续探索通常比固定流程更自然。Loop 的优势在于路径开放适合探索型任务Agent 可以根据中间结果修改计划新工具接入后不必为每种组合重新画边代码形态接近模型原生的 Plan—Act—Observe。它的代价来自“所有事情都挤在一个循环里”。基本面、技术面和新闻分析怎样真正并行估值任务是否依赖基本面先完成某个工具调用成功、另一个调用失败时重启循环会不会重复消耗人工审批以后系统应该从哪一步继续如果这些状态主要保存在一长串 Messages 中执行时间越长恢复和审计越困难。Loop 可以决定下一步做什么却不擅长天然表达多个执行单元之间的依赖关系。这条路线适合什么场景路径高度开放、任务主要由一只 Agent 完成、并行和跨角色依赖较少时Loop 很有价值。深度研究、代码探索、资料调查都可能先采用这条路线。只要加上验证、预算和停止条件它就能比固定流水线灵活很多。路线三股票 Agent 可以怎样引入 Graph Engineering第三种路线是在固定图的基础上继续优化把稳定控制和开放探索分层。下面讨论的是一组可参考的设计思路。如果把 Graph Engineering 引入股票 Agent可以先保留一张稳定控制图请求解析 → 混合 Planner 生成任务 DAG → Plan Policy 校验 → Scheduler 找出依赖已满足的任务 → 动态并行 Worker → Evidence Verifier → Controller ├─ 继续分发后继任务 ├─ 缺少证据时重新规划 ├─ 冲突时等待人工处理 ├─ 证据通过后生成报告 └─ 无法恢复时安全终止外层控制图保持稳定每次运行的研究任务图可以根据问题变化。例如用户只问技术走势确定性 Planner 可以只生成一个technical任务标准综合研究会先并行执行fundamental、technical和news等fundamental完成后再启动依赖它的valuation深度研究还可以增加rag与cross_check。Planner 可以根据问题生成结构化任务 DAG也可以在模型不可用时回退到确定性计划。无论计划来自谁都要经过策略层检查task capability 是否来自白名单依赖是否存在环工具、Token 和任务数量是否超出预算模型有没有尝试生成任意工具名或代码。Scheduler 不需要提前知道会产生多少个任务。它只读取当前计划找到依赖已经满足的节点再动态分发。简化后的思路如下ready_tasks plan.find_ready_tasks(completedstate[completed]) dispatches [ Send(research_worker, {task: task}) for task in ready_tasks ] return Command(gotodispatches)每个 Worker 内部仍然可以运行自己的 Agent Loop。Graph 负责 Worker 之间的依赖、fan-out 与 fan-inLoop 负责单个 Worker 怎样使用工具完成任务。状态也可以逐步从自由文本升级为结构化对象分别记录任务计划、依赖、预算、研究结果、证据来源和控制决策。这样一条结论引用了什么数据、哪个任务已经完成、失败后应该重跑哪里都会更容易追踪。再往前一步可以增加独立的证据门检查来源、时效、checksum、数值冲突和引用完整性。证据通过后生成报告出现冲突时暂停执行把批准、修改计划或终止的选择交给人。如果任务还需要跨进程恢复可以配合 checkpointer 保存执行位置让程序恢复后继续未完成任务减少对数据源和模型的重复调用。这些优化思路指向同一个目标让 Graph 承担更多可靠性责任把不确定的模型行为装进一套可验证、可恢复、有预算的执行制度。这条路线的收益和代价Graph Engineering 的收益主要出现在复杂任务上可以显式表达依赖、并行和汇合失败能够限制在局部State 和 checkpoint 支持中断恢复验证、预算和人工审批拥有清楚的位置执行轨迹更容易评测与审计。代价在于需要设计状态 schema 和 reducer动态任务、重试、恢复会增加测试组合节点过细时系统会变得难读所有判断都画成边会压缩 Agent 的自主空间简短任务使用这套架构投入很可能超过收益。Graph 并不要求所有任务路径都提前写完。稳定主图可以只保留入口、计划校验、调度、验证、checkpoint 和人工接管本次任务需要哪些 Worker、依赖怎样组织可以由 AI 在运行时生成。同时把所有编排权都交给模型也会产生新的风险。它可能跳过证据验证创建循环依赖反复调用昂贵工具或者绕过人工确认。更稳妥的做法是让 AI 生成受约束任务图让系统掌握道路规则。三种路线放在一起比较维度固定拓扑单 Agent LoopGraph Engineering路径人提前写好顺序流程Agent 根据观察持续决定下一步稳定控制图 运行时任务 DAG自主性低高分层控制并行与依赖依靠手写并发和条件单循环里较难表达图中显式表达状态局部变量或自由文本对话历史与外部 Memory结构化 State checkpoint验证流程末尾集中检查每轮可以加入 Verifier独立验证节点和控制分支局部恢复较弱依赖 Loop 自己记住进度checkpoint 与任务状态支持开发成本低中高适合场景短任务、固定流程、快速 Demo开放探索、单 Agent 长任务多角色、并行依赖、审批与恢复这里没有绝对正确的路线。工程判断体现在你能否用最低的结构成本换到当前任务真正需要的可靠性。写在最后经常有同学问我Agent 岗位真正的技术壁垒在哪里普通的工作流搭建和工具调用会不会快速同质化变成前两年的 Java答案是一定会的花无百日红。框架调用的门槛一定会降低。今天要手写的工作流明天可能一句话就能生成今天还需要开发者配置的工具下一版模型也许会直接帮你选择。真正拉开差距的能力分上下两层一层靠近业务一层靠近底层架构往业务层看拿到模糊、零散的需求你能不能拆解成一套可落地、可校验的 Agent 执行流程分得清哪些环节交给模型自主判断哪些必须靠固定规则卡死哪里允许模型自由探索哪些风险必须把控制权交还给人工审核往底层架构看一套充满不确定性的 Agent 系统该怎么搭建完整评估标准线上出现异常案例如何快速定位问题、修复漏洞程序报错时怎么把故障范围锁死在局部不影响整体流程大量并发请求、高频工具调用时怎么做流量限流、背压管控后续换成更强的新模型如何平滑迭代整套链路不用推翻原有架构全部重写Graph Engineering 值得关注正是因为它把这些系统问题推到了台前它开始奖励真正懂系统的人状态机、幂等、故障域、backpressure、checkpoint、可观测性。这件事其实挺有意思。当下AI行业最热的方向开始重新靠近分布式计算中那些最古老的纪律。从 Harness Engineering 到 Loop Engineering再到 Graph Engineering工程抽象正在一层层向外扩展。我们需要死磕单次模型调用、打磨prompt的场景越来越少对整体架构设计的要求却越来越高。最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容7、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】
小白程序员必看：收藏这份Agent大模型学习指南，轻松掌握Graph Engineering新趋势！
发布时间：2026/7/27 14:29:49
本文深入浅出地介绍了Graph Engineering的概念和应用通过对比传统工作流和现代Agent工程的差异阐述了从Harness Engineering到Loop Engineering再到Graph Engineering的演进过程。文章以股票研究Agent为例展示了三种不同的工程路线并分析了各自的优缺点和适用场景。对于想要学习大模型和Agent技术的程序员来说本文提供了宝贵的参考和指导。过去这段时间Agent 圈造词的速度确实有点快。前段时间大家还在讲 Harness Engineering怎样用工具、权限、沙箱和上下文把 Agent 管住。紧接着Loop Engineering 又开始刷屏怎样让 Agent 根据反馈持续执行。现在Graph Engineering 又来了。很多人看到这里第一反应大概是图、状态机、工作流早就存在这次又把哪项旧技术换了个名字但如果因此武断地把 Graph Engineering 当成纯粹的营销词也会错过 Agent 工程正在发生的一次重心迁移。今天越来越多的系统开始同时运行多个 Agent处理任务依赖、并行执行、证据核验、局部失败、人工审批和中断恢复。这些问题都存在于模型之外也很难只靠单个 Agent 内部的循环解决。这篇文章主要讲三件事Graph Engineering 到底是什么为什么说名词在变工程能力却在螺旋式上升同一个股票研究 Agent采用固定拓扑、单 Agent Loop、进一步引入 Graph Engineering分别会长成什么样。先把 Graph Engineering 说清楚我比较认同下面这个定义Graph Engineering是把模型调用、Agent Loop、确定性代码、工具和人工决策组织成一张显式执行图并设计它们之间的状态传递、动态调度、并行汇合、结果验证、中断恢复和责任边界。这里的 Graph主要指控制图。节点表示一个执行单元可以是普通函数、模型调用、带工具的 Agent、Verifier也可以是人工审批边表示执行关系例如顺序、条件分支、并行、循环和等待State 保存跨节点共享的任务事实例如计划、证据、预算、错误和审批结果Controller 决定下一步继续分发、重新规划、转人工、生成结果还是安全终止。它和 GraphRAG 里的知识图谱要分开。知识图谱描述实体之间的关系控制图描述系统下一步运行谁。Agent Trace 也可能画成图但 Trace 用于回放一次执行控制图负责驱动执行。Graph Engineering 也不等于 LangGraph。LangGraph 是一种实现框架普通 Python、Temporal、Airflow 或其他工作流引擎同样可以承载图工程。反过来项目里调用了StateGraph、注册了几个节点也不能自动证明这套系统已经做好了 Graph Engineering。真正要看的是图有没有承担系统可靠性的责任。任务是否会根据输入改变并行结果怎样合并一条结论有没有证据部分节点失败以后重跑哪里程序退出后能否继续哪些决定留给模型哪些决定必须由规则或人来做如果这些问题还没有进入设计代码即使画成了图也可能只是一条换了外观的固定流水线。Graph 和传统 Workflow 差在哪里节点、边、条件路由、状态和 checkpoint 都有很长的工程历史。Graph Engineering 沿用了工作流、状态机和分布式调度中的大量思想。变化主要来自 Agent 节点的行为。传统工作流节点执行 SQL、HTTP 请求或确定性脚本成功和失败相对容易判断。Agent 节点可能正常返回一份语言流畅的报告其中却混入了错误数字、遗漏条件或没有来源的推断。进程成功只能说明模型给出了输出任务是否合格还需要规则、测试、证据或独立 Reviewer。传统节点的职责通常提前定义。Agent 节点收到的任务可能是“研究这家公司最近的经营风险”它会自行检索、选择工具、拆分子任务并根据中间结果调整方向。路由也可能带有语义判断。财务指标超过阈值可以交给代码判断一条新闻属于经营风险、监管风险还是市场噪声更适合由模型分类。因此一张 Agent Graph 通常同时包含两类控制确定性控制权限、预算、依赖、schema、停止条件、人工审批概率性控制任务拆解、语义路由、研究策略、冲突解释。Graph Engineering 的工作就是决定这两类控制怎样组合。名词在变技术真的在进步吗从 Harness Engineering 到 Loop Engineering再到 Graph Engineering很容易被理解成一串互相取代的新概念。我更愿意把它们看成不同尺度的工程对象工程对象主要关注的问题Harness Engineering模型在什么工具、权限、沙箱和日志环境里工作Loop Engineering执行以后怎样验证、反馈、重试和停止Graph Engineering多个执行单元怎样依赖、并行、汇合、恢复和交接控制权更准确地说它们是一组逐层展开的包含关系。Loop Engineering 要持续执行离不开 Harness 提供的工具、权限、沙箱、上下文和日志环境Graph Engineering 编排的某个节点又可以是一只运行 ReAct Loop 的 Agent。Prompt 和 Context 仍在更里层负责一次模型调用中的指令表达与信息供给。工程对象随着系统尺度向外扩展从模型怎样在受控环境里工作到单个 Agent 怎样根据反馈持续行动再到多个执行单元怎样协作。所以Graph Engineering 把 Loop Engineering 纳入了更大的控制尺度。Loop 负责节点内部的探索与纠错Graph 负责节点之间的依赖、并行、汇合与恢复。Josh C. Simmons 在《We Are Entering the Graph Engineering Phase》中提出过去两年的 Agent 大多可以概括为“模型套在 while loop 里”。当单个步骤逐渐可靠工程瓶颈会向多个执行单元之间的并行、协作、恢复和审批移动。[1]LangChain 则承认 Graph Engineering 带有新 Buzzword 的成分同时强调图适合表达可预测的业务骨架面对开放研究等很难提前确定路线的任务过度预编排反而会压缩 Agent 的探索空间。[2]新名词经常重新包装旧思想但旧思想正在处理新的执行对象。技术的发展原本就很少沿着直线前进。我们会重复遇到调度、状态、验证和容错只是每次进入下一圈时系统规模、自动化程度和不确定性都提高了。这就是我理解的“螺旋式上升”。用同一个股票 Agent 看三种工程路线下面用股票 Agent 项目来举例子。用户输入请研究贵州茅台当前的基本面、估值、技术走势和新闻风险所有结论都要给出证据如果数据冲突先让我确认。下面用三种方式实现它。路线一固定拓扑的 Graph-shaped Workflow这条路线对应股票 Agent 的实现。它使用了 LangGraph四个分析 Agent 并行执行再统一进入 Summary Agent形成固定的fan-out / fan-in并行分发 / 结果汇聚。项目中的主要代码如下workflow StateGraph(AgentState) workflow.add_node(start_node, lambda state: state) workflow.add_node(fundamental_analyst, fundamental_agent) workflow.add_node(technical_analyst, technical_agent) workflow.add_node(value_analyst, value_agent) workflow.add_node(news_analyst, news_agent) workflow.add_node(summarizer, summary_agent) workflow.set_entry_point(start_node) # 固定 fan-out每次都启动四个分析节点 workflow.add_edge(start_node, fundamental_analyst) workflow.add_edge(start_node, technical_analyst) workflow.add_edge(start_node, value_analyst) workflow.add_edge(start_node, news_analyst) # 固定 fan-in四路结果全部交给总结节点 workflow.add_edge(fundamental_analyst, summarizer) workflow.add_edge(technical_analyst, summarizer) workflow.add_edge(value_analyst, summarizer) workflow.add_edge(news_analyst, summarizer) workflow.add_edge(summarizer, END) app workflow.compile()开发者提前决定要运行哪些 Agent、它们怎样连接LangGraph 负责 fan-out 和 fan-in。任务无论怎样变化运行的始终是同一张图。因此这种实现更接近 Graph-shaped Workflow代码已经有图的形状系统可靠性仍主要依赖各个 Agent 自己完成任务。使用了 LangGraph不会自动获得动态规划、证据门、局部恢复和人工接管。这种实现对于路径固定的业务落地而言往往是收益最高的选择。它的优势在于代码短开发速度快数据流容易理解调试时顺着调用栈就能定位任务种类固定时维护成本低。但也存在一些问题。用户只问技术走势系统仍会把四类分析全部跑一遍估值节点也不会显式等待基本面证据某个分支失败程序要么整条重跑要么靠额外的异常代码继续拼报告。模型写出一个数字以后系统也很难回答数字来自哪里、是否过期、有没有经过复核。一旦任务需要等待人工确认或者进程中断后继续固定流程会逐渐堆出大量if/else、状态字段和补偿逻辑。那时系统实际上已经出现了图只是图藏在调用栈和条件语句里。这条路线适合什么场景任务短、路径稳定、调用次数少、失败后整条重跑也能接受时直接写流程通常更划算。Agent 项目启动阶段最常见的问题往往是数据源、Prompt 和验收标准还没有跑通。此时先画一张复杂图不会自动提高结果质量。路线二单 Agent Loop第二种做法是去掉固定的多节点编排把任务交给一只带工具的 Agent。下面是一段简化后的 Loop-only 实现messages [HumanMessage(contentuser_query)] tool_registry { get_financials: get_financials, get_prices: get_prices, search_news: search_news, } for step in range(MAX_STEPS): action await agent.plan( messages, toolslist(tool_registry.values()), ) if action.type tool_call: observation await tool_registry[action.name](action.args) messages.extend([action.message, observation]) continue if action.type finish: verdict verifier.check(action.report) if verdict.passed: return action.report # 证据不足把反馈放回下一轮 messages.append( HumanMessage(contentverdict.feedback) ) raise BudgetExceeded(Agent 已达到最大执行轮数)这只 Agent 可以自己决定先看财报还是先查新闻发现 EPS 缺失后补查数据看到异常消息后继续检索公告最后由 Verifier 判断证据是否足够不足就把反馈送回下一轮。Loop 给系统带来了真实的适应性。面对“最近为什么跌”“这家公司最大的风险是什么”一类开放问题开发者很难提前穷举全部路线。让 Agent 根据观察结果继续探索通常比固定流程更自然。Loop 的优势在于路径开放适合探索型任务Agent 可以根据中间结果修改计划新工具接入后不必为每种组合重新画边代码形态接近模型原生的 Plan—Act—Observe。它的代价来自“所有事情都挤在一个循环里”。基本面、技术面和新闻分析怎样真正并行估值任务是否依赖基本面先完成某个工具调用成功、另一个调用失败时重启循环会不会重复消耗人工审批以后系统应该从哪一步继续如果这些状态主要保存在一长串 Messages 中执行时间越长恢复和审计越困难。Loop 可以决定下一步做什么却不擅长天然表达多个执行单元之间的依赖关系。这条路线适合什么场景路径高度开放、任务主要由一只 Agent 完成、并行和跨角色依赖较少时Loop 很有价值。深度研究、代码探索、资料调查都可能先采用这条路线。只要加上验证、预算和停止条件它就能比固定流水线灵活很多。路线三股票 Agent 可以怎样引入 Graph Engineering第三种路线是在固定图的基础上继续优化把稳定控制和开放探索分层。下面讨论的是一组可参考的设计思路。如果把 Graph Engineering 引入股票 Agent可以先保留一张稳定控制图请求解析 → 混合 Planner 生成任务 DAG → Plan Policy 校验 → Scheduler 找出依赖已满足的任务 → 动态并行 Worker → Evidence Verifier → Controller ├─ 继续分发后继任务 ├─ 缺少证据时重新规划 ├─ 冲突时等待人工处理 ├─ 证据通过后生成报告 └─ 无法恢复时安全终止外层控制图保持稳定每次运行的研究任务图可以根据问题变化。例如用户只问技术走势确定性 Planner 可以只生成一个technical任务标准综合研究会先并行执行fundamental、technical和news等fundamental完成后再启动依赖它的valuation深度研究还可以增加rag与cross_check。Planner 可以根据问题生成结构化任务 DAG也可以在模型不可用时回退到确定性计划。无论计划来自谁都要经过策略层检查task capability 是否来自白名单依赖是否存在环工具、Token 和任务数量是否超出预算模型有没有尝试生成任意工具名或代码。Scheduler 不需要提前知道会产生多少个任务。它只读取当前计划找到依赖已经满足的节点再动态分发。简化后的思路如下ready_tasks plan.find_ready_tasks(completedstate[completed]) dispatches [ Send(research_worker, {task: task}) for task in ready_tasks ] return Command(gotodispatches)每个 Worker 内部仍然可以运行自己的 Agent Loop。Graph 负责 Worker 之间的依赖、fan-out 与 fan-inLoop 负责单个 Worker 怎样使用工具完成任务。状态也可以逐步从自由文本升级为结构化对象分别记录任务计划、依赖、预算、研究结果、证据来源和控制决策。这样一条结论引用了什么数据、哪个任务已经完成、失败后应该重跑哪里都会更容易追踪。再往前一步可以增加独立的证据门检查来源、时效、checksum、数值冲突和引用完整性。证据通过后生成报告出现冲突时暂停执行把批准、修改计划或终止的选择交给人。如果任务还需要跨进程恢复可以配合 checkpointer 保存执行位置让程序恢复后继续未完成任务减少对数据源和模型的重复调用。这些优化思路指向同一个目标让 Graph 承担更多可靠性责任把不确定的模型行为装进一套可验证、可恢复、有预算的执行制度。这条路线的收益和代价Graph Engineering 的收益主要出现在复杂任务上可以显式表达依赖、并行和汇合失败能够限制在局部State 和 checkpoint 支持中断恢复验证、预算和人工审批拥有清楚的位置执行轨迹更容易评测与审计。代价在于需要设计状态 schema 和 reducer动态任务、重试、恢复会增加测试组合节点过细时系统会变得难读所有判断都画成边会压缩 Agent 的自主空间简短任务使用这套架构投入很可能超过收益。Graph 并不要求所有任务路径都提前写完。稳定主图可以只保留入口、计划校验、调度、验证、checkpoint 和人工接管本次任务需要哪些 Worker、依赖怎样组织可以由 AI 在运行时生成。同时把所有编排权都交给模型也会产生新的风险。它可能跳过证据验证创建循环依赖反复调用昂贵工具或者绕过人工确认。更稳妥的做法是让 AI 生成受约束任务图让系统掌握道路规则。三种路线放在一起比较维度固定拓扑单 Agent LoopGraph Engineering路径人提前写好顺序流程Agent 根据观察持续决定下一步稳定控制图 运行时任务 DAG自主性低高分层控制并行与依赖依靠手写并发和条件单循环里较难表达图中显式表达状态局部变量或自由文本对话历史与外部 Memory结构化 State checkpoint验证流程末尾集中检查每轮可以加入 Verifier独立验证节点和控制分支局部恢复较弱依赖 Loop 自己记住进度checkpoint 与任务状态支持开发成本低中高适合场景短任务、固定流程、快速 Demo开放探索、单 Agent 长任务多角色、并行依赖、审批与恢复这里没有绝对正确的路线。工程判断体现在你能否用最低的结构成本换到当前任务真正需要的可靠性。写在最后经常有同学问我Agent 岗位真正的技术壁垒在哪里普通的工作流搭建和工具调用会不会快速同质化变成前两年的 Java答案是一定会的花无百日红。框架调用的门槛一定会降低。今天要手写的工作流明天可能一句话就能生成今天还需要开发者配置的工具下一版模型也许会直接帮你选择。真正拉开差距的能力分上下两层一层靠近业务一层靠近底层架构往业务层看拿到模糊、零散的需求你能不能拆解成一套可落地、可校验的 Agent 执行流程分得清哪些环节交给模型自主判断哪些必须靠固定规则卡死哪里允许模型自由探索哪些风险必须把控制权交还给人工审核往底层架构看一套充满不确定性的 Agent 系统该怎么搭建完整评估标准线上出现异常案例如何快速定位问题、修复漏洞程序报错时怎么把故障范围锁死在局部不影响整体流程大量并发请求、高频工具调用时怎么做流量限流、背压管控后续换成更强的新模型如何平滑迭代整套链路不用推翻原有架构全部重写Graph Engineering 值得关注正是因为它把这些系统问题推到了台前它开始奖励真正懂系统的人状态机、幂等、故障域、backpressure、checkpoint、可观测性。这件事其实挺有意思。当下AI行业最热的方向开始重新靠近分布式计算中那些最古老的纪律。从 Harness Engineering 到 Loop Engineering再到 Graph Engineering工程抽象正在一层层向外扩展。我们需要死磕单次模型调用、打磨prompt的场景越来越少对整体架构设计的要求却越来越高。最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容7、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】
