# Graph Engineering：一个提示词，跑起 1000+ 的智能体循环（完整 5 步教程） - **来源**：微信公众号文章，https://mp.weixin.qq.com/s/tR0Z_3Yka2dNXQPO7P0OsA - **收录方式**：原文由用户在对话中手动粘贴全文文本（微信有反爬验证，工具无法直接抓取正文）；正文引用的插图未能一并保存，下文以 `[图片]` 标记原文插图位置。 - **入库日期**：2026-08-04 - **说明**：本文与 `docs/reference/Graph Engineering with Claude_ 14-Step roadmap from 0 to graph architect (Full Course).md`（14 步版）是同一主题的姊妹篇/精简版，均围绕 Claude Code 的 Dynamic Workflows 功能展开，可与该文对照阅读。 --- > 📌 资料来自于网络媒体收集 「循环工程 | Loop Engineering」讲的是一个智能体怎么反复打磨一件事。这篇讲的是下一步：怎么让一千个智能体同时干活。 大多数人搭建多步骤智能体的时候，最终得到的都是一条直线。第一步，第二步，第三步。每一步都在等上一步跑完才能开始。但几乎没人去检查一件事：这些步骤里，有一半根本不需要等。它们只是排着队，一个接一个地跑，直到上下文窗口被塞满，智能体忘了自己在干什么。 慢，不是因为模型弱慢，是因为你把一张图画成了一条线。 这篇教程就干一件事：把你手里那条线，掰开成一张图。图能扇形展开，能自己检查自己。一共 5 步。到第 2 步你就能搭出一个能跑的图。它会告诉你哪些坑会让真实的图崩掉，我会在难点出现之前提前标记。 [图片] ## 前言——Graph Engineering 到底是什么 一个月前，这个圈子还在讨论循环（Loop）。Peter Steinberger（小龙虾作者）用一句话就把这风向变化点到了： [图片] 一个循环，就是一轮"变得更好"的过程：试一下 → 看结果 → 调整 → 再来。这就是原子：一个智能体，反复打磨同一件事。 但单一循环有一个已知的死法——比如一个客服团队把反馈循环绑定在一个指标上：工单解决率。这个数字连涨了好几个月，而用户满意度却在下滑。机器人学会了快速关闭工单，而不是真正解决问题。这就是**古德哈特定律（Goodhart's Law）**。一个循环只能看见自己的指标。它没法质疑目标本身对不对，也察觉不到自己的度量在漂移。 答案不是一个更好的循环，而是**一张循环组成的图**——一个网络，里面的循环互相监视、互相纠错。 落到智能体上，就一句话：别再写一个"什么都干"的直线智能体了——去设计工作的形状：谁先谁后，谁跟谁同时跑，谁在等谁。节点负责思考，边负责传递结果。 [图片] 而且 Claude Code 已经发布了直接构建这些的工具：**动态工作流（Dynamic Workflows）**。 ## 第 1 步——看见那些"不存在的边" 一张图有两个组成部分： - **节点（Node）**是一个工作单元：一个智能体，一项任务，一个输入，一个输出 - **边（Edge）**是一个依赖关系：这个节点的输出，是那个节点的输入 所有人都会犯的错误，是把"然后"当成一条边。 > "总结一下这个文件，然后告诉我天气怎么样" 天气根本不需要读那个总结。这是两个完全独立的任务，却被一个线性脚本毫无理由地串在了一起。每一个都在白白等上一个完成。 [图片] 开启一切的那个习惯：对每一个"然后"，问一句——**下一步真的需要读上一步的输出吗？** - 如果是 → 真正的连接点。保持顺序。 - 如果不是 → 没有连接点。等待是浪费。让它们并排跑。 如果两个方块之间没有数据流动，它们就是独立的。记住这种独立性。后面整篇教程都在利用它。 你那个"先做 A，再做 B，再做 C"的智能体，其实已经是一张图了——只不过是最惨的那种：一条单链，C 一卡住，D 就永远跑不了。 ## 第 2 步——从零搭出你的第一张图 理论够了。动手搭一个，看它跑起来。 开始之前： - Claude Code v2.1.154+（用 `claude --version` 检查） - 付费方案。Max、Team 或 Enterprise 默认开启工作流。Pro 用户需要在 `/config` 里打开 Dynamic workflows 开关 步骤： 1. 打开一个你熟悉的代码仓库。用一个真实的，这样结果才有意义。 2. 粘贴这段提示词（来自 Anthropic 官方）： > Create a workflow to audit every route file under src/routes/ for missing auth checks. Spawn one agent per file, then run an independent verifier on each finding before reporting. Analyze a maximum of 20 files to start. 把 `src/routes/` 换成你文件实际所在的路径。"最多 20 个"这行是为了让第一次跑的成本可控。 3. 看"workflow"亮起来。Claude Code 会高亮显示："Dynamic workflow requested." 这就是你的信号——一张图正在构建，而不是普通聊天。 4. 批准计划。Claude 会写一个 JavaScript 编排脚本，先展示各个阶段。读一遍，然后选 "Yes, run it." 5. 让集群跑起来。每个文件一个智能体，并行执行，而你的主会话保持空闲。输入 `/workflows` 可以实时观看：确定范围 → 扇形展开 → 验证 → 综合。 6. 读最终的完整答案。这不是二十个零散独立的对话。而是一份综合这些会话的报告——因为中间结果存在 Subagent 脚本的变量里，而不是你的上下文里。 这就是 Graph。十几个智能体，来自一句提示词。 [图片] ### 关于你认为的"零 token"说法 协调脚本是代码。所以在智能体之间传递结果，不会像聊天交接那样重新消耗上下文。但**智能体本身仍然消耗用量**。一个工作流的花费显著高于一次普通会话。省的是协调成本，不是工作本身。先小范围跑，观察用量，再逐步扩大。 ### 把它变成你自己的工作流 当一次运行效果不错时，按 `s`。它会保存到 `~/.claude/workflows`，之后可以按名字重新运行。现在换掉任务，保留形状。把"缺失的鉴权检查"换成"未处理的 Promise"，或者"超过 100 行的函数"。 ### 这东西能扩展到什么程度 一次工作流运行最多可以扇形展开到 **1000 个智能体**，同时最多 **16 个并行**工作。这就是"一个窗口里跑 1000+ 循环"的由来——不是比喻，是这个功能的实际上限。 而规模本身就是重点：一千个智能体意味着一个单一上下文永远装不下的任务——一次性审计整个代码库，一次触及每个文件的迁移，一次从一千个角度并行搜索。16 个并发的上限只是意味着集群以波浪式推进，啃完全部一千个，而你不需要盯着任何一个。 先从 20 个开始，看看一次运行是什么表现、花多少钱——然后放开——因为这是别人还没开始搭建的上限。 ## 第 3 步——真正会崩的地方 你搭了一张 Agent 的协作图。下面是真实的流程会翻车的地方。有两种失败最致命。 ### 失败一：Graph 在跟自己达成共识 当一个智能体检查自己的工作时，它会对自己手下留情。模型天然偏好自己的输出。 怎么办？在边上插一个**验证器（Verifier）**——一个独立的节点，结果流向下游之前先过它这一关。 没人说破的关键点：验证器需要**干净的上下文**。把执行器用过的同一段对话递给它，那它就不是在验证。它只是在用另一种字体跟自己说"我同意"。 一张共享同一个上下文的智能体图，就是一个穿了马甲的单循环。它会以同样的方式失败——只不过更晚、更贵，而且一路亮着绿灯往下掉。 验证器必须是一个全新的节点，自己的上下文，检查一个真实的信号——别问"智能体说它做完了吗"，要问"测试真的跑过了吗"。 [图片] ### 失败二：智能体互相踩踏 这不是假设。当 Bun 的团队第一次把一个大移植任务扇形展开到多个智能体时，运行在操作层面就失败了——智能体在同一个工作区里使用共享的 git 命令，互相覆盖。 那改进的方法则是：**改架构，不是改提示词**。他们直接禁掉了不安全的命令，给每个组分了自己独立的 worktree。 这才是并行真正的教训——两个智能体写同一个文件，就是在赛跑。展开之前，先回答三个问题： - 每个智能体在哪里工作？ - 结果怎么合并？ - 两个智能体意见不一致时怎么办？ [图片] 一张没有这套方案的图不会扩展——它只会更快地崩。 ## 第 4 步——这周可以搭的 6 张图 方法论：找到真正的边 → 扇形展开 → 在独立上下文上验证 → 隔离 Workers 下面每一个都是同一个形状，只是瞄准了不同的任务。换掉任务那一行就能跑： 1. **安全扫描**——每个文件一个智能体搜缺失的鉴权 auth，一个验证器确认每个发现（就是你刚搭的那个） 2. **带引用的研究报告**（`/deep-research`）——已经内置了：把你的问题拆成多个角度，并行搜索，智能体在写报告之前先互相反驳 3. **移植一个模块**——逐文件进行，测试作为关卡，失败的循环回去重做 4. **对抗性 Diff 审查**——按规模路由：小改动 → 一遍过；大改动 → 完整并行审计 5. **定时生态扫描**——保存一次，按名字重复运行 6. **未知规模的发现**——搜索器并行运行，每个结果与已发现的一切交叉比对，循环直到连续两轮没有新发现 ### 这个工程流的落地天花板长什么样 Bun 的 Zig 转 Rust 移植，用的就是这套机制。大约 50 个工作流，峰值 64 个智能体并行。大约 53.5 万行 Zig 代码变成了超过 100 万行 Rust，用了 11 天。 它也花了大约 **16.5 万美元**的用量。它需要一个人类全程设计和监控。而且它引发了公开争议——这么多 AI 写的代码，到底能不能被安全地审查。 规模是真的。16.5 万美元的账单也是真的。全程需要人盯着，也是真的。 ## 第 5 步——让 Graph 保持诚实的锚点 图画得再漂亮，节点全是互相点头，那跟没有一样。一个智能体网络，全部在互相确认，没有一个碰过任何真实的东西——它的失败方式和单循环一模一样，只不过活动部件更多。 图需要**锚点（Anchors）**：那些不能被辩论的节点。 - 真正跑过的测试——不是"应该能过"，确实过了 - 基于证据的验证器，不是基于感觉 - 冻结的规则，智能体永远不被允许调整——因为它们是优化器最可能削弱的那些 [图片] 一张图的诚实程度，取决于里面那些拒绝移动的东西。 ### 什么时候不该用 Graph 大多数任务不是图。不需要的时候硬上图，只是烧钱加添乱。跳过图的情况： - **任务很小或者是孤立的**。加一个函数，修一个 bug。工作流在这里纯粹是开销——单个智能体更快更便宜。 - **你需要紧密的监控**。如果你想在每一步跑之前都读一遍、批准一遍，那图的全部意义（不靠你并行跑）就是在跟你作对。 - **你还不知道自己在找什么**。探索阶段你需要的是一个能随时转向的智能体，不是一整个在你搞清楚问题之前就已经锁定方案的集群。 - **步骤之间真的互相依赖**。如果每一步都要读上一步的输出，那就是一条真正的链。并行没有抓手。把图强加在一个真正顺序的任务上，只是增加了协调成本，速度一点没快。 判断标准就是第 1 步。如果你找不到两个之间没有箭头的方块，那就没有图可搭。它是一个循环 Loop，够用就好。Graph 是为宽度服务的工具——独立的工作，同时完成。当工作不宽的时候，那条线从来就不是问题…… ## 转变 提示词工程师问问题。架构师画图。 线性智能体从来不是天花板。它是第一个形状——每个人都伸手去够的那个，因为它匹配我们打字的方式：一行，一次一件事。 一旦你看见了节点和边，你就不再要求智能体做更多，而是开始要求 Graph 做得更宽： - **扇形展开**——在工作独立的地方 - **守边**——在置信度重要的地方 - **冻结节点**——在承载真相的地方 大多数人会继续把步骤排成一条线。少数学会画图、并且懂得尊重什么会让图崩掉的人，将运行一支舰队。 画出那张图。留在架构师的位置上。