随着单Agent能力的提升传统串行工作模式开始显现瓶颈。文章深入解析了为何在单Agent愈发强大后工作流和多Agent协作成为研究热点。核心在于解决复杂任务分解、并行执行、状态管理及错误恢复等问题从而提升整体工作效率和稳定性。文章强调在引入复杂工作流前应优先优化单Agent的Harness并根据实际需求判断是否需要Graph Engineering。为什么单 Agent 越来越能干大家反而又开始研究工作流和多 Agent 协作最近Peter Steinberger 龙虾之父openclaw作者在 X 上发了一条半开玩笑的帖子“Are we still talking loops or did we shift to graphs yet?”我们还在讨论 Loop还是已经转向 Graph 了没过多久Graph Engineering 就成了新的热门词。看到这里很多人估计已经有点烦了Prompt Engineering 还没学完Context、Harness、Loop 一个接一个现在怎么又来了 Graph难道以后做 AI主要工作就是不停追新的 Engineering我的看法很简单先别急着追这个词这不是什么新东西我们一起来把他说透。Graph 背后的图、工作流、状态机和任务调度都不新。软件行业早就用过很多遍了。只是最近单 Agent 真的越来越能干了。以前大家忙着解决“它到底能不能把这件事做完”现在开始遇到另一个问题一个 Agent 忙不过来的时候多个任务、多个上下文、多个 Agent 怎么一起干活问题一直都在那里。只是以前还顾不上它现在轮到它挡路了。01为什么每隔一阵就会多一个 Engineering过去几年AI 工程领域不断出现新的概念。单看名字确实像行业在不停制造新词。但把名字拿掉会发现每一次讨论的其实都是一个很具体的麻烦。不同阶段解决不同的主要问题Prompt Engineering怎么把任务说清楚让模型理解这一次要做什么。Context Engineering怎么让模型在有限窗口里看到正确的信息。Harness Engineering怎么给 Agent 配好工具、Skill、权限、沙箱、记忆、验证器和运行环境。Loop Engineering怎么让 Agent 围绕目标持续执行、读取反馈、修正策略并停止。Graph Engineering多个执行单元如何拆分、依赖、并行、汇合和恢复。关于 Loop我在之前的文章里详细讨论过。它真正改变的是把 AI 从“一次回答”变成“围绕目标持续推进的执行单元”。现在开始讨论 Graph是因为一个 Agent 干活的能力上来了但让它包办所有事情效率和稳定性开始跟不上。比如做一份行业研究报告。只有一个 Agent 时它要先查公司资料再找行业数据再核对来源最后写稿和审稿。所有事情排队做搜索结果、数据、草稿和修改意见也都塞在同一段上下文里。任务一长问题就来了查资料太慢前面找到的内容容易忘某组数据有问题时还可能把整篇报告重新来一遍。这时可以把工作拆开几个研究任务同时查不同公司数据节点专门核对数字主笔只负责统一成文审核节点最后检查来源。哪一组数据错了就只退回那一组不影响已经完成的其他部分。Graph 要解决的就是这些很具体的问题谁先做谁可以同时做结果交给谁出错后回到哪一步。简单说Prompt 管一句话怎么问Context 管模型能看到什么Harness 给 Agent 配工作环境Loop 让它能持续干活Graph 则开始处理一群任务怎么配合。02单 Agent 好用以后问题出在哪如果你现在使用单 Agent 加一个好的 Harness已经能完成大多数工作那完全没有必要为了追赶概念立刻引入 Graph。很多任务本来就更适合由一个 Agent 完成。它拥有完整目标、统一上下文和一致判断不需要频繁交接也不用处理多个 Agent 之间的信息损耗。麻烦通常出现在任务变长、变杂以后。最常见的有两个。第一个慢而且很多时候只能排队做传统 Agent Loop 通常由模型判断下一步、调用工具、读取结果再判断下一步。即使某些工具可以并行任务拆分、结果汇总和后续决策往往仍集中在同一份状态和同一个上下文里。如果一个研究任务包含十个相互独立的方向一个 Agent 很可能还是依次研究、依次总结。任务越大单一决策中心越容易成为吞吐瓶颈。第二个所有东西都往上下文里塞在单 Agent 里对话历史经常同时保存用户要求、执行计划、工具输出、子任务进度、失败记录、依赖关系和下一步动作。一份聊天记录既要当记忆又要当任务清单、进度表、日志和临时数据库。短任务还能撑长任务很快就乱。任务短的时候这种做法简单有效。任务长起来以后计划可能在上下文压缩时丢失多个子任务开始互相污染大量工具输出挤占窗口Agent 也可能在执行中悄悄改变原来的计划。一旦执行到第 40 步失败你很难准确回答前面哪些结果仍然有效应该只重试哪一步原来的依赖关系有没有被破坏所以 Graph 不只是为了让任务跑得更快。它更实际的作用是把原来全靠 Agent 在上下文里记住的计划、依赖和进度拿出来单独管理。哪一步做完了哪一步在等谁哪里失败了都不用再靠模型回忆。03Graph 到底在做什么说白了就是把一项复杂工作拆开再把每一块怎么连接写清楚。图里的节点可以是 Agent也可以是普通函数、搜索工具、测试程序或人工审批。连接节点的边负责规定先做什么、哪些可以同时做、什么结果走哪条路。每一步的结果和进度则单独保存不再全靠 Agent 记在上下文里。比如开发一个功能可以让前端、后端和数据库任务同时开始完成后统一进入集成测试。测试失败就退回对应任务测试通过再进入安全审核和人工发布。这样做的好处很直接可以并行每个节点只拿自己需要的上下文和权限某一步失败也不用整项工作重来。但多放几个 Agent不等于它们就会协作。谁拆任务、结果交给谁、冲突时谁决定、失败后退回哪里这些规则不写清楚最后只是几个模型在昂贵地开会。Graph 的作用就是把分工、交接和兜底规则写进系统里而不是让 Agent 临场商量。04说到底还是工作流那套东西把新名词放到一边底层还是图、状态机、工作流、任务队列、检查点和重试。软件行业早就有这些东西LangGraph、AutoGen 和各种工作流框架也已经提供了现成能力。但Graph Engineering 不是 LangGraph 的新名字。LangGraph 是用来搭图和运行图的工具Graph Engineering 讨论的是这张图应该怎么拆、怎么传状态、怎么限制权限、怎么处理失败。真正的新麻烦是工作流里塞进了会自己判断、会改计划、也会一本正经犯错的 Agent。难点不是怎么画图而是怎么用清楚的规则把这些不太稳定的节点管起来。05为什么最近大家又开始谈它一个节点连基本任务都做不好时讨论复杂协作没有意义。过去几年模型能力、上下文管理、工具调用、Skill、Harness 和验证机制不断进步。单个 Agent 节点开始具备相对稳定的生产价值也能在一个目标下持续工作更长时间。于是麻烦自然往外挪了一层。过去的问题是“它能不能完成这一步”现在越来越多的问题变成“十个可以完成任务的 Agent怎么共同完成一项持续几天的工作”同时Agent 也开始进入真实生产流程。Demo 只需要一个最终答案生产系统却需要权限、预算、暂停、审批、回放、局部重试、责任追踪和人工介入。所以这次 Graph Engineering 火起来不是突然发现了一块新大陆而是 Agent 真走到这里以后老问题重新挡在了路上。06别追名词先看你卡在哪里对大多数任务单 Agent 加一个好的 Harness仍然是更简单的选择。写文章、分析需求、修一个范围明确的 Bug统一上下文通常比多 Agent 交接更重要。写作也是一样。让几个 Agent 分头写正文往往只会得到风格不一、内容重复的几段话。只有当资料搜集、数据核对、主笔写作和事实审核确实可以独立分工时Graph 才有意义。判断自己是否需要 Graph 的 5 个问题是否真的有多个可以并行的子任务单 Agent 的上下文是否已经经常混乱某一步失败时是否应该只重试这一部分不同步骤是否需要不同权限或人工审批是否必须追踪每一步的进度、成本和责任如果大部分答案是否定的就继续用好 Harness。否则很容易只是给简单任务加一层项目管理。AI 工程的发展一直如此Prompt 没说清就改 Prompt信息不够就补 ContextAgent 不会安全干活就搭 Harness一个 Agent 跑不动了再考虑 Loop 和 Graph。一个地方打通以后问题才会往下一层移动。所以没必要把每个新名词都当成必修课。Harness 像是给一个能干的人配好工作台Graph 则是当一个人确实忙不过来时开始考虑怎么分工、怎么交接、怎么验收。如果你的单 Agent Harness 已经够用就继续用。等并行、上下文隔离、局部恢复和权限边界真的开始拖慢工作再考虑 Graph 也不迟。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取 收藏！大模型越来越强，为何我们又开始研究工作流和多Agent协作？
随着单Agent能力的提升传统串行工作模式开始显现瓶颈。文章深入解析了为何在单Agent愈发强大后工作流和多Agent协作成为研究热点。核心在于解决复杂任务分解、并行执行、状态管理及错误恢复等问题从而提升整体工作效率和稳定性。文章强调在引入复杂工作流前应优先优化单Agent的Harness并根据实际需求判断是否需要Graph Engineering。为什么单 Agent 越来越能干大家反而又开始研究工作流和多 Agent 协作最近Peter Steinberger 龙虾之父openclaw作者在 X 上发了一条半开玩笑的帖子“Are we still talking loops or did we shift to graphs yet?”我们还在讨论 Loop还是已经转向 Graph 了没过多久Graph Engineering 就成了新的热门词。看到这里很多人估计已经有点烦了Prompt Engineering 还没学完Context、Harness、Loop 一个接一个现在怎么又来了 Graph难道以后做 AI主要工作就是不停追新的 Engineering我的看法很简单先别急着追这个词这不是什么新东西我们一起来把他说透。Graph 背后的图、工作流、状态机和任务调度都不新。软件行业早就用过很多遍了。只是最近单 Agent 真的越来越能干了。以前大家忙着解决“它到底能不能把这件事做完”现在开始遇到另一个问题一个 Agent 忙不过来的时候多个任务、多个上下文、多个 Agent 怎么一起干活问题一直都在那里。只是以前还顾不上它现在轮到它挡路了。01为什么每隔一阵就会多一个 Engineering过去几年AI 工程领域不断出现新的概念。单看名字确实像行业在不停制造新词。但把名字拿掉会发现每一次讨论的其实都是一个很具体的麻烦。不同阶段解决不同的主要问题Prompt Engineering怎么把任务说清楚让模型理解这一次要做什么。Context Engineering怎么让模型在有限窗口里看到正确的信息。Harness Engineering怎么给 Agent 配好工具、Skill、权限、沙箱、记忆、验证器和运行环境。Loop Engineering怎么让 Agent 围绕目标持续执行、读取反馈、修正策略并停止。Graph Engineering多个执行单元如何拆分、依赖、并行、汇合和恢复。关于 Loop我在之前的文章里详细讨论过。它真正改变的是把 AI 从“一次回答”变成“围绕目标持续推进的执行单元”。现在开始讨论 Graph是因为一个 Agent 干活的能力上来了但让它包办所有事情效率和稳定性开始跟不上。比如做一份行业研究报告。只有一个 Agent 时它要先查公司资料再找行业数据再核对来源最后写稿和审稿。所有事情排队做搜索结果、数据、草稿和修改意见也都塞在同一段上下文里。任务一长问题就来了查资料太慢前面找到的内容容易忘某组数据有问题时还可能把整篇报告重新来一遍。这时可以把工作拆开几个研究任务同时查不同公司数据节点专门核对数字主笔只负责统一成文审核节点最后检查来源。哪一组数据错了就只退回那一组不影响已经完成的其他部分。Graph 要解决的就是这些很具体的问题谁先做谁可以同时做结果交给谁出错后回到哪一步。简单说Prompt 管一句话怎么问Context 管模型能看到什么Harness 给 Agent 配工作环境Loop 让它能持续干活Graph 则开始处理一群任务怎么配合。02单 Agent 好用以后问题出在哪如果你现在使用单 Agent 加一个好的 Harness已经能完成大多数工作那完全没有必要为了追赶概念立刻引入 Graph。很多任务本来就更适合由一个 Agent 完成。它拥有完整目标、统一上下文和一致判断不需要频繁交接也不用处理多个 Agent 之间的信息损耗。麻烦通常出现在任务变长、变杂以后。最常见的有两个。第一个慢而且很多时候只能排队做传统 Agent Loop 通常由模型判断下一步、调用工具、读取结果再判断下一步。即使某些工具可以并行任务拆分、结果汇总和后续决策往往仍集中在同一份状态和同一个上下文里。如果一个研究任务包含十个相互独立的方向一个 Agent 很可能还是依次研究、依次总结。任务越大单一决策中心越容易成为吞吐瓶颈。第二个所有东西都往上下文里塞在单 Agent 里对话历史经常同时保存用户要求、执行计划、工具输出、子任务进度、失败记录、依赖关系和下一步动作。一份聊天记录既要当记忆又要当任务清单、进度表、日志和临时数据库。短任务还能撑长任务很快就乱。任务短的时候这种做法简单有效。任务长起来以后计划可能在上下文压缩时丢失多个子任务开始互相污染大量工具输出挤占窗口Agent 也可能在执行中悄悄改变原来的计划。一旦执行到第 40 步失败你很难准确回答前面哪些结果仍然有效应该只重试哪一步原来的依赖关系有没有被破坏所以 Graph 不只是为了让任务跑得更快。它更实际的作用是把原来全靠 Agent 在上下文里记住的计划、依赖和进度拿出来单独管理。哪一步做完了哪一步在等谁哪里失败了都不用再靠模型回忆。03Graph 到底在做什么说白了就是把一项复杂工作拆开再把每一块怎么连接写清楚。图里的节点可以是 Agent也可以是普通函数、搜索工具、测试程序或人工审批。连接节点的边负责规定先做什么、哪些可以同时做、什么结果走哪条路。每一步的结果和进度则单独保存不再全靠 Agent 记在上下文里。比如开发一个功能可以让前端、后端和数据库任务同时开始完成后统一进入集成测试。测试失败就退回对应任务测试通过再进入安全审核和人工发布。这样做的好处很直接可以并行每个节点只拿自己需要的上下文和权限某一步失败也不用整项工作重来。但多放几个 Agent不等于它们就会协作。谁拆任务、结果交给谁、冲突时谁决定、失败后退回哪里这些规则不写清楚最后只是几个模型在昂贵地开会。Graph 的作用就是把分工、交接和兜底规则写进系统里而不是让 Agent 临场商量。04说到底还是工作流那套东西把新名词放到一边底层还是图、状态机、工作流、任务队列、检查点和重试。软件行业早就有这些东西LangGraph、AutoGen 和各种工作流框架也已经提供了现成能力。但Graph Engineering 不是 LangGraph 的新名字。LangGraph 是用来搭图和运行图的工具Graph Engineering 讨论的是这张图应该怎么拆、怎么传状态、怎么限制权限、怎么处理失败。真正的新麻烦是工作流里塞进了会自己判断、会改计划、也会一本正经犯错的 Agent。难点不是怎么画图而是怎么用清楚的规则把这些不太稳定的节点管起来。05为什么最近大家又开始谈它一个节点连基本任务都做不好时讨论复杂协作没有意义。过去几年模型能力、上下文管理、工具调用、Skill、Harness 和验证机制不断进步。单个 Agent 节点开始具备相对稳定的生产价值也能在一个目标下持续工作更长时间。于是麻烦自然往外挪了一层。过去的问题是“它能不能完成这一步”现在越来越多的问题变成“十个可以完成任务的 Agent怎么共同完成一项持续几天的工作”同时Agent 也开始进入真实生产流程。Demo 只需要一个最终答案生产系统却需要权限、预算、暂停、审批、回放、局部重试、责任追踪和人工介入。所以这次 Graph Engineering 火起来不是突然发现了一块新大陆而是 Agent 真走到这里以后老问题重新挡在了路上。06别追名词先看你卡在哪里对大多数任务单 Agent 加一个好的 Harness仍然是更简单的选择。写文章、分析需求、修一个范围明确的 Bug统一上下文通常比多 Agent 交接更重要。写作也是一样。让几个 Agent 分头写正文往往只会得到风格不一、内容重复的几段话。只有当资料搜集、数据核对、主笔写作和事实审核确实可以独立分工时Graph 才有意义。判断自己是否需要 Graph 的 5 个问题是否真的有多个可以并行的子任务单 Agent 的上下文是否已经经常混乱某一步失败时是否应该只重试这一部分不同步骤是否需要不同权限或人工审批是否必须追踪每一步的进度、成本和责任如果大部分答案是否定的就继续用好 Harness。否则很容易只是给简单任务加一层项目管理。AI 工程的发展一直如此Prompt 没说清就改 Prompt信息不够就补 ContextAgent 不会安全干活就搭 Harness一个 Agent 跑不动了再考虑 Loop 和 Graph。一个地方打通以后问题才会往下一层移动。所以没必要把每个新名词都当成必修课。Harness 像是给一个能干的人配好工作台Graph 则是当一个人确实忙不过来时开始考虑怎么分工、怎么交接、怎么验收。如果你的单 Agent Harness 已经够用就继续用。等并行、上下文隔离、局部恢复和权限边界真的开始拖慢工作再考虑 Graph 也不迟。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取