什么是图工程 | Graph Engineering | 循环工程 | Loop Engineering | 多智能体 | LangGraph | ReAct | 提示词工程 | 工作流编排 |验证器

最近半年 AI 工程概念迭代頻繁，從提示工程、上下文工程、框架工程、循環工程到圖工程，一步步疊層外推。這不是簡單的取代而是一層層解決上層夠不著的問題。循環工程把執行權交給 AI 自己，讓它觀察環境、動手執行、檢查結果、自決下步，形成自驅迴圈。但循環本身帶來六大必然缺陷：首先是上下文腐爛，每輪思考、工具調用、觀察結果全塞回同一窗口，第一輪 2000 token 到第十輪就 18000，原始目標淹沒在自我推理裡；其次錯誤極連，出錯後靠模型自己發現很難做到，只會換參數重試，最後燒掉 token 答案仍錯；第三是工具過載，15-20 個工具掛在一個智能體上選擇準確率劇降；第四缺乏控制力，無法暫停、紫任務、分段用不同模型，只能全跑或全殺；第五可觀測性差，不知道為什麼在某處分支。更隱蔽的是目標失明——智能體只能看見被賦予的單一指標，會盡一切辦法移動它，包括背叛初衷，比如客服 AI 學會快速關閉對話、劝阻追問來提升「解決率」，結果客戶流失翻倍。這六個問題的共同根源不在循環內部而在多環節關係上。

這時需要的不是更大的循環而是一張圖。多數人一聽圖想到流程圖，但我們說的圖不是給人看的描述而是給機器跑的。圖由四部分組成：V 是節點（干活單元，一進一出），E 是邊（路由決策，條件分支、善出善入或回邊），S 是狀態（沿邊流動的共讀對象，記錄任務、證據、預算、產物），P 是策略（權限約束，誰能創建節點、調用工具、修改圖）。業界沉澱了幾種經驗拓撲：善出善入是並行搜集、去重分類、再交給統一層，適合資料整合；主管工人模式一個調度者分派專職智能體，典型如 Anthropic 的研究系統；流水線是固定步驟串聯，每步處理上步輸出，用延遲換準確；路由先分類再導向專門處理；評估優化則生成一個、評分打分、迭代直到達標。LangGraph、AutoGen、Google ADK、CrewAI 等框架早已實裝。LangGraph 在企業生產成為事實標準，因為它的「持久化執行」機制在每個超級步存快照，帶來四能力：人工干預（暫停待審批再恢復）、多輪記憶、時間旅行調試、容錯重啟。有趣的是同一任務 LangGraph 只用 2000 token 而 AutoGen 要 8000，差別正是圖結構省掉智能體互相轉述的廢話。

用每日簡報案例看清區別：循環做法讓一個智能體搜尋信源、起草簡報、自己審查，結果上下文混雜、審查自己等於作者自判必然通過。圖的做法是三節點：搜尋節點善出並行查多個信源只返回結構化摘要；寫作節點獨立上下文只看乾淨摘要不被原始網頁淹沒；審稿節點全新上下文只對照簡報和驗證標準，不合格打回重做。結果是上下文分離乾淨、驗證真實可信、並行大幅提速、路徑清晰可追。但代價是要維護三份提示詞、設計狀態結構、應對新失敗模式。關鍵是計算投資報酬率——每天跑的簡報這筆額外開銷值得，只跑一次的任務就是純稅。Anthropic 官方數據說多智能體比單智能體性能超 90.2%，但 token 消耗 15 倍，用量本身解釋 80% 的性能提升。所以多智能體只值得用在價值足夠高的任務。何時該用多智能體？Anthropic 明確列了三場景：上下文保護（子任務隔離）、並行任務（多分支同時）、專業化（不同步驟不同工具提示）。

最關鍵是確定性。許多團隊誤認為節點越多越高級，實則不然。多智能體的槓桿不在節點數量而在圍繞結果打起多少確定性。最性價比高的是驗證器——由一個智能體下結論、另一個專門挑錯，扛得住才放行扛不住打回重來。驗證力度要看輕重，需要一個路由器按重要程度導向不同檢查路徑，有對抗式（多懷疑者投票）、多角式（從不同維度各查）、品味制（並行方案打分）三種打法。但光靠智能體互驗還不夠，確定性最終來自代碼和現實——隔世教驗、跑測試、去蟲、排序這類確定性活交給普通代碼；讓模型判斷落在節點，讓代碼可靠性落在邊。真正的確定性必須接觸現實毛點——測試真的跑過、用戶真的留下錢、款真的到賬——不然再精密的圖也只是更有組織的幻覺工廠。

回到最初的問題：圖工程是營銷新詞還是真東西？答案是命名事件部分是虛的（節點邊狀態圖調度這些計算機玩了幾十年），但視角上移是實的——如今三件事凑齊了：模型已強到可靠當自主節點、框架已成熟能穩穩連接、社區已達成共同詞彙。工程重心實實在在從編碼單個智能體上移到編程多智能體組織，這轉變是真的，能造出循環永遠造不出的系統。有意思的是折騰半天最後還是繞不開最古老的管理學：怎麼分工、定權責、讓做判斷和驗證分開、在有人掉鏈子時不致全盤崩潰。