KeyFrame內部研究專用

别再盲目追新词! 从工程视角看透Loop与Graph之争

Why QQ7 min中文
觀看原始影片

三句話摘要

Agent 工程中,Loop 實現常見的失控問題,以及何時應該升級到更複雜的執行編排(Graph Engineering)。 Loop 沒死,只是從整個系統變成了系統裡的一個局部結構;真正成熟的 Agent 系統,應該是在清晰的可控邊界內,用結構化狀態、明確的節點契約和獨立驗證,而不是盲目追逐複雜圖譜。 Loop 失控的根本原因:簡陋實現把聊天記錄當資料庫,累積的歷史、工具結果、事實和錯誤全塞在越來越長的上下文中,模型無法準確區分,串行執行也很低效。

重點整理

  1. Loop 失控的根本原因:簡陋實現把聊天記錄當資料庫,累積的歷史、工具結果、事實和錯誤全塞在越來越長的上下文中,模型無法準確區分,串行執行也很低效。

  2. Graph 不是新東西,而是舊問題的新名稱:工作流、狀態機、DAG 早已存在,Graph Engineering 只是在系統複雜度上升時,對執行編排的新概括——它是把多個 Agent、確定性代碼、驗證器和人工審批組織成可控制、可審計的執行網絡。

  3. 三個核心工程實踐:(1)狀態外置,結構化存儲計畫、驗證事實、執行檢查點;(2)明確誰決定下一步——權限、預算和不可逆操作必須由確定性程式或人工處理;(3)謹慎使用並行和循環,失敗回復時必須攜帶具體原因和修改建議。

  4. Graph 的限制與務實升級路徑:Graph 無法修復目標偏差或依賴有偏見模型的驗證,只會更快更系統地做錯事。真正的升級時機是任務有可並行分支、需要檢查點恢復、或需要執行審計時,先明確單個 Agent 的驗收標準,看能否收斂,再逐步增加複雜度。

實用技巧與重點

  • 推波助瀾的人物:Peter Steinberger(2026年7月提出問題)、Hamel Hussain(發文嘲諷新名詞通膨)
  • 歷史背景:prompt engineering → context engineering → loop engineering → graph engineering(名詞通膨現象)
  • 簡陋 Loop 的具體問題:對話記錄當狀態資料庫、串行執行、同一模型生成又驗證、自我偏好盲區
  • 三層執行編排:單 Agent Loop → 多節點圖 → 動態圖(風險最高)
  • Anthropic 相關方案:Building Effective Agents(提及路由、並行、編排器、工作者模式)、Dynamic Workflows(支持 JavaScript 編排、Agent 協調、恢復和並行)
  • 升級決策樹:任務短 + 探索強 + 失敗重來成本低 → 用 Loop;有並行分支 + 需隔離上下文 + 需檢查點恢復 + 需審計 → 升級編排
  • 務實路徑:明確驗收標準 → 檢查能否收斂 → 狀態外置 + 獨立驗證 + 失敗回復 → 複雜編排

結論

Loop 沒死,只是從整個系統變成了系統裡的一個局部結構;真正成熟的 Agent 系統,應該是在清晰的可控邊界內,用結構化狀態、明確的節點契約和獨立驗證,而不是盲目追逐複雜圖譜。

完整解析

講者首先指出當下 AI 工程界的焦點問題:用 Agent 寫代碼越來越累,模型改了十分鐘不但沒修好還把正常代碼改崩。表面上看是模型不聰明,但根本原因往往是控制流、狀態管理和驗證出了問題。正因為這樣,整個技術圈最近為「Loop vs Graph」炒翻了天。

這場討論的引爆點發生在 2026 年 7 月,開發者 Peter Steinberger 在推特上拋出靈魂拷問:「我們還在談 Loop 還是已經轉向 Graph?」隨後,另一位大佬 Hamel Hussain 用一篇標題煽動的文章《Loop Engineering is Dead, Enter Graph Engineering》回應,點進去才發現文章只有一個句號和一段搞笑影片——這其實是在嘲諷技術圈的名詞通膨現象。每隔幾個月就會發明新詞彙:prompt engineering、context engineering、loop engineering,現在又來 graph engineering。

但講者強調,我們不能因為討厭新名詞就無視背後的真實工程挑戰。對於簡陋的 Loop 實現,最大的問題是架構設計缺陷。最常見的做法是把所有東西——歷史記錄、工具調用結果、事實、錯誤——全都塞進越來越長的對話上下文。這樣做的後果是模型分不清什麼是事實、什麼是它自己猜的,而且串行執行太慢,一步失敗整個任務可能得從頭來過。

Graph Engineering 其實不是突然出現的新算法,工作流、狀態機、DAG 早已存在。它的本質是:當系統從單 Agent 複雜化,涉及多個 Agent、確定性代碼、驗證器,甚至人工審批時,你需要把他們組織成一個可控制、可審計的執行網絡。Loop 和 Graph 不是誰替代誰的關係,而是不同層級的問題。Anthropic 在《Building Effective Agents》中提到的路由、並行、編排器、工作者模式,其實已經具備了圖的結構。

針對如何做好執行編排,講者列舉了三個比較有共識的工程做法。首先,把狀態外置。別再把聊天記錄當資料庫了,任務的計畫、驗證過的事實、執行的檢查點這些都要變成結構化的資料存起來,狀態字段應該有明確的所有者,模型不能隨便覆蓋事實。其次,明確節點和邊的契約。不一定非得是模型決定下一步,涉及權限、預算和不可逆操作時必須交給確定性的代碼、規則或人工審批。最後,小心使用並行和循環。並行能加快速度但帶來結果冲突,而對於循環,如果驗證失敗不要簡單讓 Agent 再試一次,回復必須携帶具體失敗原因、證據和建議的修改範圍。

然而,Graph 並非萬能藥。它無法修復錯誤的目標、評價標準和外部事實依據。如果系統目標本身就是偏的,或驗證器依賴同一個有偏見的模型,那麼 Graph 只會讓你的系統更快更系統地做錯事。此外,動態圖(讓模型自己生成工作流和節點結構)聽起來很酷,但若缺少足夠的約束,可能生成無限分支、瘋狂消耗成本,甚至繞過安全審批。

講者強調的務實原則是:不要盲目追逐新概念。如果你的任務很短、探索性強、失敗了重來成本不高,那就老老實實用 Loop。但如果任務有可並行的分支、需要不同 Agent 的隔離上下文、需要檢查點恢復或需要準確審計執行路徑,這時候更好的執行編排帶來的收益才大於它增加的複雜度。一個務實的做法是:先給單個 Agent 設置明確的驗收標準、截止期限和停止條件,看看它能否收斂;如果不能,再把狀態外置、加上獨立驗證和失敗回復;最後才考慮複雜編排。不要為了畫圖而畫圖,工程的本質是解決問題,而不是堆砌複雜度。

最後,講者展望工業級系統的方向:絕對不會是模型在裡面隨意狂奔,而是模型提議、運行時約束、外層可編程執行引擎來約束節點類型、全線預算和副作用。Anthropic 的 Dynamic Workflows 已經展示了這個方向——執行 JavaScript 的工作流、協調 Agent 的支持、恢復和並行能力。我們需要的是可控的智能,而不是失控的黑盒。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。