转写说明

本文基于已校验的公开原文进行结构化转写与事实梳理，非原文转载。 转写保留可核验的技术事实，并将工程建议与来源观点明确分开。

核心结论

Loop Engineering 与 Graph Engineering 并非竞争关系，而是同一工程思路在不同颗粒度上的体现。前者解决单个 Agent 节点如何自动完成任务，后者解决多个节点之间的拓扑编排与状态流转。LangChain 指出，这两种范式都服务于同一个目标：把模型的推理能力放在真正需要判断的地方，其余交给确定性代码。

能力机制

Loop Engineering 的核心构件

Loop Engineering 强调用系统替代人工逐轮 Prompt，其基础构件包括四个要素：Agent 本身、Verifier（验证器）、反馈路径以及停止条件。缺少 Verifier 会导致 Agent 自行判断“看起来做完了”而停止执行；缺少停止条件则可能产生无限循环。Addy Osmani 等人将这一概念系统化，定义为核心动作是“把手动给 Agent 发 Prompt 的人替换成一套自动化系统”。

Graph Engineering 的拓扑模型

Graph Engineering 将 Agent 之间的协作关系从隐式（依赖 LLM 自己判断下一步）转变为显式（通过图结构规定合法路径）。图中节点可以是确定性代码、单次 LLM 调用、完整 Agent，也可以是路由器、汇聚点或人工审批检查点。边分为确定性边和条件边（根据节点结果或外部信号动态决定）。整体可视为状态机，状态在图中流动。LangChain 特别指出，生产环境的 Agent 图通常是带环的有向图，而非 DAG，因为需要支持重试、信息补全、用户交互等场景。

快速开始

Loop Engineering 的最小闭环

实现 Loop Engineering 的最小可运行单元需要四个组件协同工作。以伪代码结构为例，实际项目中可参考 Kiro 的 goal 功能或 Claude Code 的 Autopilot 模式，这些工具已内置上述四要素的编排逻辑。核心思路是定义任务目标后，由系统自动驱动 Agent 执行、验证、反馈迭代，直到满足停止条件。

Graph Engineering 的框架选型

目前 LangGraph 是该领域的代表性框架，已稳定运行三年。对于需要显式工作流控制的场景，可优先考虑支持有向有环图的框架，而非强制使用 DAG 结构。LangChain 自身在 Deep Research 功能开发中也经历了从预定义 LangGraph 工作流到自由 Agent 循环的调整，表明图与循环的选择应依据任务动态性决定。

适用边界

适合使用 Loop Engineering 的场景

具备以下特征的任务适合 Loop Engineering：有明确、机器可判定的完成标准（如修 lint 报错、批量升级依赖）；可以在沙箱或隔离环境中完全验证的任务（Agent 犯错代价可控）；任务时长本身较长、值得无人值守运行的场景；任务执行者与验证者可以分离的场景（由独立 Evaluator 或 Sub-agent 检查，而非 Agent 自我评分）。

适合使用 Graph Engineering 的场景

业务流程具有可预测结构时适合使用图：将固定路径直接编码进拓扑，模型仅在需要判断的节点发挥作用。典型场景包括客服流程（先分类再回答或升级）、编码流程（先读仓库再提改动）、合规流程（审批后才能执行）。

不适合使用图工程的场景

任务本身高度自主、步骤难以预定义时（如 Deep Research 类任务：规划、检索、阅读、综合均需动态展开），硬塞进确定性路径反而是错误方向。这类场景更适合直接使用 Agent Harness，让规划和上下文管理在框架内部涌现。

核验清单

评估是否需要引入 Loop Engineering 或 Graph Engineering 时，可按以下维度自检：

任务颗粒度判断：若聚焦单个 Agent 的自动驱动，优先考虑 Loop Engineering；若涉及多 Agent 或异构节点的协作编排，引入 Graph Engineering。

停止条件明确性：确认任务存在可判定的完成标准，且该标准可由系统自动验证。

验证器独立性：确保验证逻辑独立于被测 Agent，避免 Agent 自行判断完成状态。

图的环需求评估：若业务流程需要重试、信息补全、用户交互等回环操作，确认所选框架支持有向有环图。

动态性判断：任务步骤是否高度可预测。若是，选择 Graph；若否，考虑 Agent Harness 配合自由循环。

现有框架兼容性：当前项目是否已使用 LangChain/LangGraph、Kiro、Claude Code 等已内置相关能力的框架。

来源与核验

  • 原始文章
  • 页面事实以原始来源及其引用的官方资料为准；版本、星标和模型能力会随时间变化。
  • AI Stack 不公开抓取到的全文快照，只发布独立转写与来源入口。

站内链接

相关文章