本文深入浅出地介绍了Graph Engineering的概念和应用，通过对比传统工作流和现代Agent工程的差异，阐述了从Harness Engineering到Loop Engineering再到Graph Engineering的演进过程。文章以股票研究Agent为例，展示了三种不同的工程路线，并分析了各自的优缺点和适用场景。对于想要学习大模型和Agent技术的程序员来说，本文提供了宝贵的参考和指导。

过去这段时间，Agent 圈造词的速度确实有点快。

前段时间大家还在讲 Harness Engineering：怎样用工具、权限、沙箱和上下文把 Agent 管住。紧接着，Loop Engineering 又开始刷屏：怎样让 Agent 根据反馈持续执行。现在，Graph Engineering 又来了。

很多人看到这里，第一反应大概是：图、状态机、工作流早就存在，这次又把哪项旧技术换了个名字？

但如果因此武断地把 Graph Engineering 当成纯粹的营销词，也会错过 Agent 工程正在发生的一次重心迁移。今天越来越多的系统开始同时运行多个 Agent，处理任务依赖、并行执行、证据核验、局部失败、人工审批和中断恢复。

这些问题都存在于模型之外，也很难只靠单个 Agent 内部的循环解决。

这篇文章主要讲三件事：

1. Graph Engineering 到底是什么；

2. 为什么说名词在变，工程能力却在螺旋式上升；

3. 同一个股票研究 Agent，采用固定拓扑、单 Agent Loop、进一步引入 Graph Engineering，分别会长成什么样。

先把 Graph Engineering 说清楚

我比较认同下面这个定义：

Graph Engineering，是把模型调用、Agent Loop、确定性代码、工具和人工决策组织成一张显式执行图，并设计它们之间的状态传递、动态调度、并行汇合、结果验证、中断恢复和责任边界。

这里的 Graph，主要指控制图。

• 节点表示一个执行单元，可以是普通函数、模型调用、带工具的 Agent、Verifier，也可以是人工审批；
• 边表示执行关系，例如顺序、条件分支、并行、循环和等待；
• State 保存跨节点共享的任务事实，例如计划、证据、预算、错误和审批结果；
• Controller 决定下一步继续分发、重新规划、转人工、生成结果还是安全终止。

它和 GraphRAG 里的知识图谱要分开。知识图谱描述实体之间的关系，控制图描述系统下一步运行谁。Agent Trace 也可能画成图，但 Trace 用于回放一次执行，控制图负责驱动执行。

Graph Engineering 也不等于 LangGraph。LangGraph 是一种实现框架；普通 Python、Temporal、Airflow 或其他工作流引擎同样可以承载图工程。反过来，项目里调用了StateGraph、注册了几个节点，也不能自动证明这套系统已经做好了 Graph Engineering。

真正要看的是：图有没有承担系统可靠性的责任。

任务是否会根据输入改变？并行结果怎样合并？一条结论有没有证据？部分节点失败以后重跑哪里？程序退出后能否继续？哪些决定留给模型，哪些决定必须由规则或人来做？

如果这些问题还没有进入设计，代码即使画成了图，也可能只是一条换了外观的固定流水线。

Graph 和传统 Workflow 差在哪里？

节点、边、条件路由、状态和 checkpoint 都有很长的工程历史。Graph Engineering 沿用了工作流、状态机和分布式调度中的大量思想。

变化主要来自 Agent 节点的行为。

传统工作流节点执行 SQL、HTTP 请求或确定性脚本，成功和失败相对容易判断。Agent 节点可能正常返回一份语言流畅的报告，其中却混入了错误数字、遗漏条件或没有来源的推断。进程成功，只能说明模型给出了输出；任务是否合格，还需要规则、测试、证据或独立 Reviewer。

传统节点的职责通常提前定义。Agent 节点收到的任务可能是“研究这家公司最近的经营风险”，它会自行检索、选择工具、拆分子任务，并根据中间结果调整方向。

路由也可能带有语义判断。财务指标超过阈值可以交给代码判断；一条新闻属于经营风险、监管风险还是市场噪声，更适合由模型分类。

因此，一张 Agent Graph 通常同时包含两类控制：

• 确定性控制：权限、预算、依赖、schema、停止条件、人工审批；
• 概率性控制：任务拆解、语义路由、研究策略、冲突解释。

Graph Engineering 的工作，就是决定这两类控制怎样组合。

名词在变，技术真的在进步吗？

从 Harness Engineering 到 Loop Engineering，再到 Graph Engineering，很容易被理解成一串互相取代的新概念。

我更愿意把它们看成不同尺度的工程对象：

更准确地说，它们是一组逐层展开的包含关系。

Loop Engineering 要持续执行，离不开 Harness 提供的工具、权限、沙箱、上下文和日志环境；Graph Engineering 编排的某个节点，又可以是一只运行 ReAct Loop 的 Agent。Prompt 和 Context 仍在更里层，负责一次模型调用中的指令表达与信息供给。

工程对象随着系统尺度向外扩展：从模型怎样在受控环境里工作，到单个 Agent 怎样根据反馈持续行动，再到多个执行单元怎样协作。

所以，Graph Engineering 把 Loop Engineering 纳入了更大的控制尺度。Loop 负责节点内部的探索与纠错，Graph 负责节点之间的依赖、并行、汇合与恢复。

Josh C. Simmons 在《We Are Entering the Graph Engineering Phase》中提出，过去两年的 Agent 大多可以概括为“模型套在 while loop 里”。当单个步骤逐渐可靠，工程瓶颈会向多个执行单元之间的并行、协作、恢复和审批移动。[1]

LangChain 则承认 Graph Engineering 带有新 Buzzword 的成分，同时强调图适合表达可预测的业务骨架；面对开放研究等很难提前确定路线的任务，过度预编排反而会压缩 Agent 的探索空间。[2]

新名词经常重新包装旧思想，但旧思想正在处理新的执行对象。

技术的发展原本就很少沿着直线前进。我们会重复遇到调度、状态、验证和容错，只是每次进入下一圈时，系统规模、自动化程度和不确定性都提高了。

这就是我理解的“螺旋式上升”。

用同一个股票 Agent 看三种工程路线

下面用股票 Agent 项目来举例子。

用户输入：

请研究贵州茅台当前的基本面、估值、技术走势和新闻风险，所有结论都要给出证据；如果数据冲突，先让我确认。

下面用三种方式实现它。

路线一：固定拓扑的 Graph-shaped Workflow

这条路线对应股票 Agent 的实现。

它使用了 LangGraph，四个分析 Agent 并行执行，再统一进入 Summary Agent，形成固定的fan-out / fan-in（并行分发 / 结果汇聚）。项目中的主要代码如下：

workflow = StateGraph(AgentState) workflow.add_node("start_node", lambda state: state) workflow.add_node("fundamental_analyst", fundamental_agent) workflow.add_node("technical_analyst", technical_agent) workflow.add_node("value_analyst", value_agent) workflow.add_node("news_analyst", news_agent) workflow.add_node("summarizer", summary_agent) workflow.set_entry_point("start_node") # 固定 fan-out：每次都启动四个分析节点 workflow.add_edge("start_node", "fundamental_analyst") workflow.add_edge("start_node", "technical_analyst") workflow.add_edge("start_node", "value_analyst") workflow.add_edge("start_node", "news_analyst") # 固定 fan-in：四路结果全部交给总结节点 workflow.add_edge("fundamental_analyst", "summarizer") workflow.add_edge("technical_analyst", "summarizer") workflow.add_edge("value_analyst", "summarizer") workflow.add_edge("news_analyst", "summarizer") workflow.add_edge("summarizer", END) app = workflow.compile()

开发者提前决定要运行哪些 Agent、它们怎样连接，LangGraph 负责 fan-out 和 fan-in。任务无论怎样变化，运行的始终是同一张图。

因此，这种实现更接近 Graph-shaped Workflow：代码已经有图的形状，系统可靠性仍主要依赖各个 Agent 自己完成任务。使用了 LangGraph，不会自动获得动态规划、证据门、局部恢复和人工接管。

这种实现对于路径固定的业务落地而言，往往是收益最高的选择。

它的优势在于：

• 代码短，开发速度快；
• 数据流容易理解；
• 调试时顺着调用栈就能定位；
• 任务种类固定时，维护成本低。

但也存在一些问题。

用户只问技术走势，系统仍会把四类分析全部跑一遍；估值节点也不会显式等待基本面证据；某个分支失败，程序要么整条重跑，要么靠额外的异常代码继续拼报告。模型写出一个数字以后，系统也很难回答数字来自哪里、是否过期、有没有经过复核。

一旦任务需要等待人工确认，或者进程中断后继续，固定流程会逐渐堆出大量if/else、状态字段和补偿逻辑。那时，系统实际上已经出现了图，只是图藏在调用栈和条件语句里。

这条路线适合什么场景？

任务短、路径稳定、调用次数少、失败后整条重跑也能接受时，直接写流程通常更划算。

Agent 项目启动阶段最常见的问题，往往是数据源、Prompt 和验收标准还没有跑通。此时先画一张复杂图，不会自动提高结果质量。

路线二：单 Agent Loop

第二种做法，是去掉固定的多节点编排，把任务交给一只带工具的 Agent。下面是一段简化后的 Loop-only 实现：

messages = [HumanMessage(content=user_query)] tool_registry = { "get_financials": get_financials, "get_prices": get_prices, "search_news": search_news, } for step in range(MAX_STEPS): action = await agent.plan( messages, tools=list(tool_registry.values()), ) if action.type == "tool_call": observation = await tool_registry[action.name](action.args) messages.extend([action.message, observation]) continue if action.type == "finish": verdict = verifier.check(action.report) if verdict.passed: return action.report # 证据不足，把反馈放回下一轮 messages.append( HumanMessage(content=verdict.feedback) ) raise BudgetExceeded("Agent 已达到最大执行轮数")

这只 Agent 可以自己决定先看财报还是先查新闻；发现 EPS 缺失后补查数据；看到异常消息后继续检索公告；最后由 Verifier 判断证据是否足够，不足就把反馈送回下一轮。

Loop 给系统带来了真实的适应性。

面对“最近为什么跌”“这家公司最大的风险是什么”一类开放问题，开发者很难提前穷举全部路线。让 Agent 根据观察结果继续探索，通常比固定流程更自然。

Loop 的优势在于：

• 路径开放，适合探索型任务；
• Agent 可以根据中间结果修改计划；
• 新工具接入后，不必为每种组合重新画边；
• 代码形态接近模型原生的 Plan—Act—Observe。

它的代价来自“所有事情都挤在一个循环里”。

基本面、技术面和新闻分析怎样真正并行？估值任务是否依赖基本面先完成？某个工具调用成功、另一个调用失败时，重启循环会不会重复消耗？人工审批以后，系统应该从哪一步继续？

如果这些状态主要保存在一长串 Messages 中，执行时间越长，恢复和审计越困难。Loop 可以决定下一步做什么，却不擅长天然表达多个执行单元之间的依赖关系。

这条路线适合什么场景？

路径高度开放、任务主要由一只 Agent 完成、并行和跨角色依赖较少时，Loop 很有价值。

深度研究、代码探索、资料调查都可能先采用这条路线。只要加上验证、预算和停止条件，它就能比固定流水线灵活很多。

路线三：股票 Agent 可以怎样引入 Graph Engineering

第三种路线，是在固定图的基础上继续优化，把稳定控制和开放探索分层。

下面讨论的是一组可参考的设计思路。

如果把 Graph Engineering 引入股票 Agent，可以先保留一张稳定控制图：

请求解析 → 混合 Planner 生成任务 DAG → Plan Policy 校验 → Scheduler 找出依赖已满足的任务 → 动态并行 Worker → Evidence Verifier → Controller ├─ 继续分发后继任务 ├─ 缺少证据时重新规划 ├─ 冲突时等待人工处理 ├─ 证据通过后生成报告 └─ 无法恢复时安全终止

外层控制图保持稳定，每次运行的研究任务图可以根据问题变化。

例如用户只问技术走势，确定性 Planner 可以只生成一个technical任务；标准综合研究会先并行执行fundamental、technical和news，等fundamental完成后再启动依赖它的valuation；深度研究还可以增加rag与cross_check。

Planner 可以根据问题生成结构化任务 DAG，也可以在模型不可用时回退到确定性计划。无论计划来自谁，都要经过策略层检查：

• task capability 是否来自白名单；
• 依赖是否存在环；
• 工具、Token 和任务数量是否超出预算；
• 模型有没有尝试生成任意工具名或代码。

Scheduler 不需要提前知道会产生多少个任务。它只读取当前计划，找到依赖已经满足的节点，再动态分发。简化后的思路如下：

ready_tasks = plan.find_ready_tasks(completed=state["completed"]) dispatches = [ Send("research_worker", {"task": task}) for task in ready_tasks ] return Command(goto=dispatches)

每个 Worker 内部仍然可以运行自己的 Agent Loop。Graph 负责 Worker 之间的依赖、fan-out 与 fan-in，Loop 负责单个 Worker 怎样使用工具完成任务。

状态也可以逐步从自由文本升级为结构化对象，分别记录任务计划、依赖、预算、研究结果、证据来源和控制决策。这样一条结论引用了什么数据、哪个任务已经完成、失败后应该重跑哪里，都会更容易追踪。

再往前一步，可以增加独立的证据门：检查来源、时效、checksum、数值冲突和引用完整性。证据通过后生成报告；出现冲突时暂停执行，把批准、修改计划或终止的选择交给人。

如果任务还需要跨进程恢复，可以配合 checkpointer 保存执行位置，让程序恢复后继续未完成任务，减少对数据源和模型的重复调用。

这些优化思路指向同一个目标：让 Graph 承担更多可靠性责任，把不确定的模型行为装进一套可验证、可恢复、有预算的执行制度。

这条路线的收益和代价

Graph Engineering 的收益主要出现在复杂任务上：

• 可以显式表达依赖、并行和汇合；
• 失败能够限制在局部；
• State 和 checkpoint 支持中断恢复；
• 验证、预算和人工审批拥有清楚的位置；
• 执行轨迹更容易评测与审计。

代价在于：

• 需要设计状态 schema 和 reducer；
• 动态任务、重试、恢复会增加测试组合；
• 节点过细时，系统会变得难读；
• 所有判断都画成边，会压缩 Agent 的自主空间；
• 简短任务使用这套架构，投入很可能超过收益。

Graph 并不要求所有任务路径都提前写完。稳定主图可以只保留入口、计划校验、调度、验证、checkpoint 和人工接管；本次任务需要哪些 Worker、依赖怎样组织，可以由 AI 在运行时生成。

同时，把所有编排权都交给模型也会产生新的风险。它可能跳过证据验证，创建循环依赖，反复调用昂贵工具，或者绕过人工确认。

更稳妥的做法，是让 AI 生成受约束任务图，让系统掌握道路规则。

三种路线放在一起比较

这里没有绝对正确的路线。

工程判断体现在：你能否用最低的结构成本，换到当前任务真正需要的可靠性。

写在最后

经常有同学问我：

Agent 岗位真正的技术壁垒在哪里？普通的工作流搭建和工具调用，会不会快速同质化，变成前两年的 Java？

答案是一定会的，花无百日红。

框架调用的门槛一定会降低。今天要手写的工作流，明天可能一句话就能生成；今天还需要开发者配置的工具，下一版模型也许会直接帮你选择。

真正拉开差距的能力，分上下两层，一层靠近业务，一层靠近底层架构：

往业务层看：拿到模糊、零散的需求，你能不能拆解成一套可落地、可校验的 Agent 执行流程？分得清哪些环节交给模型自主判断，哪些必须靠固定规则卡死？哪里允许模型自由探索，哪些风险必须把控制权交还给人工审核？

往底层架构看：一套充满不确定性的 Agent 系统，该怎么搭建完整评估标准？线上出现异常案例，如何快速定位问题、修复漏洞？程序报错时，怎么把故障范围锁死在局部，不影响整体流程？大量并发请求、高频工具调用时，怎么做流量限流、背压管控？后续换成更强的新模型，如何平滑迭代整套链路，不用推翻原有架构全部重写？

Graph Engineering 值得关注，正是因为它把这些系统问题推到了台前，它开始奖励真正懂系统的人：状态机、幂等、故障域、backpressure、checkpoint、可观测性。

这件事其实挺有意思。当下AI行业最热的方向，开始重新靠近分布式计算中那些最古老的纪律。

从 Harness Engineering 到 Loop Engineering，再到 Graph Engineering，工程抽象正在一层层向外扩展。我们需要死磕单次模型调用、打磨prompt的场景越来越少，对整体架构设计的要求却越来越高。

最后

2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！

很多程序员、职场新人纷纷入局大模型领域，绝非盲目跟风，而是实实在在看到了不可替代的价值优势，这也是2026年最值得抓住的职业风口：

1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；

2、技术可复用，上手速度翻倍：如果你有前后端开发、测试、数据分析等基础，在大模型落地、系统部署、Prompt工程等环节会更具优势，无需从零开始，复用原有技术能力就能快速进阶；

3、懂业务更吃香，竞争力翻倍：单纯懂技术已不够，2026年大厂更看重“技术+业务”的复合型人才，有垂直领域（金融、医疗、工业等）经验者，能精准定位模型落地痛点，薪资比纯技术岗高出30%以上；

更重要的是，即便没有转型需求，用AI大模型工具为工作赋能、提升效率，也已经成为80%企业的硬性要求——不会用大模型提效，未来很可能被行业淘汰！

那么2026年，小白/程序员该如何高效学习大模型？

很多人想入门大模型，却陷入两大困境：要么到处搜集零散资料，不成体系，越学越懵；要么被收费高昂的课程割韭菜，花了钱却学不到实战技能，白白浪费时间走弯路。

今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包，覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程，所有资料均已整理归档，无需拼凑，直接领取就能上手学习，小白可照做，程序员可进阶！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

这份学习路线结合2026年行业趋势和新手学习规律，由行业专家精心设计，从零基础到精通，每一步都有明确指引，帮你节省80%的无效学习时间，少走弯路、高效进阶，避免踩坑。

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、大模型学习书籍&电子文档

涵盖2026年最新技术要点，包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容

4、AI大模型最新行业报告

报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容，还有2026年中文大模型基准测评报告、AI Agent行业研究报告等，帮你站在行业前沿，把握技术风口。

5、大模型项目实战&配套源码

项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向，还有视频配套代码，手把手教你从0到1完成项目开发，既能练手提升技术，又能丰富简历，为求职和职业发展加分。

6、2026大模型大厂面试真题

2026年大模型面试已全面升级，不再单纯考察基础原理，而是转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

👇👇扫码免费领取全部内容👇👇

7、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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】