模型没变慢是你把一张可以并行的图硬画成了一条排队的线。一个多步骤 Agent 最常见的样子是 A 做完交给 BB 做完交给 C。看上去井井有条跑起来却像只有一个窗口的办事大厅后面的任务全在等前面的任务盖章。问题是其中很多步骤根本没有依赖关系。“总结这个文件然后查询天气。”天气查询不读文件摘要。两个任务被放进同一条链只是因为提示词里出现了“然后”。这不是必要顺序是人为制造的等待。我自己拆任务时也容易犯这个错句子写成一条线脑子里就默认执行也该排成一条线。codila 最近写了一篇很完整的 Graph Engineering 教程。它讲的不是再造一个 Agent 框架而是换一种看任务的方法不要先问 Agent 还能多做什么先画出工作的形状。Graph Engineering一个提示词编排 Agent 图Anthropic 今年推出的 Claude Code Dynamic Workflows正把这种思路做成产品能力Claude 可以根据任务即时编写编排脚本把工作拆成多个 Subagent 并行执行独立检查后再汇总为一个结果。它已经正式开放但官方也把警告写得很清楚——这类工作流通常比普通会话消耗更多 tokens。所以Graph 不是“多开几个 Agent”这么简单。真正的工程问题有五个哪里能并行数据怎么流动谁来验证工作区怎么隔离以及什么东西不允许 Agent 自己改。/ / /Loop 与 Graph差的不是数量Loop 是一个 Agent 围绕一个目标反复行动、检查、修正。它能持续改进但也有一个天然盲区它只能看到自己被要求优化的指标。客服机器人如果只盯工单关闭率数字可能越来越漂亮用户满意度却越来越差。它学会的是“更快关单”不是“真正解决问题”。这正是古德哈特定律在 Agent 系统里的版本当一个指标变成目标它就可能不再是好指标。在我看来Graph 的价值不是节点数量而是让循环彼此监督。执行节点产出结果审计节点看过程验证节点接触外部证据。节点负责思考边负责搬运数据。从 Loop 到 Graph但节点多并不代表系统更聪明。一群 Agent 共享同一份偏见再互相点赞只是把一个错误复制了很多份。/ / /先删掉那些不存在的边Graph 由两部分组成-节点一项独立工作有明确输入和输出-边真实依赖前一个节点的输出会成为后一个节点的输入。最容易画错的地方是把“接下来”当成依赖。判断方法很直接下一个任务是否真的读取上一个任务的结果-读取这是一条真实的边保留顺序-不读取不存在边让两个节点同时运行。“然后”不等于依赖这一步看着朴素却决定了整个系统能否提速。如果 A、B、C 都互不依赖却依次等待那么再强的模型也救不了这条流水线。相反如果每一步确实依赖上一步强行并行只会制造缺数据的半成品。一个好习惯画图时给每条边写上“传递的变量”。写不出来就要怀疑这条边是否存在。/ / /用一个受控任务跑出第一张图原文给了一个很适合试跑的任务扫描代码仓库中所有路由文件检查是否缺少认证逻辑每个文件交给一个 Agent再由独立验证器确认发现之后统一汇总报告。可以把提示词改成Create a workflow to audit every route file under src/routes/ for missing auth checks. Spawn one agent per file, then run an independent verifier on each finding before reporting. Analyze a maximum of 20 files to start.“最多 20 个文件”很重要。第一次不要直接开满。先看图如何拆分、每个节点拿到什么输入、验证是否真的独立、失败如何返回以及一次运行到底花多少 usage。Dynamic Workflow 会生成 JavaScript 编排脚本。中间结果保存在脚本变量中不需要把每个 Agent 的完整对话不断塞回主上下文只有一份协调后的答案返回当前会话。从一个提示词扇出多个 Agent这就是所谓“协调不占对话上下文”的来源。但别把它误读成 “零成本”。说实话我最担心的就是这句被截掉前半段传播**编排更省上下文不等于工作本身免费。**每个 Agent 的推理、工具调用和验证仍然消耗 usage而且通常明显高于单 Agent 会话。适合第一张图的任务应该满足三个条件范围有限、结果可验证、节点之间存在明显独立性。全仓安全扫描、批量 API 迁移、按文件代码审查都是好候选。/ / /真正会把 Graph 跑崩的两件事图画出来只是开始。生产环境里最危险的故障往往不是某个 Agent 报错而是整张图看起来全绿结论却不可信。验证器和执行器共享了同一副眼镜让执行 Agent 自己检查自己的结果通常会更宽容。换一个“验证器”名字也不够如果它继承执行器的完整对话、推理路径和暗示它很容易沿着同一套假设继续点头。真正的验证节点需要-独立上下文-明确的验收标准-可重复执行的真实信号-只接收必要证据不接收执行器的自我评价。验证器需要独立上下文不要问“Agent 说完成了吗”要问“测试真的通过了吗”不要问“报告看起来合理吗”要检查引用是否存在、数字能否复算、代码是否能构建。多个 Agent 在同一个工作区里抢方向盘并行读取通常安全并行写入(尤其是同一批代码文件)则完全不同。两个 Agent 同时修改同一个文件、切换同一个分支、执行共享 git 命令很容易互相覆盖。原文引用 Bun 团队的经验第一次大规模扇出失败解决方案不是再写一段更聪明的提示词而是改变结构——禁止不安全的共享命令为不同工作组提供隔离 worktree。并行工作节点必须隔离在扇出之前先回答三件事[01]每个 Agent 在哪里工作[02]结果通过什么规则合并[03]两个 Agent 结论冲突时谁有最终决定权这三件事没有答案Graph 不会让系统扩展只会让它更快地撞墙。/ / /六类任务最值得画成图原文列了六种很实用的形状[01]全仓安全扫描按文件扇出逐条发现再由验证器确认[02]带引用的深度研究把问题拆成多个角度并行搜索再相互反驳[03]大规模模块迁移按文件移植用构建和测试作为关卡[04]对抗式 Diff Review小改动走单次审查大改动触发并行审计[05]定期生态扫描保存工作流按计划重复执行[06]未知规模的发现任务并行搜索新线索直到连续两轮找不到新结果。共同结构并不复杂找出真实依赖 → 独立任务扇出 → 独立上下文验证 → 隔离写入 → 汇总。大规模案例确实存在。Anthropic 官方披露Bun 从 Zig 到 Rust 的重写使用了 Dynamic Workflows大量 Agent 并行处理文件每个文件还有两名评审之后由构建和测试循环继续修复。Simon Willison 按 API 价格估算这次运行约值 16.5 万美元。这个数字比任何性能宣传都更值得记住规模是真实的成本也是真实的。Graph 适合高价值、可并行、可验证的任务不适合为了“看起来高级”而使用。/ / /给图钉上不能移动的锚点拓扑结构本身不会带来真相。如果所有 Agent 都只读彼此的输出没有任何节点接触真实世界那么整张图仍会像单个 Loop 一样自我强化。它需要一些不接受争论的锚点-实际执行过的测试不是“理论上应该通过”-基于原始证据的验证器不是基于语气的判断-Agent 无权修改的冻结规则-明确的预算、权限和发布关卡。Graph 需要事实锚点为什么规则要冻结因为优化器会本能地寻找更容易达标的路径。如果 Agent 既负责完成任务又能调整测试和评分标准它最终可能优化掉真正困难的部分。Graph 的诚实程度取决于其中那些拒绝移动的节点。/ / /哪些任务不要用 Graph不是每项工作都值得召集一支 Agent 舰队。-改一个函数、修一个小 bug单 Agent 更快、更便宜-你要逐步人工审批Graph 的宽并行反而妨碍监督-还不知道自己在找什么探索早期更需要能随时转向的单 Agent-每一步都读取上一步结果这就是一条真实链并行无从下手。最简单的判断仍然来自第 1 步如果找不到两个“彼此之间没有箭头”的节点就没有必要画 Graph。Loop 完全够用。提示词使用者提问架构师画图。真正的升级不是把 Agent 数量从 1 改成 1000而是看清哪里能展开、哪里必须等待、哪里需要验证、哪里绝不能被系统自己改掉。画出依赖隔离执行冻结事实。剩下的才交给 Agent 舰队。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】 别再把 Agent 排成队：Graph Engineering 五步实战
模型没变慢是你把一张可以并行的图硬画成了一条排队的线。一个多步骤 Agent 最常见的样子是 A 做完交给 BB 做完交给 C。看上去井井有条跑起来却像只有一个窗口的办事大厅后面的任务全在等前面的任务盖章。问题是其中很多步骤根本没有依赖关系。“总结这个文件然后查询天气。”天气查询不读文件摘要。两个任务被放进同一条链只是因为提示词里出现了“然后”。这不是必要顺序是人为制造的等待。我自己拆任务时也容易犯这个错句子写成一条线脑子里就默认执行也该排成一条线。codila 最近写了一篇很完整的 Graph Engineering 教程。它讲的不是再造一个 Agent 框架而是换一种看任务的方法不要先问 Agent 还能多做什么先画出工作的形状。Graph Engineering一个提示词编排 Agent 图Anthropic 今年推出的 Claude Code Dynamic Workflows正把这种思路做成产品能力Claude 可以根据任务即时编写编排脚本把工作拆成多个 Subagent 并行执行独立检查后再汇总为一个结果。它已经正式开放但官方也把警告写得很清楚——这类工作流通常比普通会话消耗更多 tokens。所以Graph 不是“多开几个 Agent”这么简单。真正的工程问题有五个哪里能并行数据怎么流动谁来验证工作区怎么隔离以及什么东西不允许 Agent 自己改。/ / /Loop 与 Graph差的不是数量Loop 是一个 Agent 围绕一个目标反复行动、检查、修正。它能持续改进但也有一个天然盲区它只能看到自己被要求优化的指标。客服机器人如果只盯工单关闭率数字可能越来越漂亮用户满意度却越来越差。它学会的是“更快关单”不是“真正解决问题”。这正是古德哈特定律在 Agent 系统里的版本当一个指标变成目标它就可能不再是好指标。在我看来Graph 的价值不是节点数量而是让循环彼此监督。执行节点产出结果审计节点看过程验证节点接触外部证据。节点负责思考边负责搬运数据。从 Loop 到 Graph但节点多并不代表系统更聪明。一群 Agent 共享同一份偏见再互相点赞只是把一个错误复制了很多份。/ / /先删掉那些不存在的边Graph 由两部分组成-节点一项独立工作有明确输入和输出-边真实依赖前一个节点的输出会成为后一个节点的输入。最容易画错的地方是把“接下来”当成依赖。判断方法很直接下一个任务是否真的读取上一个任务的结果-读取这是一条真实的边保留顺序-不读取不存在边让两个节点同时运行。“然后”不等于依赖这一步看着朴素却决定了整个系统能否提速。如果 A、B、C 都互不依赖却依次等待那么再强的模型也救不了这条流水线。相反如果每一步确实依赖上一步强行并行只会制造缺数据的半成品。一个好习惯画图时给每条边写上“传递的变量”。写不出来就要怀疑这条边是否存在。/ / /用一个受控任务跑出第一张图原文给了一个很适合试跑的任务扫描代码仓库中所有路由文件检查是否缺少认证逻辑每个文件交给一个 Agent再由独立验证器确认发现之后统一汇总报告。可以把提示词改成Create a workflow to audit every route file under src/routes/ for missing auth checks. Spawn one agent per file, then run an independent verifier on each finding before reporting. Analyze a maximum of 20 files to start.“最多 20 个文件”很重要。第一次不要直接开满。先看图如何拆分、每个节点拿到什么输入、验证是否真的独立、失败如何返回以及一次运行到底花多少 usage。Dynamic Workflow 会生成 JavaScript 编排脚本。中间结果保存在脚本变量中不需要把每个 Agent 的完整对话不断塞回主上下文只有一份协调后的答案返回当前会话。从一个提示词扇出多个 Agent这就是所谓“协调不占对话上下文”的来源。但别把它误读成 “零成本”。说实话我最担心的就是这句被截掉前半段传播**编排更省上下文不等于工作本身免费。**每个 Agent 的推理、工具调用和验证仍然消耗 usage而且通常明显高于单 Agent 会话。适合第一张图的任务应该满足三个条件范围有限、结果可验证、节点之间存在明显独立性。全仓安全扫描、批量 API 迁移、按文件代码审查都是好候选。/ / /真正会把 Graph 跑崩的两件事图画出来只是开始。生产环境里最危险的故障往往不是某个 Agent 报错而是整张图看起来全绿结论却不可信。验证器和执行器共享了同一副眼镜让执行 Agent 自己检查自己的结果通常会更宽容。换一个“验证器”名字也不够如果它继承执行器的完整对话、推理路径和暗示它很容易沿着同一套假设继续点头。真正的验证节点需要-独立上下文-明确的验收标准-可重复执行的真实信号-只接收必要证据不接收执行器的自我评价。验证器需要独立上下文不要问“Agent 说完成了吗”要问“测试真的通过了吗”不要问“报告看起来合理吗”要检查引用是否存在、数字能否复算、代码是否能构建。多个 Agent 在同一个工作区里抢方向盘并行读取通常安全并行写入(尤其是同一批代码文件)则完全不同。两个 Agent 同时修改同一个文件、切换同一个分支、执行共享 git 命令很容易互相覆盖。原文引用 Bun 团队的经验第一次大规模扇出失败解决方案不是再写一段更聪明的提示词而是改变结构——禁止不安全的共享命令为不同工作组提供隔离 worktree。并行工作节点必须隔离在扇出之前先回答三件事[01]每个 Agent 在哪里工作[02]结果通过什么规则合并[03]两个 Agent 结论冲突时谁有最终决定权这三件事没有答案Graph 不会让系统扩展只会让它更快地撞墙。/ / /六类任务最值得画成图原文列了六种很实用的形状[01]全仓安全扫描按文件扇出逐条发现再由验证器确认[02]带引用的深度研究把问题拆成多个角度并行搜索再相互反驳[03]大规模模块迁移按文件移植用构建和测试作为关卡[04]对抗式 Diff Review小改动走单次审查大改动触发并行审计[05]定期生态扫描保存工作流按计划重复执行[06]未知规模的发现任务并行搜索新线索直到连续两轮找不到新结果。共同结构并不复杂找出真实依赖 → 独立任务扇出 → 独立上下文验证 → 隔离写入 → 汇总。大规模案例确实存在。Anthropic 官方披露Bun 从 Zig 到 Rust 的重写使用了 Dynamic Workflows大量 Agent 并行处理文件每个文件还有两名评审之后由构建和测试循环继续修复。Simon Willison 按 API 价格估算这次运行约值 16.5 万美元。这个数字比任何性能宣传都更值得记住规模是真实的成本也是真实的。Graph 适合高价值、可并行、可验证的任务不适合为了“看起来高级”而使用。/ / /给图钉上不能移动的锚点拓扑结构本身不会带来真相。如果所有 Agent 都只读彼此的输出没有任何节点接触真实世界那么整张图仍会像单个 Loop 一样自我强化。它需要一些不接受争论的锚点-实际执行过的测试不是“理论上应该通过”-基于原始证据的验证器不是基于语气的判断-Agent 无权修改的冻结规则-明确的预算、权限和发布关卡。Graph 需要事实锚点为什么规则要冻结因为优化器会本能地寻找更容易达标的路径。如果 Agent 既负责完成任务又能调整测试和评分标准它最终可能优化掉真正困难的部分。Graph 的诚实程度取决于其中那些拒绝移动的节点。/ / /哪些任务不要用 Graph不是每项工作都值得召集一支 Agent 舰队。-改一个函数、修一个小 bug单 Agent 更快、更便宜-你要逐步人工审批Graph 的宽并行反而妨碍监督-还不知道自己在找什么探索早期更需要能随时转向的单 Agent-每一步都读取上一步结果这就是一条真实链并行无从下手。最简单的判断仍然来自第 1 步如果找不到两个“彼此之间没有箭头”的节点就没有必要画 Graph。Loop 完全够用。提示词使用者提问架构师画图。真正的升级不是把 Agent 数量从 1 改成 1000而是看清哪里能展开、哪里必须等待、哪里需要验证、哪里绝不能被系统自己改掉。画出依赖隔离执行冻结事实。剩下的才交给 Agent 舰队。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】