Atrial Natriuretic Factor (1-30) (frog) ；APRSMRRSSDCFGSRIDRIGAQSGMGCGRF
2026/7/24 19:24:50
上个周末，“Graph 工程”（graph engineering）一词突然火了，起因是下面这条推文：
这是 X 平台 AI 内容工厂里诞生的最新术语，加入了 Prompt 工程、上下文工程、Harness 工程和 Loop 工程的行列。把这些词称为"流行语"，既是诱惑也是事实，但它们的存在和出现是有原因的：它们确实描述了构建者面临的真实挑战和设计决策。
归根结底，目标是驾驭 LLM 的能力，让它为我们做有用的事。无论你用的是 prompting、agents、loops 还是 graphs，那些都只是实现细节。之所以有这么多术语，是因为让 LLM 干活很难。它们是一种新型的、不稳健、不确定性的软件，我们不断尝试新策略来让它们工作，而新策略就催生了新流行语。
抛开流行语不谈，把智能体系统表示为图（“Graph 工程”）确实是驾驭 LLM 能力的一种非常合理的方式。具体来说，它让你（作为构建者）把"系统应该如何工作"的先验认知，转化为更受约束的路径，而不是完全依赖 LLM 自己的判断。更具体地说：当你希望 agent 遵循特定路径时，它让你能更严格地控制行为。
正是这个直觉驱动我们在三年前构建了 LangGraph，一个用于构建这类智能体系统的框架。如今，LangGraph 每月下载量超过 6500 万次，初创公司和大型企业都在使用。
市面上 agent 框架多如牛毛，LangGraph 之所以脱颖而出，是因为它在确定性路径与智能体化步骤之间取得了平衡。
以下是我们多年来用图构建智能体系统学到的东西。
一、把 Agent 建模为图
图给了你一种具体的方式，来定义 agent 遵循的工作流。
在 LangGraph 中，节点负责干活。一个节点可以是确定性代码、一次 LLM 调用、一次工具调用，也可以是一个拥有自己内部循环的完整 agent。
边定义接下来发生什么。有些边是确定性的；有些是条件性的，取决于节点的结果、当前状态或某个外部信号。
你可以把它看作一个状态机：图定义了工作流、在其中流转的状态，以及步骤之间的转移。
二、什么时候该把 Agent 表示为图
真实世界的 agent 工作流往往有可预测的结构：客服 agent 在回答或升级之前要先对问题分类；编码 agent 在提出修改前要先检查代码仓库；合规工作流要求在执行外部操作前必须审批。
图让你把这种结构直接编码进去：哪些路径是合法的、哪里让模型做选择、哪里应该强制确定性行为，而不是寄希望于模型每次都做出正确判断。
把系统表示为图，你就是在编码你对"这个系统应当如何工作"的世界知识。就像 prompt 承载了区分你的 agent 和通用 ChatGPT 的领域知识一样，这些"认知架构"（cognitive architectures）同样可以。
以一个使用三个子 agent 做搜索的知识库 agent 为例：GitHub agent 负责代码、issue 和 PR；Notion agent 负责内部文档和 wiki；Slack agent 负责相关讨论串。这个工作流有三个固定阶段：分类 → 搜索 → 综合。
结果就是代码与模型推理协同工作：模型在它增值的地方推理，其余的交给代码，agent 因此变得更便宜、更快、更可预测。
三、什么时候不该用图
有些任务本质上是更"智能体化"的，把它们强行塞进确定性路径是错误的做法。这种情况下，你不该把系统表示为图，而应该直接用 agent harness（比如 Deep Agents）。
通用深度研究（deep research）就是一个好例子：研究 agent 需要规划、委派、搜索、阅读、综合，这些方式很难事先固定下来。我们早期的 deep research 就是基于预定义的 LangGraph 工作流构建的，后来转向了更智能体化的核心循环。流行的深度研究实现 GPT Researcher 也做了同样的转变，把图形的多 agent 流水线换成了 Deep Agents，让规划、委派和上下文管理在 harness 中涌现，而不是在图里硬编码。
四、构建 LangGraph 教会了我们什么
过去三年，我们一直在构建由图驱动的 agent。以下是我们的心得。
第一，agent 图通常不是 DAG（有向无环图）。
生产环境的 agent 需要循环：重试失败的工具调用、向用户询问缺失的信息、验证后修改答案、反复调用工具直到上下文足够、暂停等待人工输入再继续。循环是智能体系统的核心组成部分，所以它们很可能不是 DAG。
第二，Loop 就是简单的图。
Loop 工程与其说是图的替代品，不如说是图的一个简单版本。正如 David Khourshid 所说，loop 只是一个有向环图（directed cyclic graph）。事实上，基于简单 agentic loop 的 LangChain 框架，正是构建在 LangGraph 之上的。
第三，动态转移很重要。
你并不总是想预先定义每一条边。有时节点要在运行时决定创建多少工作量。Map-reduce 是经典案例：把输入拆分成块，分发给各个 worker，然后合并结果。worker 的数量取决于输入，你事先并不知道这个数字。
LangGraph 用 Send 来处理这个问题，它让节点可以动态地把工作路由到一个或多个下游节点，而无需静态地定义每一次转移。
这一点之所以重要，是因为有用的 agent 系统是"已知结构"与"运行时变化"的混合体。你可能知道研究应该先发散再综合，但不知道会有多少个信息源；你可能知道 supervisor 应该把任务委派给 worker，但直到任务开始才知道具体用哪些 worker。图在运行时仍然需要灵活性。
五、到底什么是新的
把智能体系统表示为图并不新鲜，我们已经做了三年了！在这波新的"Graph 工程"浪潮里，有什么变化吗？
一个宽厚的解读是：变化的是节点里能放什么。早期，节点是确定性代码或一次 LLM 调用；如今 agent 本身已经足够可靠，可以托付真实的工作，一个节点可以是一次完整的 agent 运行。你在编排的是 agent，而不仅仅是 LLM 调用。
编码 agent 就是一个很好的例子。它们是当今生产环境中最有效、影响力最大的 agent 之一，而把一个编码 agent 作为节点嵌入更大的图里，是一个新近才切实可行的模式。
以一个文档 agent 为例，它把一条 Slack 请求（如下图）：
Sydney Runkle（上午 8:10）： “我们能更新一下 LangGraph 的 overview 页面，体现’在自定义图中混合确定性步骤与智能体步骤’这个价值点吗？”
转变成一个待评审的 PR：
这个图中的每个节点，都位于"确定性 ↔ 智能体化"光谱的不同位置：
- 固定步骤：Slack 和 Linear 的操作由固定代码和 API 调用驱动；
- 模型步骤：分类器和综合步骤使用单次 LLM 调用，不带工具；
- Agent 步骤：参考文档 agent 和概念文档 agent 在各自的代码库中完成更开放的工作。
正是这种确定性与自主性的混合，让这个文档 agent 既可预测、又强大、还高效。
六、更大的图景
Graph 工程不是什么新想法，它只是给一个成熟的"构建可靠 agent"的方法起了个新名字。
它和 Loop 工程、Harness 工程背后的理念是一致的：在每一步，把模型推理放在正确的位置，配上正确的上下文。
想试试 Graph 工程？那就试试 LangGraph。
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～