Loop才火六周，AI Coding风向就转向Graph Engineering？

事件概述

2026年6月，Open Claw 创造者 Peter Steinberger 以“不要再亲自提示 Coding Agent，而要设计能够提示它的循环”带火了 Loop Engineering。仅六周后，他在 X 上询问“我们还在谈 Loop，还是已经转向 Graph？”，截至7月28日浏览量约307万。同日，机器学习工程师 Hamel Husain 发布调侃文章《Loop Engineering Is Dead. Enter Graph Engineering》，获约68万浏览。Graph Engineering 几乎在一个周末内成为 AI Coding 新热词。

核心信息

• Loop 解决的是单个 Agent 如何根据环境反馈不断检查、修改、重试的问题；但当任务涉及研究、编码、测试等多个 Agent 时，需要解决谁先开始、哪些工作并行、失败后回退到哪里、如何共享同一份状态等新问题。
• Graph Engineering 本质是任务的编排系统，管理多个工作单元之间的连接、共享状态与路径选择。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，人类的核心价值将从亲手完成每个步骤，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。
• 底层技术并非全新：状态机、工作流引擎、DAG 调度、任务队列和知识图谱早已存在。ChatDev（ACL 2024）和 MetaGPT（ICLR 2024）已实践角色分工、阶段交接与共享产物；GPTSwarm 在 ICML 2024 提出“Language Agents as Optimizable Graphs”；Anthropic 2024年12月发布的《Building Effective Agents》也总结了提示链、路由、并行、编排者/工作者等常见结构。
• 框架层已明确落地：LangGraph 将节点、边、共享状态、持久化执行和人工介入作为核心能力；Google ADK 2.0 推出 Graph-first 工作流引擎。2026年7月25日，OpenAI 研究员 Alex Kotliarskyi 给出教程：先画一张 Graph，再交给 Codex 编写并运行实现该工作流的脚本。
• 产品层面，主流 Coding Agent 已把任务拆解、子 Agent、并行执行、隔离工作区、失败重试和结果汇总做进产品，属于“运行时生成 Graph”；Kimi Agent Swarm 与 Coze Studio 则将类似思想包装为普通用户可直接调用的“AI 组织”。

适用边界与成本

• Nature Machine Intelligence 于2026年7月24日发表的研究覆盖260种配置、六类基准、五种架构和三家模型系列。结果显示：在可拆分的金融任务中，多 Agent 相对单 Agent 最高提升80.8%；在顺序依赖很强的 Plan Craft 规划任务中最高下降70%；在 SWE-bench Verified 上，四类多 Agent 架构均出现1.3%至12.8%的下降。关键变量不是抽象的“复杂度”，而是任务能否被有效拆分，以及协调成本是否超过收益。
• Anthropic 的多 Agent 研究系统采用主 Agent 制订计划、多个子 Agent 并行搜索、引用检查 Agent 处理来源的架构。在适合广度搜索的任务上，该架构比单 Agent 高90.2%；但 Token 消耗约为聊天模式的4倍，多 Agent 系统约为15倍。大量顺序依赖、要求所有 Agent 共享相同上下文的任务并不适合这种架构。
• Graph Engineering 并未宣判 Loop 过时：Graph 的每个节点都可能运行自己的 Loop。新增工程问题是：哪些 Loop 应该存在、它们怎样交接、谁能修改共享状态、失败后回到哪里、何时必须停下来。工程师的注意力正从“怎么写更好的指令”扩展到“如何组织一个可观察、可恢复、可控制成本的执行系统”。