Transcript
00:00:00上个月大家都在聊“循环工程”，再之前是“上下文工程”，而今天的新热门
00:00:05则是“图工程”（Graph Engineering）。但这究竟是你需要深入理解的技术，还是
00:00:11AI炒作热潮又在故技重施，给无意义的噱头冠上高大上的头衔？
00:00:17在今天的视频里，我们将揭晓答案。先剧透一下：这绝对不是毫无意义的噱头。
00:00:23虽然图工程并不适用于你构建的每一个微小项目，
00:00:28但它是一个你很有必要掌握的概念，尤其是如果你经常使用
00:00:33复杂的循环架构。如果你符合这种情况，或者未来有类似需求，那一定要继续看下去。
00:00:38简单来说，图工程其实就是循环工程的延伸或演进版。
00:00:43所以，我们先快速复习一下什么是循环工程，确保大家的理解一致。
00:00:47本质上，所有循环都包含三个部分。第一是“触发器”（Trigger）。
00:00:54流程是如何启动的？理想情况下它是自动化的，比如每天固定时间运行，或是事件驱动。
00:01:00第二步是“任务”（Task），即它具体需要执行什么操作。
00:01:07第三步是“成功标准”（Success Criteria）。我们给它下达了任务，
00:01:13但要如何判断它是否正确完成了？因为如果没做好，我希望它能从头重新运行。
00:01:19理想状态下，整个过程全自动运行，且数据会被存储，甚至能加上自我改进的机制。
00:01:25但精简到最核心，就是需要触发器、执行任务，以及检验是否成功的测试机制，
00:01:30而这一切都应该是全自动的。举个例子，假设我们有一个循环，
00:01:35每天为我们生成一份早报。我们设置了一个AI Agent，每天早上7点运行，这就是触发器。
00:01:42它的任务是检索多个社交媒体平台，比如 YouTube、Twitter 和 Reddit，
00:01:47搜集有关 AI 的趋势资讯，同时检查我的电子邮箱。
00:01:54完成这些后，整合所有信息并生成一份报告。这就是整个任务。
00:02:00但在这个案例中，成功的定义稍微有点模糊。我们怎么判断报告是否合格？
00:02:05在这里，我们可以在循环中设定规则：报告必须包含某类信息、符合特定篇幅，
00:02:11且必须附带参考链接。这样我们就为它提供了评估标准。
00:02:17这就是基础的循环逻辑，非常简单，由单个 Agent 独立完成。
00:02:25那么，针对这完全相同的任务，我们如何将其重构成“图”（Graph）呢？
00:02:30也就是如何从循环工程升级到图工程？目标依然是每天生成这份早报。
00:02:35让我们来看看右边的示意图，这就是用图工程处理同一任务的样子。
00:02:40虽然最终要得到的报告是一样的，但我们增加了参与工作的 Agent 数量。
00:02:46具体来说，我们从“单一 Agent 包揽全活”，变成了“多个 Agent 各司其职”，
00:02:53且这些 Agent 之间相互连接。触发器依然不变，每天早上7点自动启动。
00:02:58但现在我们专门安排了一个负责 YouTube 的 Agent，一个负责 Twitter，
00:03:04一个负责 Reddit，还有一个专门处理邮件。每个 Agent 只抓取对应平台的信息，
00:03:09并在内部独立完成初步的摘要提炼，接着把各自的总结发送给
00:03:17负责生成最终报告的 Agent。后者收集所有数据，进一步提炼成我们想要的完整报告。
00:03:23我们甚至可以更进一步，加入一个专门的“审核 Agent”（Review Agent）。
00:03:30它负责独立审查生成的报告，将其与预设的成功标准进行对比，
00:03:36判断是需要打回重新循环制作，还是可以直接输出发布。
00:03:41这就是图工程的核心概念。我们来详细拆解一下，因为你可能会想：
00:03:48“这不就是多加了几个 Agent 吗？本质上有什么区别？”
00:03:51确实，我们增加了更多 Agent，但这么做是有深层原因的。
00:03:58图工程之所以看起来更复杂，并不是为了把简单问题复杂化，
00:04:03而是因为我们将每一个子任务，都封装成了一个运行着独立
00:04:09循环工程的 Agent。回顾一下，之前单 Agent 的循环工程在做什么？
00:04:14它在一个极高的抽象层级上，同时处理一堆杂乱的任务并检查结果。
00:04:18而在图工程中，我们把镜头拉近，聚焦于某个特定任务——
00:04:22比如让这个 Agent 专门负责 YouTube 的分析与调研。
00:04:29我们把它本身也打造成了一个微型的“循环工程”结构。仔细想想：
00:04:34虽然任务被精简到了单一项，但它依然符合循环三要素。首先有触发器（早上7点），
00:04:39其次有任务（在 YouTube 搜集 AI 资讯并归纳），
00:04:46需要对其进行综合整合。第三，我们依然有成功标准。但因为我们把这
00:04:51制定极其精准的质量控制标准。例如，我们可以明确要求：
00:04:57必须包含至少5个信息源；总结内容不得少于两段；
00:05:03或者针对找到的每一条资讯，都必须阐明其“核心价值/影响”是什么。
00:05:09因此，相比于在宏观层面试图用套话去笼统判断“成功与否”，
00:05:16我们将校验过程拆解成了各个独立且可控的细分模块。
00:05:22这为什么值得你关注？首要原因就是它能显著提升最终输出的质量。
00:05:27因为与其让一个 Agent 硬撑着搞定所有事情，不如让多个 Agent 专精单点任务。
00:05:33纯粹从“上下文衰减”（Context Rot）的角度来看，单任务 Agent 的
00:05:40上下文窗口始终非常干净；而对比另一边同时处理10件事的单 Agent，
00:05:44分工架构必然会带来高得多的生成质量。其次，它的运行效率更高。
00:05:51与其让一个 Agent 串行处理10个步骤，不如让4个 Agent 并行各自干活。
00:05:56这不仅更快、更高效，而且在出现故障时更容易定位问题。
00:06:03我能瞬间判断出是 YouTube 模块报错了，还是 Reddit 模块挂了。
00:06:08而在单 Agent 模式下，想在密集的日志里排查是哪一步导致报告质量不达标、
00:06:15从而触发打回重跑，往往要困难得多。再次强调，这是因为
00:06:20成功标准被下放到每一个子任务级别。总结来说，这就是图工程的本质，
00:06:27以及它为何至关重要。我们不再依赖单一 Agent，而是构建一系列协同工作的 Agent 网状结构。
00:06:33我们将任务拆解为原子级别的独立单元。正是因为任务变得原子化，
00:06:38我们才能对每个环节的执行要求和成功定义做到极致精准。
00:06:44每一个 Agent 本质上都是一个自洽的“循环工程实体”，
00:06:48我们只是把这些独立循环串联了起来。那么接下来的问题自然是：
00:06:54我什么时候该用图工程，什么时候用基础的循环工程就够了？
00:06:58实话实说，你并不总是需要去搭建这种超级复杂的多 Agent 架构，
00:07:04绝大多数情况下，一个简单的单 Agent 循环就绰绰有余了。但在以下三种场景中，
00:07:09你应当优先考虑采用图工程架构。第一种场景：
00:07:15当你遇到上下文瓶颈，尤其是严重的“上下文衰减”问题时。
00:07:20如果一个 Agent 在反复循环中需要同时兼顾四五六七八项任务，
00:07:25导致单次运行后的上下文占用飙升到了 30万、40万甚至50万 Token，
00:07:29这时将工作流拆分就是明智之举。没必要因为上下文拥堵而白白牺牲生成质量。
00:07:36第二种场景，是当你需要“独立审查/交叉校验”机制时。
00:07:41在探讨严谨的循环流程时，我们必然需要在某个节点评估产出质量，
00:07:48也就是校验成功标准。你需要反思：让负责生成内容的 Agent
00:07:55（比如生成报告的 Agent）自己既当裁判又当运动员，去判断“好与不好”是否合理？
00:08:01对于一份简单的每日早报，自审或许可行，毕竟逻辑简单、容错率高。
00:08:07但如果是高风险、容错率低的业务，需要引入“第二双眼睛”进行二次把关，
00:08:13你就需要转向图工程架构，引入一个全新的 Agent 来独立审视产出。
00:08:18甚至这个审判角色可以不用相同的模型，而是调用像 GPT-5.6 这样完全不同的模型。
00:08:24在这种需要多 Agent 编排的场景下，图工程无疑是最佳选择。
00:08:28第三种场景则是“执行时效性”。你对处理速度的要求有多高？
00:08:32在此类任务中，图工程自动化优势尽显——为什么非要让一个 Agent
00:08:37先看 YouTube，看完再看 Twitter，接着看 Reddit，最后再翻 Gmail 呢？
00:08:44即便是先进的 AI 工具也不会这么干。当你运行像深度研究（Deep Research）这样的任务时，
00:08:48它是串行地逐个检索资料源吗？显然不是，它会瞬间派发出上百个
00:08:52子 Agent 并行干活。事实上，在使用复杂的自动化动态工作流时，
00:08:57系统构建的几乎所有高级架构，本质上都是某种形式的图工程：
00:09:02多个 Agent 并行搜集信息，多个 Agent 协同汇总提炼，
00:09:08还有多个 Agent 专门对收集到的数据进行对抗性审查（Adversary Review）。
00:09:13在这种复杂体系中，绝对不可能只依赖单一的单线程循环，
00:09:17而是将大量具备循环能力的 Agent 网络化地连接在一起。
00:09:23不过正如我在开头所说，日常开发的大多数需求，并不符合上述三类极端场景。
00:09:28如果不涉及这些问题，就完全没有必要硬上图工程。它只是我们工具箱里的工具之一，
00:09:34按需取用即可。图工程固然有其独特优势，但盲目使用的另一面，
00:09:39就是给本不需要复杂度的系统，凭空增加了冗余的步骤和基础设施成本。
00:09:44关于图工程的内容，今天就先分享到这里。希望本期视频能帮你釐清
00:09:48图工程的真实面貌。未来你一定会频繁听到这个概念，
00:09:52但只要你掌握了循环工程，并理解“图工程就是多个 Agent 协同运行循环工程”，
00:09:57它们相互通信，既提升了产出质量，又加快了处理速度，还能方便排查故障。
00:10:01如果你不确定自己的项目需不需要图工程，那答案大概率就是“不需要”。
00:10:07老规矩，欢迎在评论区分享你的看法。如果你想学习我的高级实战大师课，
00:10:12欢迎了解 Chase AI Plus，链接我已经放在下方简介栏了。
00:10:17如果你不知道特定任务是否需要它，答案大概是不需要。所以一如既往，
00:10:24请告诉我你的想法。如果你想学习我的
00:10:27记得关注Chase AI Plus。链接放在下方了，我们下期再见！