Graph Engineering：AI时代的系统架构重设计

为多 Agent 系统带来后端级的可预测性

最近我频繁听到"图工程"（graph engineering）这个词。我原本以为它跟知识图谱有关，或者可能跟 GraphRAG 有关。并非如此！

我和 Annie Wang 坐下来，请她从头梳理：图工程到底是什么，它如何帮助开发者控制复杂的 AI 系统。

术语澄清：Agent Harness、Loop 和 Graph 的实际区别

真实案例：通过 fan-out、join 和条件路由模式走通一个自动化的 PR review 流水线

它不是什么：为什么图工程与知识图谱和 Agent Swarm 有本质区别

共享状态：如何使用 Google 的 Agent Development Kit（ADK）编排共享状态和严格 Schema

有一点让我印象深刻：图工程基本上感觉就像是现代后端架构——像微服务——应用于 Agent 一样。你不再让 LLM 在黑盒 loop 里游荡、听天由命，而是用严格的 Schema 处理节点，用 fan-out/join 流水线。这让我们重新获得了软件工程师真正需要的可预测性和可调试性。

（你也可以跟着这个动手 ADK Codelab 一起练习。）

你对"图工程"的心理模型和本文描述的一致吗？你目前还在用简单的 loop 跑 Agent，还是已经开始用图模式拆解了？欢迎在评论区告诉我！

某些评论仅对登录访客可见。登录后查看所有评论。

如需进一步操作，你可以考虑屏蔽此人或举报滥用。