跳到主要内容
xzzlog

Loop Engineering 之后,Agent Graph 才是 AI 编程的下一层结构

从 InfoQ 对 Loop Engineering 与 Agent Graph 的讨论出发,解释为什么 AI 编程正在从提示词、循环走向可治理的多 Agent 图结构。

文章目录
WorkBuddy:交代任务,交付文件
腾讯云:锐驰型200Mbps峰值带宽,中国内地2核2G50元每月
野草云:香港200Mbps峰值带宽,不限月流量,30元每月起
DMIT:Premium中国大陆优化线路CN2GIA
BRNCHost:Bursa土耳其游戏服务器,1Gbps端口,DDoS防护
云服务器,积分可续期|雨云 · 国内外节点 · 积分兑换权益
京东云:AI进入真实业务
RackNerd:海外VPS21.99美元每年起
大陆访问,精品线路|搬瓦工 · CN2 GIA / CTGNet 套餐
Evoxt:最高6.0GHz CPU,2.99美元每月起
LisaHost:原生与住宅IP产品,按套餐选择
晚安云:香港云服务器2核2G15元每月

AI 编程的重心正在从“写好一句提示词”转向“设计能持续工作的系统”。过去一年,Loop Engineering 把这个变化讲清楚了:开发者不再反复手动提示 Agent,而是给它一个目标、一个检查方式和一个继续迭代的循环,让它在多轮执行中把任务推进到完成。

但循环不是终点。Peter Steinberger 提出的“从 loop 到 graph”真正有价值的地方,是把单个 Agent 的反复尝试,升级为多个 Agent、多个职责和多个依赖之间的组织方式。循环让行为可编程,图让协作可编程。

Loop 解决的是持续推进

早期的 Agent 使用方式很像聊天:你发一句,它做一步,然后等你判断下一步。Loop Engineering 改变的是控制权。一个循环会把目标、约束、检查条件、历史压缩和下一轮行动放进同一套机制里。任务没完成,就继续运行;证据不足,就补验证;测试失败,就回到修复。

这类方式适合迁移、性能优化、批量清理、测试补齐、文档更新等工作。它的优点是认知负担低:人只要定义结果和边界,Agent 负责反复靠近结果。

Graph 解决的是职责边界

循环跑得久以后会遇到另一类问题:一个 Agent 什么都管,容易把计划、执行、验证、回滚、发布混在一起。Graph 的意义不是把流程画得更复杂,而是承认复杂任务本来就有多个角色:有人负责代码,有人负责测试,有人负责安全,有人负责部署,有人负责最后裁决。

更成熟的 Agent 系统至少需要两张图:组织图定义谁长期负责什么领域,工作图定义当前任务如何拆分、依赖和流转。组织图保留上下文,工作图随任务生成和消失。

为什么这对开发者重要

如果只是修一个小 bug,loop 已经够用。但当任务变成长周期迁移、跨仓库重构、多站点发布或生产事故排查,图结构会更可靠。它迫使系统提前声明:哪个分支能并行,哪个步骤必须等测试通过,哪个 Agent 可以改生产配置,哪个动作需要人工确认。

这也是从个人效率工具走向工程系统的分水岭。提示词优化关注的是模型怎么回答;循环工程关注的是模型怎么持续做事;图工程关注的是多个 Agent 如何在边界内协作。

落地时不要先追动态组织

动态 Graph 听起来诱人,但第一步应该很朴素:把常见任务拆成固定角色,把完成条件写清楚,把验证命令机器化,把日志和决策留下来。等固定图能稳定运行,再考虑让系统根据证据调整依赖关系。

真正有用的 Agent Graph,不是多几个头像在聊天,而是能让责任、上下文、权限、证据和失败处理都可追踪。Loop 时代没有结束,它正在成为 Graph 的一个节点。

继续阅读 返回顶部