共计 1325 个字符，预计需要花费 4 分钟才能阅读完成。
Loop 才火了六周,AI Coding 为什么又开始谈 Graph?
新概念 Graph Engineering 为什么又火爆 AI Coding 圈? 其不是 Loop 的替代品, 而是从“单个 Agent 反复执行”走向“多个节点 …
AI Coding 圈的新热词来得很快 。Loop Engineering 刚被广泛讨论不久,Graph Engineering 又成为焦点。但从已知信息看,Graph 并不是宣告 Loop 失效, 而是把问题从“让一个 Agent 反复推进”扩展到“让多个执行单元有序协作”。
📌 Loop 解决的是持续执行
Loop Engineering 的核心, 是让单个 Agent 根据环境反馈不断行动。比如运行测试、读取报错、修改代码、再次验证, 直到通过验收或触发停止条件。它让 AI Coding 从一次性回答, 走向更接近自动完成任务的连续过程。
不过, 当任务进入真实软件开发场景, 单条循环很快会遇到边界 。需求调研、方案选择、代码实现、测试、安全审查可能同时存在, 工程师要考虑的不只是“继续做”, 还包括谁先做、谁并行、失败回到哪里, 以及不同角色如何共享信息。
🔍 Graph 更像任务编排系统
Graph Engineering 可以理解为把任务拆成节点, 再用连接关系描述流程、状态和路由。节点可以是一个 Agent、一次工具调用、一次人工审核, 也可以是内部仍然运行 Loop 的小系统。
- 节点: 承担研究、编码、测试、评估等职责;
- 边: 决定任务流向、分支和失败回退路径;
- 共享状态: 保存需求、文档、测试结果和中间产物;
- 约束: 控制权限、成本、人工介入和停止条件。
这类思想并非凭空出现。 状态机、工作流引擎、DAG 调度早已存在, 新的变化在于, 今天的节点可以放入能理解目标、调用工具并自我修正的 Agent。
💡 框架和产品正在显式化这张图
多 Agent 软件开发研究和 Agent 工作流框架, 已经在实践类似结构。ChatDev、MetaGPT 等方案强调角色分工和阶段交接;Anthropic 总结过提示链、路由、并行、编排者 / 工作者、评价者 / 优化者等常见模式;LangGraph、Google ADK 等工具则把节点、边、状态持久化、暂停恢复和人工审批做得更明确。
不少 Coding Agent 实际也在使用类似机制, 只是未必把底层流程图展示给用户。用户给出目标后, 系统可能动态拆解任务、创建子任务、并行执行、重试失败步骤, 最后汇总结果。
📊 Graph 不等于 Agent 越多越好
Graph 适合可拆分、可验收、存在并行空间或回退路径的任务 。例如完整功能开发可以拆成调研、前后端实现、测试和审查; 测试失败回到实现节点, 资料不足回到研究节点。
但简单改样式、解释代码或生成单页内容, 通常由一个 Agent 完成更直接。即使任务很难, 如果步骤高度串行、所有参与者必须共享完整上下文, 多 Agent 也可能带来额外沟通和 Token 成本。
Graph 的目标不是堆更多 Agent, 而是用尽量少的节点稳定完成复杂任务。
🚀 总结: 重点从提示词转向系统设计
Graph Engineering 没有否定 Loop, 反而把 Loop 放进更大的协作结构中。每个节点都可能继续循环, 但系统还要决定节点如何交接、状态如何共享、错误如何恢复、成本如何控制。
