Loop Engineering 才火了六周，Graph Engineering 就来了。OpenClaw 创造者 Peter Steinberger 在 X 上问了一句"我们还在谈 Loop，还是已经转向 Graph 了？"，帖子获得 307 万次浏览。仅仅一个多月前，正是他用"不要再亲自提示 Coding Agent，而要设计能够提示它的循环"这句话，帮 Loop 走红。六周，风向变了。
2026 年 6 月，Peter Steinberger 用一句话定义了 Loop Engineering："不要再亲自提示 Coding Agent，而要设计能够提示它的循环。" 这个概念迅速走红，成为 AI Coding 领域最热门的方法论。
六周后，同一批人开始谈论 Graph Engineering。
7 月 28 日，Steinberger 在 X 上发问："我们还在谈 Loop，还是已经转向 Graph 了？" 帖子获得 307 万次浏览。同日，机器学习工程师 Hamel Husain 发布了一篇题为《Loop Engineering Is Dead. Enter Graph Engineering》的调侃文章，正文只有一张写着"Stop it"的动图，也获得了约 68 万次浏览。
Graph Engineering 几乎在一个周末里，从一句半开玩笑的提问变成了新的 AI Coding 热词。
一个 Agent 根据环境反馈不断检查、修改、再次尝试。代码没通过测试，就读取报错、修改代码、重新运行，直到通过验收或触发停止条件。
多个工作单元之间的连接、共享状态与路径选择。研究需求的 Agent、写代码的 Agent、做测试的 Agent——谁先开始？哪些工作可以并行？失败后回到哪里？
注：Loop 并未过时——Graph 的每个节点都可能运行自己的 Loop。Graph 新增的工程问题是：哪些 Loop 应该存在，它们怎样交接，以及失败后回到哪里。
一个 Graph 通常包含四样东西：节点（执行单元）、边（连接与路由）、共享状态（全局上下文）和调度器（控制流与并发）。当 Coding Agent 从一次回答走向连续执行，又从单个 Agent 走向多个执行单元协作时，工程师要处理的问题从"怎样让它继续做"扩展到了"这些工作该怎样连接"。
"Graph Engineering" 这个精确说法并非 2026 年才出现。但真正让它成为热词的，是底层技术条件已经成熟。
学术研究走得比行业讨论更早：
注：上方时间线展示的是 Graph Engineering 思想从学术研究到工业框架的演进路径，并非严格的技术迭代关系。
2024 年进入 ACL 的 ChatDev，把软件开发组织成由不同角色参与的"软件公司"，通过通信完成设计、编码和测试。同年进入 ICLR 的 MetaGPT，则把标准作业流程写入多 Agent 协作框架。它们当时不叫 Graph Engineering，却已经在实践角色分工、阶段交接和共享产物。
2024 年 12 月，Anthropic 在《Building Effective Agents》中总结了提示链、路由、并行、编排者/工作者和评价者/优化者等常见结构。把这些结构画出来，得到的正是不同形状的执行图。
注：四篇关键工作的时间与发表平台。GPTSwarm 明确提出"语言智能体作为可优化图"的框架。
到 2026 年，框架层已经把这套思想做得更加明确。LangGraph 将节点、边、共享状态、持久化执行和人工介入作为核心能力。Google 在 ADK 2.0 中进一步推出 Graph-first 的工作流引擎，开发者可以定义节点和边，由调度器负责并发、状态持久化、暂停、恢复、重试和人工审批。
新变化不在于发明了 Graph 这种编排模式，而在于今天的节点可以放进能够理解目标、使用工具并自行循环的 Agent。
Graph 更常用于复杂任务，但"复杂"不只是步骤多。真正决定它是否合适的，是任务结构。
2026 年 7 月 24 日，《Nature Machine Intelligence》发表了一项覆盖 260 种配置、六类基准、五种架构和三家模型系列的研究。结果并不支持"Agent 越多越好"：
注：数据来自 Nature Machine Intelligence 2026 年 7 月研究。在 SWE-bench Verified 上，四类多 Agent 架构均出现 1.3% 至 12.8% 的下降。关键变量不是抽象的"复杂度"，而是任务能否被有效拆分。
与此同时，Graph 也面临成本风险：每增加一个 Agent，系统都要准备上下文、调用模型、传递结果并进行汇总。Anthropic 的内部评测显示，多 Agent 系统的 Token 消耗约为单 Agent 的 15 倍，但在适合广度搜索的任务上，完成率比单 Agent 高 90.2%。
答案不复杂：当 Agent 真的可以连续工作，新的问题就出现了。
Loop 让一个 Agent 可以自己多干一会儿。但当 Agent 真的可以连续工作，工程师很快发现：研究需求的 Agent、写代码的 Agent、做测试的 Agent，谁先开始？哪些工作可以同时进行？测试失败后应该回到哪里？它们怎样看到同一份需求、研究笔记和测试结果？如果审查者不同意实现者，听谁的？
一个 Loop 只有一条主要路径，复杂任务却开始出现分工、并行、回退和交接。这个时候，工程师不再只是设计"怎样重复"，还要设计"这些重复工作的单元怎样连接"。
黄仁勋在 Startup School 2026 大会上表达了类似的观点：当底层实现越来越多地被 Agent 自动化，人类的核心价值将从"亲手完成每个步骤"转向"设计系统、明确约束、组织信息流，并以细粒度方式控制 Agent"。
Graph Engineering 本质上就是设计一个可观察、可路由、可约束、可局部修正的执行系统。
从 Prompt 到 Loop，再到 Graph，AI Coding 的工程焦点正在经历一次根本性迁移：工程师的注意力从"写一句更好的指令"，逐步扩展到"准备信息、提供工具、建立反馈，再把多个执行单元组织成一个可观察、可恢复、可控制成本的系统"。Graph 没有宣判 Loop 过时——它只是提出了更高阶的工程问题。
Graph Engineering 不是一套需要先学习才能使用的框架。OpenAI Harness 研究员 Alex Kotliarskyi 给出了一份只有两步的教程：先画一张 Graph，画在纸上也可以；再把图交给 Codex，让它编写并运行实现该工作流的脚本。"没有第三步。"
目前，LangGraph、Google ADK 2.0、Kimi Agent Swarm 等框架已支持 Graph Engineering 模式。从 Prompt 到 Graph，AI Coding 仍在向更高复杂度的项目进化。