7.3
深览指数
科技腾讯新闻·虎嗅APP··AI 生成
Loop才火了六周，AI Coding为什么又开始谈Graph？
文章揭示AI编程领域概念快速迭代背后的真实工程演进：从Prompt到Loop再到Graph，本质是AI从单次执行、单Agent自我循环，走向多Agent协作编排。Graph并非新发明，而是将已有工作流范式（状态机、DAG）与Agent能力结合，解决任务拆分、并行、回退与状态共享等复杂问题。作者通过梳理学术研究（ChatDev、MetaGPT）和主流产品（Codex、Claude Code、Cursor）的实践，证明Graph已成隐性架构，并指出其适用边界——并非所有复杂任务都适合，关键看任务可拆分性与协调成本。适合对AI Coding工程范式有深度兴趣的读者，能快速厘清概念炒作与真实技术演进的关系。原文 ↗
核心观点
- ▍最近流行的「Graph Engineering」并非Loop的替代品，而是AI Coding从单Agent自我循环走向多节点协同工作时的下一层工程问题，核心是设计一个可观察、可路由、可约束、可局部修正的多Agent执行系统。
- ▍Graph Engineering的概念是新瓶装旧酒，但核心变化在于今天的节点可以放入能够理解目标、使用工具并自行循环的Agent，使得状态机、DAG等已有编排模式有了新的应用场景和意义。
- 01Peter Steinberger在X上关于「Loop还是Graph」的提问（2026年7月28日）获得约307万次浏览，距其仅一个多月前推广Loop Engineering概念仅隔六周。
- 02一个Graph通常包含节点、边、共享状态和路由规则四要素，用于管理多个工作单元之间的连接、共享状态与选择路径。
- 03学术研究走在前面：ChatDev（ACL 2024）将软件开发组织成多角色「软件公司」；MetaGPT（ICLR 2024）将SOP写入多Agent框架；GPTSwarm（ICML 2024）将Agent视为可优化的图。
- 04主流产品已隐性使用Graph：OpenAI Codex的子Agent可并行探索；Claude Code的Subagents拥有独立上下文；Cursor 2.0可启动最多8个Agent尝试不同方案。
- 05显式Graph框架成熟：LangGraph将节点、边、共享状态、持久化执行作为核心；Google ADK 2.0推出Graph-first工作流引擎。
- 06发表于《Nature Machine Intelligence》的研究（2026年7月）表明，多Agent架构在可拆分任务中最高提升80.8%，但在顺序依赖任务中下降70%，在SWE-bench Verified上下降1.3%-12.8%。
- 07Anthropic的多Agent研究系统在适合广度搜索的任务上比单Agent高90.2%，但Token消耗是普通Agent的15倍。
反方 / 局限
- — 并非所有复杂任务都适合Graph：任务需要能够独立拆分，存在分支或回退，中间状态值得保存，结果能够验收，且协作收益必须高于协调成本。
- — 每增加一个Agent都会带来额外的上下文准备、模型调用、结果传递和汇总成本，可能造成重复搜索、文件冲突或大量Token消耗在讨论上。
- — 修改按钮颜色、解释代码或生成简单页面，通常交给一个Agent更快；即使任务很难，如果每一步严格依赖上一步，也未必适合Graph。
Peter SteinbergerLoop EngineeringGraph EngineeringOpenAI CodexClaude CodeCursorLangGraphGoogle ADK 2.0ChatDevMetaGPTGPTSwarmKimi Agent SwarmCoze StudioAnthropicHamel HusainAlex KotliarskyiNature Machine Intelligence
18 分钟 · 4 卡片 · 12 资料
读原文 →