Loop Engineering才火两个月，硅谷已经卷出“Graph Engineering”了
内容提要
文章探讨AI Agent工程从“循环工程”向“图工程”的范式转移。循环工程因指标失真、盲视等四类缺陷易失效，图工程通过循环监督、分层治理等网络结构弥补，但需“锚点”确保与现实连接。文章提供14步实操路线图，用Claude Code将线性agent改造为图结构，并给出六个应用场景，强调“画图的人才是架构师”。
延伸解读
从“循环”到“图”：范式转移的实质
文章指出，Loop Engineering的核心是让AI agent通过反馈闭环自我优化，但这种方式存在四类固有缺陷：Goodhart定律、向上盲视、循环冲突和测量衰减。Graph Engineering通过构建循环之间的网络结构，让循环相互监督、制约和纠错，从而弥补这些缺陷。这种范式转移并非简单的技术升级，而是对“改进机制”本身的结构性反思，强调系统层面的可靠性和与现实的对齐。
“锚点”是图结构的关键约束
文章强调，即使构建了完美的图结构，如果缺乏“锚点”——即不可辩驳的测量、冻结的规则和来自人的根本判断——图结构仍会以更隐蔽的方式失效。锚点确保改进机制始终扎根于现实，防止系统在内部自洽中脱离真实目标。这提醒读者，在采用图工程时，必须明确哪些指标和规则是不可优化的，并保持与真实世界结果的直接联系。
实操路线图：从线性到图的关键步骤
文章提供了14步路线图，核心包括：定义节点和边的数据契约、使用扇出扇入实现并行、通过路由和验证节点增强确定性、设计容错和收敛机制，以及按成本分配模型。其中，菱形拓扑和对抗式验证是常见模式。这些步骤旨在将线性agent改造为图结构，提升效率、鲁棒性和可控性，但需注意每一步都需根据实际场景调整。
适用场景与潜在风险
文章列举了六个可直接上手的应用场景，如安全扫描、研究报告、代码迁移等，这些场景的共同特点是任务可分解、并行度高、需要验证。然而，图工程并非万能，其复杂性可能带来调试和治理成本。文章也暗示，没有锚点的图结构会以“循环地、一致地、看起来完全合理地失败”，因此实施时需警惕过度工程化，并始终关注与现实结果的连接。
Q&A
什么是Loop Engineering？它为什么在硅谷流行起来？
Loop Engineering是一种AI Agent工程方法，核心是给AI agent接上自我调节的反馈闭环：选择可控指标、设定目标值、测量差距、采取行动缩小差距，然后循环。它简单有效，因此被广泛用于写周报、刷指标、通宵改代码等场景。
Loop Engineering有哪些失效模式？
Loop Engineering有四种失效模式：Goodhart定律（指标一旦被优化就不再衡量原本的目标）、向上盲视（循环无法质疑目标本身）、循环间冲突（多个循环互相拆台）、测量衰减（测量方式本身腐化）。
Graph Engineering如何解决Loop Engineering的失效问题？
Graph Engineering通过构建循环监督循环的网络结构来弥补Loop的缺陷：用配对循环应对Goodhart定律，用分层循环解决向上盲视，用仲裁机制处理循环冲突，用审计循环应对测量衰减。
什么是锚点？为什么图结构也需要锚点？
锚点是指那些不可辩驳的测量、被冻结的规则，以及来自图结构之外的人为判断。图结构如果没有锚点，即使内部节点互相印证，也可能脱离现实，最终失败。锚点确保图结构与现实连接。
如何用Claude Code将线性agent改造成图结构？
可以使用Claude Code的dynamic workflows功能，让Claude自己编写编排脚本，拉起子agent舰队并行执行。具体步骤包括：定义节点和边的数据契约、使用扇出扇入实现并行、添加路由和验证节点、实现容错和收敛、优化模型分级和拓扑成本，最终让Claude自动画图。
Graph Engineering有哪些实际应用场景？
文章给出了六个应用场景：逐路由的安全扫描、带引用的研究报告、逐文件的代码迁移、diff的对抗式审查、周期性生态扫描、规模未知的探索任务。
Graph Engineering相比Loop Engineering有什么优势？
Graph Engineering通过并行、路由、验证等结构，提高了效率、可靠性和可扩展性，同时降低了成本和延迟。它让agent能够处理更复杂的任务，并且通过锚点确保与现实连接。
