Graph Engineering 接棒 Loop：AI Coding 从单 Agent 循环走向多节点协同

事件概述

Loop Engineering 走红约六周后，Graph Engineering 成为 AI Coding 领域新热词。OpenClaw 创造者 Peter Steinberger 在 X 上发问“我们还在谈 Loop，还是已经转向 Graph？”截至 7 月 28 日获约 307 万次浏览；同日，机器学习工程师 Hamel Husain 发布调侃文章《Loop Engineering Is Dead. Enter Graph Engineering》，也获约 68 万次浏览。Graph Engineering 在一个周末内从小范围讨论变成热点。

Graph 是什么：旧编排技术的新应用

Graph 本质是一个任务编排系统，管理多个工作单元之间的连接、共享状态与路径选择，核心包括：

• 节点：承担职责的工作单元，可以是确定性代码、模型调用、工具，也可以是能自主循环的 Agent。
• 边：节点间的交接方式，可表达并行、条件、失败、重试和回退。
• 共享状态：保存需求、研究笔记、代码版本、测试结果和审查结论的公共工作台。
• 路由规则：决定下一步走向，例如“测试通过就交付，失败则回到实现节点”。

底层状态机、工作流引擎、DAG 调度、任务队列等并非新技术。新变化在于节点里可以放入能理解目标、使用工具并自行循环的 Agent。学术领域早有实践：ChatDev（ACL 2024）将软件开发组织成多角色“软件公司”，MetaGPT（ICLR 2024）将标准作业流程写入多 Agent 框架，GPTSwarm（ICML 2024）则把语言 Agent 视为可优化图；Anthropic 在 2024 年 12 月总结的提示链、路由、并行、编排者/工作者等结构，画出来也是不同形状的执行图。黄仁勋在 Startup School 2026 上也表达了类似观点：当底层实现越来越多被 Agent 自动化，人类核心价值将转向设计系统、明确约束、组织信息流，并以细粒度方式控制 Agent。

AI Coding 的进化路径

从 Prompt 到 Graph 的过程，是 AI Coding 向更高复杂度项目进化的过程：

• Prompt：LLM 凭预训练记忆直接生成，缺少项目信息。
• Context：带入技术栈、设计稿、API 文档等上下文。
• Harness：接入终端、沙箱、Git、MCP，AI 获得执行工具。
• Loop：引入检查与控制逻辑，AI 可自行读报错、改代码、重跑测试，形成自我纠错闭环。
• Graph：把大项目拆成研究、实现、测试等专业节点，通过共享状态和路由规则实现多 Agent 或人机协同。

主流 Coding Agent 已在实践 Graph

OpenAI Harness Engineering 研究员 Alex Kotliarskyi 曾在 X 上给出教程：先画一张 Graph，再把图交给 Codex，让它编写并运行实现该工作流的脚本。越来越多 Coding Agent 已把任务拆解、子 Agent、并行执行和结果汇总做进产品，只是多数不会把底层结构显式画成流程图。

• OpenAI Codex：主 Agent 可把探索、测试、日志分析等任务委派给多个子 Agent，并行完成后返回摘要；官方提示并行更适合读密集型任务，多 Agent 同时改代码会增加冲突与协调成本。
• Claude Code：Subagents 拥有独立上下文，可承担代码审查、调试和资料分析；实验性 AgentTeams 引入团队负责人、共享任务列表、任务依赖与成员通信。
• Cursor：2.4 版本加入默认与自定义 Subagents；2.0 允许同一 Prompt 最多启动八个 Agent，在独立工作区或远程机器中尝试不同方案。
• Kimi Agent Swarm：采用运行时动态成图，官方称最多可协调 300 个子 Agent，单个任务可完成 4000 次以上工具调用。
• Coze Studio：把图直接暴露给开发者，在可视化画布上连接模型、插件、代码和子工作流，并用条件分支与变量映射规定执行路径，本质是包含控制流和数据流的有向无环图。

这些产品更接近“运行时生成 Graph”：用户给目标，Agent 临时决定如何拆解和协作；LangGraph、Google ADK 2.0 等框架则允许开发者把关键节点、边、状态和路由显式定义出来。

Graph 的适用边界与成本

Graph 适合的复杂任务需要满足：

• 可拆分：不同部分可交给不同节点独立完成。
• 存在分支或回退：系统需要根据测试、资料完整性或人工意见选择路径。
• 中间状态值得保存：需求、代码、测试结果等需要被后续节点复用。
• 结果可验收：有测试、评分标准或人工审批来判断继续、回退还是结束。
• 协作收益高于协调成本：并行分工带来的收益要能抵消上下文传递、结果合并和冲突处理的开销。

7 月 24 日《Nature Machine Intelligence》发表的一项研究覆盖 260 种配置、六类基准、五种架构和三家模型系列，结果显示：在可拆分金融任务中，多 Agent 相对单 Agent 最高提升 80.8%；在顺序依赖很强的 Plan Craft 任务中最高下降 70%；在 SWE-bench Verified 上，四类多 Agent 架构均下降 1.3% 至 12.8%。Anthropic 的研究架构在适合广度搜索的任务上比单 Agent 高 90.2%，但 Token 消耗也显著增加：普通 Agent 约为聊天模式的 4 倍，多 Agent 系统约为 15 倍。

Graph Engineering 并未宣告 Loop 过时；Graph 中的每个节点都可能运行自己的 Loop。新增的工程问题是：哪些 Loop 应该存在、它们如何交接、谁能修改共享状态、失败后回到哪里，以及何时必须停止。