图工程详解

AI模型价格对比 | AI工具导航 | ONNX模型库 | Vibe Coding教程 | PLC在线仿真器 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo

想象给AI权限去退款客户、发送邮件、编辑数据库和花公司的钱。

你真的会想让它自己决定每一步吗？

大多数人假设现代AI代理正是这样工作的。

并非如此。

这个假设正是为什么这么多AI项目一离开演示就崩溃的原因。

真正在现实世界中站得住脚的AI系统不会让模型在每一步都自由选择下一步行动。

它们运行在固定的地图上，无论AI多有能力，它都被限制在一组允许的路径中。工程师称之为图工程。

一旦你看到它如何工作，最可靠的AI工具看起来就不再是天才即兴发挥，而是像在轨道上运行的列车。

1、图工程的位置

如果你一直在关注这个系列，将AI代理视为三个独立层会有所帮助，每层回答不同的问题。

• Harness Engineering 给AI它能在其中工作的环境。
• Loop Engineering 决定AI如何检查、修复和改进自己的工作。
• Graph Engineering 控制整体工作流，决定下一步允许发生什么。

本文专注于第三层。

图工程不会让AI更聪明。

它确保智能沿着正确的路径走。

2、想象地铁地图，而非天才

每个图工程的解释似乎都从方框和箭头开始。

这正是大多数人从未真正理解它的原因。

暂时忘掉计算机。

想象地铁地图。

地铁地图不会让列车想去哪就去哪。有车站。有连接这些车站的固定线路。列车只能在实际有轨道的地方行驶，在某些车站，线路分叉，多条线路合并，或者你必须通过检票口才能继续。

图工图为AI系统构建相同的结构。

每个车站恰好代表一项工作。

可能是：

• 搜索数据库 • 调用API • 询问LLM • 等待人类

工程师称每个车站为节点。

每个都是一个特定步骤： 运行一些代码、问AI一个问题、把任务交给一个人。轨道称为边，它们精确定义了哪个步骤允许在哪个步骤之后发生。

AI在单个车站内可以尽可能聪明。它仍然不能发明地图上不存在的新轨道。

节点 = 一个步骤：运行代码、询问AI或询问人类 边 = 箭头：允许发生哪个下一步

在节点B内，AI可能在做一些真正有创意的事情——起草文本、权衡选项、推理问题。这些自由都不会泄漏到车站外。它仍然将控制权交给地图允许的下一个车站，仅此而已。

3、为什么让AI即兴发挥路线会失败

这是它实际预防的失败。

假设一个AI代理处理客户退款。

完全让它自己判断，在每一步它都自己决定什么似乎合理：是否检查订单历史，退款是否需要人工签字，是否在检查任何东西之前或之后发钱。

大多数时候它可能做些合理的事情。 问题是"大多数时候"。没有人想要一个接触真金白银的系统给出这样的回答。

图工程消除了猜测。

它不会问AI一个600美元的退款是否需要人工先看。地图已经回答了这个问题，在AI参与之前。

我特意选了退款的例子。它很无聊。

这就是重点： 当涉及真钱或真实客户时，"AI可能搞定了"就不够好了，固定地图开始值得额外的设置。

4、一个警告：这不是你想象的那个"图"

如果你以前听过"图"这个词，它可能附在图表、柱状图、显示数字随时间上升或下降的折线图上。把那张图完全放一边。

这种图是控制地图，不是数据图片。

方框和箭头代表步骤和权限，不是销售额或季度收入。

一些AI系统还使用所谓的"知识图谱"，它映射事实和实体如何相互关联——这是完全不同的工具，解决完全不同的问题。

图工程，本文的这种，是关于决定你的AI系统下一步被允许做什么。这里没有关于可视化数字的内容。

5、地图实际控制什么

图不仅仅是"步骤一、步骤二、步骤三"。几个特定的东西让图值得拥有：

• 分支，路径根据真实条件分叉，比如上面50美元以下的检查。
• 并行工作，两件事同时发生而不是排队等待，比如同时检查库存和检查支付历史。
• 合并，独立路径在继续之前重新汇合。
• 人工关卡，没有人工实际查看，流程无法通过的车站。
• 循环，你可以多次乘坐的环路，比如重试，但只到限制为止，有明确的出口。

从真正复杂的过程中拿走任何一个，最终有人会手工编码缺失的逻辑，只是没有地图来展示他们构建了什么。

6、当流程中途被中断时会发生什么

长时间的流程会被中断。服务器重启，工具超时，有人在任务中途合上笔记本电脑。

构建良好的图精确跟踪流程停止时所在的车站，以及当时携带的所有信息。当它重新启动时，它从那个确切的车站恢复，而不是从头开始。这就是延误的列车从停止的地方重新上车，与必须返回第一站并重跑整条路线的区别。

没有这个，每次失败都会让你损失整个流程。有了它，失败只让你损失最后一个检查点之后的工作，仅此而已。

7、当你实际上不需要它时

不是每个AI任务都值得这种处理，强制应用到所有事情上本身就是错误。

如果整个工作真的只是"一个AI、几个工具、去处理它"，先画完整地图往往弊大于利。

团队在观看AI实际尝试一次任务之前就画出二十个仔细标记的车站，然后惊讶于它用六个步骤解决问题，而这六个步骤与他们画的任何一个方框都不匹配。

所有这些仪式最终描述了一个从未存在的流程。

更好的顺序几乎总是：先看AI工作，注意它自己持续走的路径，然后只形式化那些被证明是稳定的。先走再绘制地图，而不是先绘制地图。

8、这不是理论；真实工具完全围绕它构建

图工程不是某人在白板上构想出的概念。两个更广泛使用的AI开发工具专门为此构建。

LangGraph，来自LangChain团队，将其描述为正是这种长时间运行、有状态流程的底层基础设施，具有持久执行和内置的人在环路控制。它在2025年10月达到1.0版本，标志着足够多的生产团队依赖它，底层接口需要停止在他们下方变化。

微软的AutoGen框架发布了名为GraphFlow的功能专门用于此目的。微软自己的文档直白地说明何时使用它：当你需要精确控制代理运行的顺序、不同结果的不同下一步，或具有内置循环的复杂多步骤流程时。

第二个回报是大多数人直到被其缺失伤害才会预料到的。凌晨2点出问题时，图告诉你哪个车站坏了。与之相比，梳理一整面AI推理墙，试图猜测五步骤流程在哪里悄悄出错，是五分钟修复与漫漫长夜的区别。

9、画地图前的简短清单

在将任何AI流程形式化为图之前，问自己这些问题：

• 真实决策分叉路径吗，还是我只是在画带额外步骤的直线？
• 是否有人工需要在此继续之前实际查看的点？
• 这些步骤中的两个能否同时运行而不是相互等待？
• 如果失败，重试次数是否有实际限制？
• 我是否至少看过AI尝试一次，还是我只是在猜测工作的形状？

如果你大多数诚实的回答是否，你可能还不需要图。你需要先多看几次工作发生。

10、要点

回到退款例子。没有人想要AI即兴决定真钱的事情，也没有人应该想要任何错误代价高昂的流程这样做。

图不会让AI更聪明。它让AI的自由变小，故意在自由就是实际风险的地方。车站仍然需要一个有能力的模型来良好运行。轨道是防止整个事情最终到达没人批准的地方的东西。

在信任任何AI驱动的流程做重要事情之前，我开始问一个问题：我能实际画出它下一步被允许做什么的地图吗？如果诚实的回答是"不，它只是自己搞定了"，那不是功能。那是还需要有人构建的部分。

原文链接: Graph Engineering Explained: The Hidden System Behind Reliable AI Agents

汇智网翻译整理，转载请标明出处