图工程（Graph Engineering）

图工程是面向 AI Agent 工业化落地的第五代大模型工程范式，核心是用图（Graph）结构统一管理包含条件分支、状态恢复、循环控制、节点复用、异常处理、并发执行等能力的复杂 AI 工作流。

核心不是再优化某一次循环，而是用"图"把若干个 Loop、Workflow、Knowledge 组织成一张可控、可观测、可恢复的网。

一句话定义（行业共识）：Graph Engineering 是用节点、边和状态设计复杂系统，常用于多智能体协作、知识图谱及工作流编排，强调可控、可观测与可扩展。 —— 数据呼吸Lex，腾讯云开发者社区

为什么需要 Graph Engineering

前四代工程范式都解决了当时最痛的问题，但都留下了新瓶颈：

第 1 代 Prompt Engineering：如何与大模型沟通（指令、角色、上下文）
   → 痛点：一次推理，无状态、无工具、知识截止

第 2 代 Prompt Chain：把单次思考拆成多步，组织多个 Prompt
   → 痛点：单向流水线，无回头（失败不会重查）

第 3 代 Vector RAG & Workflow：让模型拥有外部知识并连接世界
   → 痛点：仍无反馈（检索失败不会重查）

第 4 代 Agentic / Multi-Agent（含 Loop Engineering）：让模型自主决策
   → 痛点：ReAct 循环能力指数增长，但易失控——
         无限循环、上下文爆炸、状态不可恢复、过程不可观测、出错无法回退

当 Agent 系统从"玩具"走向"生产"，真正的诉求变成：

稳定、可恢复、可监控、可观测、可审计、可暂停、可恢复的系统。

Workflow 只能表达 A → B → C（一条线），而 Graph 可以表达一张网。所以：

Graph 是管理 Loop 的最佳数据结构。

五代演进总览

代次	名称	解决的核心问题	类比传统软件
第 1 代	Prompt Engineering	如何与大模型沟通	函数
第 2 代	Advanced Prompt / Chain	把单次思考拆成多步	模块
第 3 代	Vector RAG & Workflow	让模型拥有外部知识、连接世界	服务
第 4 代	Agentic RAG / Multi-Agent	让模型自主决策（引入 Loop、自我修正）	微服务
第 5 代	Graph Engineering	管理越来越复杂的 Agent 与 Loop	云原生

抽象主线：

Prompt → Prompt Chain → Workflow → Loop → Graph
对应系统进化：输入 → 流程 → 状态 → 反馈 → 自治

逐级解决上一代瓶颈，而非相互替代。

与已有工程层的关系

把本站已经梳理的四层工程视角，和 Graph Engineering 放在同一张图里看：

Graph Engineering（图工程）
    ↑ 用图结构编排、约束、观测多个 Loop / Workflow / Agent
Loop Engineering（循环工程）
    ↑ 多步反馈循环、终止条件
Harness Engineering（承载管控工程）
    ↑ 执行、验证、安全边界
Context Engineering（上下文工程）
    ↑ 信息输入、上下文管理
Prompt Engineering（提示工程）
    ↑ 单次输入优化

Graph Engineering 是 Context/Harness/Loop 之上的一层"结构编排"：

• 它是 Context Engineering 向图谱的深化（纵向知识图谱组织实体与关系，用于检索、事实验证与约束检查）；
• 它是 Harness Engineering 中"控制层"与"记忆层"的技术内核（横向工作流图记录 Agent 处于多步骤流程的哪一环、允许哪些状态转移）。

核心要素

Graph Engineering 不是一个"流程图"，而是能表达以下能力的运行时：

要素	说明
节点（Node）	一个执行单元：LLM 调用、工具调用、人工审核、条件判断
边（Edge）	节点间的流转路径，可带条件（如"测试失败 → 回到编码节点"）
共享状态（State）	贯穿整个图的上下文，所有节点可读写
Checkpoint	每一步落盘，失败时从最近检查点恢复
Memory	短期（会话内）+ 长期（跨会话/跨用户）记忆
Human in the Loop	关键节点挂起，等待人工审批后再继续
Supervisor / Planner	调度节点，决定下一步走哪条边
并发执行	多个无依赖节点并行运行
异常处理	节点失败时的回退、重试、兜底策略

工作流图 vs 知识图谱（两个维度）

Graph Engineering 同时包含横向与纵向两种图：

横向 —— 工作流图（Workflow Graph）
  记录 Agent 处于多步骤流程的哪一环，以及允许哪些状态转移
  Planner → Coder → Tester → Reviewer
                 ↑____ 失败回退 ____↓

纵向 —— 知识图谱（Knowledge Graph）
  组织实体与关系，用于检索增强、事实验证、约束检查
  用户 -[属于]-> 组织 -[拥有]-> 权限

当节点及流转路径主要由代码预先规定时，系统属于"图式工作流"；当部分节点能根据环境反馈自主选择行动并调整策略时，系统才具有明显的 Agent 特征。

代表框架

行业整体正在走向 "Graph First"：

• LangGraph：节点、边、共享状态、持久化执行（Checkpoint）、Human-in-the-Loop
• Google ADK
• CrewAI Flow
• OpenAI Responses API
• Anthropic Agent SDK

# LangGraph 示意：失败回退的编码-测试-审查闭环
from langgraph.graph import StateGraph, END

def build_graph():
    g = StateGraph(State)
    g.add_node("planner", plan)
    g.add_node("coder", write_code)
    g.add_node("tester", run_test)
    g.add_node("reviewer", review)

    g.add_edge("planner", "coder")
    g.add_edge("coder", "tester")
    # 测试失败 → 回到编码节点（Graph 才能优雅表达这种回退）
    g.add_conditional_edges(
        "tester",
        lambda s: "coder" if s.test_failed else "reviewer"
    )
    g.add_edge("reviewer", END)
    return g.compile(checkpointer=...)

实际案例

Case 1：自动编程 Agent 闭环

Planner   → 拆解任务：给项目加用户认证
  ↓
Coder     → 写认证中间件
  ↓
Tester    → 跑测试（失败：密码未加密）
  ↑________ 回退 ________↓   ← Workflow(A→B→C) 表达不了，Graph 可以
Coder     → 修复（加入 BCrypt）
  ↓
Reviewer  → 审查通过
  ↓
END

Case 2：多 Agent 协作（Supervisor 调度）

Supervisor（调度节点）
  ├── Researcher  → 检索资料
  ├── Coder       → 实现功能（并发）
  ├── Tester      → 验证（等待 Coder 完成）
  └── Reviewer    → 审批（Human in the Loop 挂起点）

设计原则

1. 图是结构，不是银弹：先用 Workflow / Loop 能解决的，不要过度上 Graph。
2. 状态要可恢复：必须有 Checkpoint，否则生产环境一次故障就丢全部进度。
3. 流转要可观测：每条边、每个节点都应有日志与指标，便于审计与调试。
4. 关键节点人工介入：高风险操作（删数据、上生产、付费 API）挂起审批。
5. 失败要有回退路径：节点失败不能卡死，需定义回退 / 重试 / 兜底。
6. 避免无限网格：用 Supervisor + 终止条件约束，防止状态爆炸。

与前几代的关系小结

Workflow 只能表达 A→B→C（一条线）
Graph    可以表达一张网（含回退、并发、条件、人工）

Graph 包容前述所有结构：
  Prompt  ⊂ Chain  ⊂ Workflow  ⊂ Loop  ⊂ Graph

Graph Engineering 是当前 AI 工程工业化落地的主流形态，但并非终点。文中提及的演进方向包括：Self-Evolving Graph、Dynamic Graph、Runtime Graph Generation（AI 自己生成 Graph，进入自治系统时代）。

相关资源

• AI Engineering 五代演进史：Prompt、RAG、Agent 到 Graph - shengjk1，CSDN
• Graph Engineering 一文看懂！智能体新范式 - 数据呼吸Lex，腾讯云开发者社区
• Loop Engineering 是什么？ - 程序猿DD
• LangGraph 文档