标签
Andrew Ng 为 AI 代理制定的操作手册强调，像循环和图工程这样的架构选择比模型选择更为关键，并概述了构建有效系统的各个阶段，如反思、工具、规划和状态管理。
一个精选的研究论文、基准测试和开源项目集合，专注于LLM Agents时代下的图工程，伴随一篇arXiv综述论文，旨在推进从个体智能到系统智能的研究。
该推文解释了生成多个AI智能体的局限性，并介绍了图工程作为一种技术，通过战略性地管理智能体上下文和工作流程来增强覆盖范围并避免冗余。
一条来自@cyrilXBT的推文赞扬了一篇关于代理系统图工程的论文，声称它能显著改善AI响应，并推广一个名为RankNow的垃圾竞标网站。
Anthropic 工程师在一次研讨会中分享了使用图工程构建长时间运行智能体的见解，强调他们超过30%的代码是由智能体图编写的，以加速开发。
本文介绍了Graph Engineering作为一种新兴范式，用于组织多代理LLM系统，利用动态图结构协调专门化代理并管理复杂任务，从个体智能推进到系统智能。
Anthropic的Claude Code负责人讨论了85%的工程师如何使用AI代理和图工程来执行整个团队的工作，强调了内部实践和未来方向。
探讨多层AI代理委派对可靠性的影响，认为错误的下游影响比层数更重要。
介绍 GraphARC，一个 MIT 许可的开源工具，允许模型在运行时编写智能体图拓扑，并配备确定性的准入门以确保可审计的执行，基于 LangGraph 构建，可通过 ollama 在本地运行或对接云 API。
一条推文声称，两位Anthropic资深人士开发的“Graph Engineering”通过将智能体接入图中，使Karpathy的循环提升了1000倍，从而显著改善了Claude的响应。推文还指出Andrej Karpathy五周前加入了Anthropic。
GraphArc是一款新的开源工具，将AI代理工作流转化为交互式实时图，使开发者在批准操作之前能够可视化、检查、调试和控制代理执行。
作者ErwinWu000分享了如何仅用Codex原生功能、一段提示词和阶段文档实现轻量级Graph Engineering，通过一个“总包”Agent管理多个独立Worker任务，实现分阶段多Agent工作流，并提供可直接运行的模板。
GraphArc 是一个开源工具，可将 AI 代理工作流可视化为交互式实时图形，使用户能够在执行前检查、调试和批准代理操作，从而让代理式 AI 更具可解释性和可控性。
一篇新的20页论文正式将“图工程”定义为提示工程的替代方案，主张构建智能体图（规划器 → 专家 → 验证器），并针对 LangGraph、DSPy、AutoGen、CrewAI、Prompt Flow 和 Claude Code 进行了评估。
Sean Chen discusses loop-based vs graph-based AI agent architectures and releases waku-agent, an open-source local-first AI assistant harness with memory, eval, and a ~95-line loop.
用单站和多站装配线的类比，解释了 AI 工作流中循环工程和图工程的区别，并提供了选择它们的简单框架。
图工程是一个新术语，指利用节点（工作单元）和边（控制流）构成的图来协调多个AI代理循环。本文解释了该概念、其历史背景（如LangGraph、AutoGen等），以及设计此类图所面临的实际挑战。
Anthropic 的一位高级工程师发布了一份12页的PDF，详细介绍了用于多智能体系统的图工程方法，利用知识图谱作为持久化共享内存，以克服上下文窗口限制。
Boris Cherny 发布了一篇关于图工程的7页PDF，展示了如何通过构建一个持久的代理知识图谱，使用四个Claude提示词替代训练好的ML模型，步骤包括提取、解析、总结和查询。