图工程（Graph Engineering）来了？LangChain说不是新东西

Anthropic工程师在又来引领时尚了，他在最近一次分享中提到：

"80%的工程师已经在用自改进循环。现在每个人都在构建Agent图。4-6个月后，所有人都会构建图来编排自改进Agent，不再有Prompt。"

图工程（Graph Engineering）似乎又像Harness工程和循环工程一样要火？

不过，先别急着追这个词。

LangChain团队在最近博文里明确说："图工程不是新东西。"他们用LangGraph构建基于图的Agent系统已经三年了，现在LangGraph每月下载量6500万+。Sydney Runkle指出：这些词之所以冒出来，是因为它们描述了构建者真正面临的挑战。Prompt工程、上下文工程、Harness工程、Loop工程，这些其实都是实际落地时撞过的墙。

换句话说，图工程不是谁发明的，是大家撞墙撞出来的。Codez的一篇从prompt到图工程的博文解读了图工程的细节。

你还在写线性Agent？它是个退化的图

大多数人构建多步Agent时，结果是一条直线：A→B→C→D，每一步都在等上一步结束。

但90%的情况下，那些"等待"里的箭头根本不传递数据。你写"总结文件，然后告诉我天气"，但天气不需要总结的输出。那两条连线是多余的。

Codez给出了一个简单判断标准：问自己，下一步是否真的读取上一步的输出？ 如果不是，就没有边，等待就是浪费。

图架构的核心：节点、边、契约

一张图只有两样东西：节点是工作单元，边是依赖关系（数据流动的方向）。

节点要有契约： 明确的输入、输出、单一职责。在Claude Workflow里，用JSON Schema强制子Agent返回结构化数据，验证失败自动重试，而不是给你一堆自由文本。

边是数据契约： 命名边时应该用它的数据类型，而不是先后顺序。比如"AlamofireReview"而不是"第二步"。这样你就能一眼看出边是否真实，也能随时替换节点而不破坏图。

LangGraph的视角完全一致：节点干活，边定义接下来发生什么。节点可以是确定性代码、单次LLM调用、工具调用，或者一个带有自己内部循环的完整Agent。边可以是确定性的，也可以是条件性的——取决于节点结果、当前状态或外部信号。本质上就是一个状态机。

并行、钻石、验证器：三个关键模式

并行（parallel()）： 当你有一组独立任务时，不要排队，让它们同时跑。Claude的parallel()会创建子Agent并发执行，返回结果数组。失败的任务解析为null，不会拉垮整个批次。

钻石模式： 分叉（fan-out）→ 缩减（reduce）→ 合成（synthesize）。这是所有严肃Agent图的骨架：一个节点拆解任务，多个节点并行工作，一个节点合并结果。

验证器节点： 在结果进入下游之前，安排一个"杀手"角色——专门尝试推翻发现。三种模式：对抗验证（多个怀疑者）、多视角验证（不同角度）、评委团（打分并整合）。

路由、循环、模型分层

运行时路由： 用条件节点（JavaScript if/switch）根据结果决定走哪条路径。判断可以用Claude，但路由用代码保证确定性。

循环直到收敛： 当任务规模未知（比如漏洞扫描），用循环持续生成发现，直到K轮没有新东西。关键：去重要基于"所有见过的"，不只是"确认的"，否则死循环。

模型分层： 不是所有节点都需要最强模型。重复性工作（提取字段、分类）用便宜模型，合成报告、裁断用高级模型。Claude允许在单次agent()调用中指定模型。

LangGraph三年踩过的坑

上面是Codez的路线图。下面是LangChain团队三年实战总结的几个教训，值得单独拿出来说。

第一，Agent图通常不是DAG。 生产环境的Agent需要循环：重试失败的工具调用、向用户追问缺失信息、验证后修正答案、反复调用工具直到拿到足够上下文、暂停等待人工介入再恢复。循环是Agent系统的核心部分，所以你的图大概率是有环的。

第二，Loop就是简单的图。 Loop工程不是图的替代品，而是图的简化版。David Khourshid说过，一个循环就是一个有向有环图。事实上，LangChain框架本身就是基于LangGraph构建的——一个简单的Agent循环跑在图之上。

第三，动态转换很重要。 你不一定想在前期定义每一条边。有时候一个节点在运行时才知道要创建多少工作。Map-reduce是典型案例：把输入拆成N份，每份发给一个worker，然后合并结果。N取决于输入，你没法提前知道。LangGraph用Send处理这种情况——让节点在运行时动态路由工作到下游节点，不需要静态定义每条转换。

什么时候不该用图

LangChain的文章里有一段话很关键：有些任务天生就更"Agentic"，硬塞进确定性路径是错的。

通用深度研究就是个好例子。研究型Agent需要规划、委派、搜索、阅读、合成，这些路径很难提前定死。LangChain早期用预定义的LangGraph工作流做深度研究，后来转向了更Agentic的核心循环。GPT Researcher最近也做了同样的迁移——把图状的多Agent管线换成了Deep Agents，让规划、委派和上下文管理在Harness中自然涌现，而不是硬编码在图里。

这个判断标准很实用：如果你的任务路径可以提前画出来，用图。如果路径本身需要探索，用Agent Harness。

到底什么变了？

如果图工程不是新东西，那这波热度到底新在哪？

LangChain给了一个很慷慨的解释：节点里能装的东西变了。 早期，节点是确定性代码或单次LLM调用。现在Agent本身已经可靠到可以承担真正的工作，一个节点可以是一个完整的Agent运行——你在编排Agent，而不只是编排LLM调用。

Coding Agent是最好的例子。它们是今天生产环境中最有效、最有影响力的Agent之一，把一个Coding Agent嵌入到更大的图里作为一个节点，这是最近才变得实用的模式。

举个例子：一个文档Agent收到Slack请求"更新LangGraph概述页面，反映在自定义图中混合确定性和Agent步骤的价值"，然后自动生成一个待审核的PR。

这个图的每个节点在"确定性→Agent"光谱上处于不同位置：

• 固定步骤： Slack和Linear操作由代码和API调用驱动。
• 模型步骤： 分类器和合成步骤使用单次LLM调用，不需要工具。
• Agent步骤： 参考文档Agent和概念文档Agent在各自代码库中完成更开放的工作。

确定性和Agent行为的混合，让这个文档Agent同时具备了可预测性、能力和效率。

拓扑即成本与延迟

默认用pipeline()，而不是parallel()。 pipeline()让每个item独立流经所有阶段，没有屏障，快的提前完成。而parallel()的屏障会让所有东西等待最慢的节点。

让Claude自己画图：动态工作流

这是终极模式：告诉Claude目标，它自己写编排脚本，分解任务，选择分叉，生成子Agent，合成结果。三种入口：

1. 在Prompt中说"workflow"，Claude为你写一个。
2. 运行内置的 /deep-research（已经是一个产品级图）。
3. 开启ultracode模式，Claude自动为每个任务规划图。

当你跑出一个好结果，按s保存到 .claude/workflows/，版本控制，可重复运行，任何人克隆仓库都能启动。

用Claude可以立刻构建的6个图

• 安全扫描每条路由：每个路由文件一个子Agent，并行检查缺失鉴权，再通过验证器确认。
• 带引用的研究报告（/deep-research）：分解问题，并行搜索，去重，对抗验证每个主张。
• 模块逐文件移植：并行翻译文件，用测试套件作为门控，失败循环回修复。
• diff的对抗审查：根据diff大小路由，小改动快速通过，大改动触发多视角并行审计。
• 定时生态扫描：并行检查多个来源，在屏障处按影响力排序，合成摘要。
• 未知规模发现：并行发现者，去重，验证，直到两轮无新内容。

结语

图工程不是新概念。它是Prompt工程、Loop工程、Harness工程背后的同一个想法：在每一步，把模型推理放在正确的位置，配上正确的上下文。只不过现在大家习惯了起名字。

新词一个月一个，追的有些疲劳，Graph工程本质上是Loop的复杂形态，过去对于模型进行编排的逻辑都可以再套到agent上，从CoT、ToT、GoT再到AoT，还是ReAct/PS都是如此，复杂度的提升也真是说明了实际落地的复杂性，关注名词不如关注实际问题，也许下一个问题解法就由你来命名。。