多智能体工程范式：循环 + 图谱架构实现自主迭代进化RSI
内容提要
传统AI智能体因缺乏终止规则、纠错机制和记忆体系而越用越废。解决方案为“循环工程+图谱工程”双架构：循环工程通过量化终止条件、独立技能配置和四层外部校验闸门实现可控执行；图谱工程用SCHEMA.md、aliases.csv和结构化输出固化记忆；再配合动态工作流按节点状态差异化派单，以及元循环自动复盘、人工审批规则修改，最终形成可自我纠错、持续进化的多智能体系统。
延伸解读
传统智能体失效的根源：缺乏工程化闭环
文章指出，传统AI智能体越用越废并非模型能力不足，而是缺少终止规则、纠错机制和记忆体系。智能体自我审核会本能合理化错误，导致人工修正无法根治。频繁微调模型或提示词只会累积错误，必须搭建可留存、可校验、可迭代的工程化闭环，才能从根本上解决问题。
循环工程：先定终止规则，再写执行流程
循环工程强调搭建顺序：先筛选高频重复、可逆容错的任务，再编写量化终止条件（如节点数、信源数、运行时长、重试上限），并拆分为独立技能配置文件。外部校验闸门分四层：脚本拦截格式错误、模型核验证据链、置信度阈值过滤、人工兜底，禁止智能体自我审核。
图谱工程：结构化记忆与实体对齐
图谱工程通过SCHEMA.md定义节点和边类型、置信阈值，用aliases.csv解决实体别名拆分问题，并强制智能体输出固定字段。先落盘所有节点再统一推理关系，每条边附带证据来源，确保结论可溯源。这使系统从单次执行升级为持续积累认知。
动态工作流与元循环：自主调度与安全进化
动态工作流用查询语句替代固定任务列表，按节点状态差异化派单，降低运行成本。元循环每周自动分析日志，生成规则修改提案，但必须经人工审批，智能体只有提案权。这既实现自我纠错，又防止智能体删除约束导致失控，是系统长期稳定的关键。
Q&A
为什么很多AI智能体用一周就失效？
传统AI智能体只有启动逻辑，没有终止规则、纠错机制和记忆体系，全程依靠单次对话指令运行，所有修正、优化、经验都无法留存，每次运行都是全新空白执行，因此会重复犯错、越用越废。
循环工程如何让智能体可控终止和纠错？
循环工程通过先定终止规则再写执行流程，量化终止条件（如节点数量、信源数、运行时长、重试上限），使用独立技能配置文件统一标准，并搭建四层外部校验闸门（脚本拦截、模型核验、置信度过滤、人工兜底），禁止智能体自我审核，从而实现可控终止和纠错。
图谱工程中SCHEMA.md和aliases.csv分别起什么作用？
SCHEMA.md用白纸黑字规定图谱允许出现的节点类型和边类型，以及置信度阈值和核验标准；aliases.csv是实体别名映射表，统一同一实体的不同名称（如Block、Square、Block Inc），防止三百个智能体将同一实体拆分成多个孤岛节点。
动态工作流如何根据节点状态差异化派单？
动态工作流用查询语句替代固定任务列表，实时读取图谱状态，按节点状态差异化派单：已验证且新鲜的节点直接跳过；已验证但过期的节点派一个agent做增量检查；只有一个信源的薄弱节点派一个agent补信源；存在矛盾信息的节点派两个agent交叉验证；全新节点才走完整研究流程。
元循环机制如何实现智能体系统的自我迭代？
元循环每周自动调取过去七天的运行日志，统计高频错误、人工兜底案例和实体匹配冲突，自动生成针对SKILL.md、SCHEMA.md、aliases.csv和CONSTRAINTS.md的修改建议（diff格式），但所有修改必须经过人工审批，智能体只有提案权，没有最终修改权。
搭建多智能体系统需要哪些核心文件？
需要四类人工配置文件：SKILL.md（执行流程）、SCHEMA.md（节点类型、边类型、阈值）、CONSTRAINTS.md（跨运行生效的纠正规则）、aliases.csv（规范名映射）；以及系统生成文件：10-returns（单agent标准化产出）、20-graph（nodes.jsonl、edges.jsonl、graph.md）、30-queries（查询记录）、40-runs（仅追加的运行日志）。
