深入浅出 Graph Engineering，看这篇就够了

graph engineering 还在持续发酵。我上一篇说它就是一种提示词优化手法有同学看完来问不对吧我看到的那些 graph engineering 文章又写 node 又写 line动辄万字长文看着专业得多你到底说得对不对再说了我在提示词里描述一张图模型就真能照着画出来吗这篇我多写一点把这个概念讲透。先给结论提示词里的图只是内核工程的投影graph engineering 存在两个维度一个在 agent runtime也就是智能体的内核工程里另一个在用户的提示词里。这两个维度不是并列关系。提示词上的氛围图只是内核工程在用户侧的投影。你在提示词里画得再漂亮模型能不能理解全看内核有没有实现图编排、工程手法够不够好。想清楚这一点开头那两个问题就都有答案了。别人写的是内核怎么实现我写的是内核投在用户这一侧的影子两件事不冲突。从 Loop engineering 说起一个圈到多个圈参考前阵子流行的 Loop engineeringgraph engineering 可以理解成它的升级版Loop 是一个圈graph 是多个圈。圈一多画出来就乱了于是用图来规整。engineering 字面意思就是工程。智能体的内核本质就是一个靠工程实现的循环。更准确地说所有的智能体都是由一个最基本的工程循环拼装出来的用户只是看不见而已。看代码最直观。写一个工程循环最关键的两个词是while和break或者for配continue/break。让循环跑起来要有目标而目标就是退出的判断依据。有了这两点循环的骨架就立住了。这就是为什么/goal和/loop这类写法有用目标清楚退出机制明确。它对应的正是 runtime 内核里最重要的两件事条件和退出。只不过循环工程在智能体开发里几乎被所有框架实现了太成熟没什么可讨论的所以人们把目光挪到了看得见的提示词上。你在提示词里写清目标和边界其实是在用自然语言把内核那个while/break描述出来。这个映射一直都在只是内核太成熟它不明显。内核在进化从普通循环到 dynamic workflow普通循环在复杂任务上会走弯路。Anthropic 在 Claude Code 里发布了一个叫 dynamic workflow 的工程实现由模型根据提示词自动拆解任务生成一张动态图并落地成文件方便跟踪状态。这里有个容易被忽略的前提dynamic workflow 是处理复杂任务的手法普通任务根本激活不了它。Claude Code 内核里有多种实现它会为每个任务分配一套合适的 runtime 引擎不是一上来就动用最重的那套。这也解释了那些万字长文在忙什么。其它智能体并没有专门为复杂任务推出一套动态工作流做图的实践所以大量文章都在讨论怎么在内核里把这套工程实现出来。这类内容万字都不一定够写而且大多晦涩难懂因为它本来就是写给做智能体内核的人看的。那普通用户在提示词里画图到底在画什么我们在提示词里画图不是要替内核干活是给复杂任务提前拆解方便那些已经实现了图工程的 agent 更好地理解需求。图这东西本身太复杂我们在提示词上先助跑一段有利于模型推理从而落地成更精准的图。所以我说提示词工程是内核工程在用户侧的投影本质就是局部拆解帮模型理解。内核和提示词是联动的内核随着时代发展往前走会驱动提示词跟着升级。而这种升级要求提示词具备一定的工程描述能力但这件事本身是反人类的。人类的自然表达和工程表达天生相悖没有谁喜欢满嘴知乎者也。所以我判断这注定是一种中间态。随着模型推理能力提升提示词还会保持自然表达的状态。现在需要提示词工程在外面助跑只是因为内核工程还在升级的过渡期。分开说普通用户和开发者各自该关心什么想清楚了投影这层关系普通用户和开发者的动作就很简单。普通用户不必花太多心思去研究图工程、循环工程。内核功能不是我们要操心的事情。我们要掌握的只有一点当提示词效果不准时适当加一点工程表达。工程表达无非就是强化目标、强化约束、强化流程这些跟 agent 对话就能补齐不用自己摸索。应用开发者也不必纠结怎么实现动态图编排。这是一项很复杂的工程该交给框架开发者去啃我们等着接入就好。它是一个基建类组件嵌进智能体里由意图识别来判定要不要激活。就我个人的取舍强流程用 langGraph 的固定图就够了Plan-and-execute 编排动态 DAG也能覆盖很大一部分业务图场景实在不行上 ReAct 加 context engineering 暴力循环大力出奇迹也不是坏事。如果一直没有等到组件出现自己又需要处理复杂任务上面的方案又不理想那就只能手搓 runtime 的图工程了。在智能体开发里我一直信奉 less is more。回到开头那个问题那些又写 node 又写 line 的万字长文讲的是图工程怎么在内核里实现是内核实现我写的是这套内核投在用户这一侧的影子是提示词工程。所以你在提示词里画了一张完美的图模型能不能读懂不取决于你画得多细而取决于内核有没有实现图编排、它的工程手法够不够优秀。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】