图工程如何驯服AI代理

图工程作为最新术语，与提示工程、上下文工程等一脉相承，反映了开发者面对大语言模型非鲁棒、非确定性特性时的真实挑战。LangChain团队三年前推出LangGraph，正是为了帮助开发者以图结构构建代理系统。如今LangGraph月下载量超6500万次，被初创企业和大型企业广泛采用，其成功关键在于平衡了确定性路径与代理步骤。

在LangGraph中，节点执行具体工作，可以是确定性代码、单次LLM调用、工具调用或包含内部循环的完整代理。边则定义下一步走向，部分边是确定性的，部分基于节点结果、当前状态或外部信号条件判断。这种状态机设计让开发者能直接编码工作流中的有效路径，在需要时让模型自主选择，在关键环节强制确定性行为。

实际代理工作流往往具有可预测结构：支持代理先分类问题再回答或升级，编码代理先检查仓库再提议修改，合规工作流需审批后才能执行外部操作。图结构让开发者将领域知识直接嵌入系统，就像提示词将领域知识注入代理一样。例如知识库代理使用三个子代理分别搜索GitHub、Notion和Slack，工作流分为分类、搜索、合成三个阶段，模型只在增值环节推理，其余由代码处理。

并非所有任务都适合图结构。深度研究等高度代理化任务，强制使用确定性路径反而适得其反。GPT Researcher最初使用图结构多代理管道，后来转向更代理化的核心循环，让规划、委托和上下文管理在框架中自然涌现。这提示开发者：当任务路径难以预先定义时，应选择更灵活的代理框架。

三年实践揭示三个关键洞察：第一，生产级代理图通常不是有向无环图，需要循环来重试失败工具调用、请求缺失信息、验证后修订答案等。第二，循环本质上是简单图，循环工程并非图的替代方案。第三，动态转换至关重要，节点需在运行时决定工作分配，如Map-reduce模式中工作节点数量取决于输入。LangGraph通过Send机制支持这种动态路由。

图工程的新意在于节点内容的变化。早期节点是确定性代码或单次LLM调用，如今代理足够可靠，节点可以是一个完整代理的运行。编码代理是典型例子，将其作为节点嵌入更大图结构已成为实用模式。文档代理将Slack请求转化为待审拉取请求，每个节点在确定性到代理化的光谱上处于不同位置，实现了灵活而可控的系统设计。

要点

• 图工程允许开发者将领域知识编码到工作流中，在确定性路径与代理步骤间取得平衡。
• 生产级代理图通常需要循环，而非有向无环图，循环是代理系统的核心。
• 动态转换至关重要，节点需在运行时决定工作分配，如Map-reduce模式。
• 节点内容已从确定性代码或单次LLM调用演变为完整代理运行，如编码代理。
• 高度代理化任务如深度研究，强制使用图结构可能适得其反，应选择更灵活的框架。