层层递进让 Prompt、Loop 与 Graph 重塑 AI 工程范式

背景

AI 助手从最初的单轮对话演进到今天的多代理协作，工程师面临的设计空间也随之扩大。近期出现的 Prompt Engineering、Loop Engineering、Graph Engineering 三个概念，分别对应不同粒度的控制单元，形成了自下而上的层级结构。本文基于 Anthropic 官方文档、2024‑2026 年多篇 arXiv 论文以及业界开源实现（LangGraph），系统阐释每一层的职责、实现方式以及适用场景。

1. Prompt Engineering（提示工程）

核心假设：每一次模型调用都有人类在回顾并手动调优提示。
关键要素：系统提示、用户指令、工具说明、输出格式四大块，常用 XML/Markdown 标记分段。
实践案例：Anthropic 将系统提示拆解为 background, instruction, tool, output 四段，要求“最小充分信息”而非简短。
局限：当任务需要高频交互、自动化评估或跨步骤信息传递时，单一提示难以满足。

2. Loop Engineering（循环工程）

定义：在单个代理外层加入调度、状态持久化与终止判定，实现无人值守的完整工作流。
五大原语：
1. Automations – 定时或事件触发的发现/分流。
2. Worktrees – 隔离的工作目录防止并发冲突。
3. Skills – 共享的业务知识文件（SKILL.md），避免每轮重复描述。
4. Plugins & Connectors – 与 Issue Tracker、数据库、部署 API 的桥接。
5. Sub‑agents – Maker/Checker 双模型结构，实现自评估。
终止条件：通过 /goal 检查模型输出是否满足预设 schema，或由第二模型进行校验；缺失机械化终止会导致 token 费用失控。
代表实现：Claude Code 与 Codex 均提供 /loop 与 /goal 两类指令，配合外部监控实现闭环。

3. Graph Engineering（图工程）

概念升级：在 Loop 之上抽象出多代理的组织关系，将节点视为功能单元、边为信息流向。
双图模型：
- 组织图（Org Graph）：长期稳定，定义角色、拥有的资源与权限。
- 工作图（Work Graph）：临时生成，描述任务切分、并行/合流以及动态撤销。
技术实现：LangGraph 的 StateGraph API 通过 add_node、add_edge、add_conditional_edge 定义节点函数和状态转移；状态仅在显式边上传递，防止跨节点泄露。
历史沿革：虽然“Graph Engineering”标签在 2026 年才流行，但其底层技术已在 2024‑2025 年的多代理研究中出现，如 Anthropic 的五大工作流模式（Prompt‑Chaining、Routing、Parallelization、Orchestrator‑Workers、Evaluator‑Optimizer）。

4. 如何在三层之间做选择

是否有人类审阅每一步输出？
- 是 → 采用 Prompt Engineering 即可。
任务是否需要无人监督的完整执行？
- 是且有明确的“完成”判定 → 引入 Loop Engineering。
是否涉及并行子任务、跨角色协作或动态分支？
- 是 → 设计 Graph Engineering，声明节点、边与共享状态。

经验法则：从最小粒度开始，只有在上层需求明确且下层已稳固时才向上叠加。

5. 关键要点

Prompt、Loop、Graph 形成 三层控制单元，相互叠加而非替代。
Loop 的可靠性关键在 机械化终止条件，否则会因预算耗尽而中止。
Graph 需要区分 组织图 与 工作图，分别负责角色归属与任务调度。
实际落地时，工程团队的 深度理解 与 快速迭代能力 决定层级设计的成功率。

通过清晰划分这三层，企业可以在保持研发灵活性的同时，逐步提升系统的自动化与可扩展性，为下一代 AI 办公与研发平台奠定坚实基础。