标签
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。
一条推文分享了一位高收入AI工程师的《图工程课程》，该课程在GitHub上有4400颗星，承诺通过简单的三步流程让你在自己的项目中掌握图工程。
KIGI CLI 0.1.5版本更新，新增支持5个OAuth提供商和24个基于API的提供商，包括Kimi Coding、ChatGPT、Grok xAI、Claude、GitHub Copilot。这是一个完全开源的支持图工程的CLI工具。
一个提议，将术语“图工程”区分为“知识图谱工程”和“代理图工程”，引用了2026年代理编排图的激增以及与知识图谱的混淆。
一篇分析AI代理开发中单一反馈循环局限性的文章，通过一个支持团队因优化其机器人的指标而导致客户流失的警示故事进行说明，并倡导采用考虑多个相互连接循环的图工程方法。
yoyo框架通过集成GASP（Git Agent State Protocol）协议，实现了持久化有向图状态管理，使代理状态可分支、可版本化、可审计且可回放，标志着代理状态从野蛮生长转向可追溯的持久化。
一项牛津大学与Anthropic的联合研究，历时4年耗资670万美元，发现90%的AI智能体在复杂任务中失败，因为它们存储事实但丢失连接；使用基于图的方法使任务成功率提升42%，非必要调用减少33%，研究准确性提高39%。
一份15页的论文介绍了内聚感知任务划分，以改善多智能体编码的扩展性，概述了从提示到图的新元过程。
一个14步路线图，用于使用Claude Code的动态工作流将线性多智能体工作流转变为高效的图架构，强调数据依赖并行和基于合约的节点设计。
一位19岁的青年在斯坦福教授AI课程，分享了关于AI采纳、图工程以及更高效使用Claude的见解。
作者介绍了从prompt engineering到graph engineering的概念演变，指出graph engineering本质上是利用有向图（包括循环）和有限状态机（FSM）来管理多个agent的协作执行，是当前工程化阶段的自然发展。
斯坦福和Anthropic的研究表明，采用基于图记忆的AI智能体比未采用的智能体性能提升42%，代码准确率提高36%，研究效率提高45%。
本文分析了AI代理从单循环到基于图形的自我改进架构的行业转变，解释了为什么优化单一指标常常失败，以及改进循环网络如何提供更稳健的解决方案。