「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。
在干货之前——请订阅我的公众号获取更多新鲜内容 ↓
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：
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。
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。
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
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。
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"。
- 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？
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：
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）
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
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
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
定时生态扫描
——保存一次，按名字重复运行
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
https://simonwillison.net/2026/Jul/8/rewriting-bun-in-rust/
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
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
把守边
——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。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～