从 Prompt 到图：Graph Engineering 如何重写 AI 编程的规则

那句话

「你不再应该写代码了。你应该构建一个能自我编写的图。」

（“You’re not supposed to write code anymore. You’re supposed to build a graph that writes itself."）

说这话的是 Boris Cherny，Claude Code 的创建者与负责人。他在一段约 28 分钟的视频里捅破了过去两年 AI 编程圈的一层窗户纸，视频后来被 @Mahaximus_ 转发到 X 并发酵。他的判断是：大多数人用 AI 写代码，本质上还是在给模型写 Prompt（提示词）——像给一位天赋异禀的实习生反复口述需求，而这位实习生每次对话开始时，都得从零理解上下文。

阅读目标：读完本文，你应该能回答三个问题——Agent、Agentic Loop、Graph 三级台阶各解决什么问题；一张能学习的图由哪四个组件构成；自己的第一个图该从哪个任务下笔。

Anthropic 内部在做另一件事：搭图（Graph）。图是由多个智能体（Agent）节点组成的系统，有记忆，能从错误中学习，每一次运行都比上一次更聪明。传统智能体执行一次任务就结束；智能图是一个不断进化的系统。

按视频里的说法，Claude Code 本身就是用这种方式构建出来的。

从 Agent 到 Loop 再到 Graph

要理解图工程，得先回到它之前的两个台阶。

第一级：单次 Agent。 2023 年 AutoGPT 让「自主智能体」出了圈，但多数开发者日常停留的形态比它朴素：一次对话，接收指令、调用模型、执行动作、返回结果、结束。能跑，但不积累。今天帮你修好的那个 bug，明天它会换一种方式再犯一遍。

第二级：Agentic Loop（智能体循环）。 给 Agent 装上循环，让它在「规划 → 行动 → 观察 → 修正」里多转几圈，直到任务收敛。这是从「执行命令」到「解决问题」的升级。Anthropic 官方博客《Building Effective AI Agents》对 Agent 的定义就落在这里：一个由 LLM（大语言模型）驱动的循环，模型动态地指导自己的流程和工具使用，每一步都从环境中拿到「地面真相」（ground truth）——工具调用的返回、代码执行的结果——再决定下一步。

与之相对，工作流（Workflow）是通过预定义代码路径编排模型和工具的系统，控制权在程序里，不在模型手里。

单个循环的一次运行，大致长这样：

任务: 给仓库补单元测试，覆盖率到 80%
├─ 规划 → 拆出待测模块清单
├─ 行动 → 生成测试、运行、拿到失败用例  ← 地面真相
├─ 观察 → 失败集中在边界条件断言（记忆: 无，下次从零再来）
└─ 修正 → 重写断言，再跑一轮，直到收敛或放弃

第三级：Graph。 这是 Boris Cherny 那句话的指向。当一个循环学会了保留记忆，当多个循环以明确的结构互相连接、互相校验、互相委派，系统就有了拓扑。图工程要做的，就是把这些智能体连接成一个能自己运行、验证、改进的整体。

三级台阶对应三个层次：写命令、造机器、设计一个能自己造出机器的系统。绝大多数人还在第一层和第二层之间打磨提示词技巧，第三层是真正的分水岭。

一张会学习的图，里面装了什么

一个能学习的图，由四个组件构成。

记忆（Memory）。 没有记忆的智能体永远停留在第一天。图的记忆是结构化的：哪些方案试过、哪些失败了、失败的原因是什么，都被写进节点可以读取的状态里。这让「从错误中学习」从口号变成工程事实——系统的下一次决策，建立在上一次的失败分析之上。

验证循环（Verification Loop）。 单个 Agent 最危险的地方是「自信地跑偏」。图结构允许你把生成和检查拆给不同的节点：一个节点写代码，另一个节点审查代码，两者的判断互相独立。错误在被放大之前就被另一双眼睛截住。任何一个节点给出坏结果，都有下游节点兜底。

自我改进（Self-Improvement）。 传统 Agent 的性能曲线是平的，跑一万次和跑一次没区别；智能图的曲线是向上的，每次运行都在变得更聪明。改进可以发生在提示词层、工具选择层，甚至是图结构本身——哪些节点该并联、哪条路径该加一道检查，都可以成为系统自己调整的对象。

编排（Orchestration）。 节点之间谁给谁派活、结果如何汇合、什么时候停下来问人——这些连线的规则，就是图工程里真正的「代码」。

这四样东西拼在一起，回答了一个所有写过 Agent 的人都遇到过的问题：为什么 Demo 惊艳，一上生产就翻车？因为你交付的是一个聪明瞬间，而生产环境要的是一台日复一日稳定出活的机器。

五种积木：Anthropic 官方工作流模式

图听起来抽象，但它的零件一点也不神秘。Anthropic 官方博客归纳的五种工作流模式，就是搭建图时的基础语法（以下为官方资料，非视频内容）：

1. 提示链（Prompt Chaining）：把任务拆成顺序步骤，每个 LLM 处理上一步的输出，中间放程序化检查点。适合边界清晰的流水线——比如先生成、再翻译、最后润色。

2. 路由（Routing）：先对输入分类，再导向各自的专门处理流程。不同类型的请求走不同的分支，每条分支可以用更聚焦的提示词——官方给的例子是客服工单：简单的交给便宜快速的模型，疑难的交由更强的模型。图的路由节点就是这种模式的实现。

3. 并行化（Parallelization）：多个 LLM 同时开工，程序化地聚合结果。两种变体——分片（Sectioning，把任务切块并行处理）和投票（Voting，同一任务多跑几遍取共识）。投票机制是「验证循环」最朴素的实现——图中每个检查节点本质上就是一组投票器。

4. 编排器—工作者（Orchestrator-Workers）：一个中央 LLM 动态分解任务、把子任务委派给工作者 LLM、最后综合结果。子任务不是预先写死的，而是根据具体输入现场决定。官方特别指出，这类模式适合编码场景——一次涉及多个文件的复杂改动，谁也没法提前穷举所有改动路径。图的编排节点正是这种模式的直接映射。

5. 评估器—优化器（Evaluator-Optimizer）：一个 LLM 生成响应，另一个 LLM 负责评估和反馈，两者在循环中反复迭代，直到结果达标。这是图中「自我改进」组件的原子实现。

把这五种模式看成乐高零件，图工程突然变得具体了：一张生产级的智能体图，无非是用路由决定入口、用编排器—工作者做任务分解、用并行化加速、用评估器—优化器收口，再用提示链把它们串成有向拓扑。

官方还反复强调一条原则：从最简方案开始，只在复杂度真正带来回报时才增加复杂度。一张为了复杂而复杂的图，比一个朴素的 Agent 更难调试，也更难信任。

MCP：图的神经系统

节点有了，结构有了，还缺一层：这些智能体怎么摸到真实世界？

这就是模型上下文协议（Model Context Protocol，MCP）要补上的。随视频一同流传的课程大纲里，「如何构建 MCP」排在「Graph Engineering」之前整整一节课——先有通信层，再谈组网。

没有标准化接口的图是一团浆糊：每个节点都用自己发明的方式调数据库、读文件、发请求，换一个工具就要重写一片节点。MCP 把「模型与外部世界对话」这件事抽象成统一协议，让图里的任意节点以一致的方式接入代码仓库、终端、浏览器或内部系统。效果类似于当年 USB 之于外设——图的节点从此可以热插拔。

MCP 还改变了图的可演化性。当接口是标准的，往图里加一个新能力的成本，从「改造半个系统」降到「挂载一个新节点」。一张能低成本扩张的图，才谈得上持续进化。

同一个任务，两个物种

把差异拉到具体场景里，对比会更清楚。

假设需求是：「给这个仓库补上遗漏的单元测试，把覆盖率提到 80%。」

传统 Agent 的做法：它扫一遍代码库，生成一批测试，跑一次，把结果交给你。三个测试挂了，它不知道，或者知道了但下一轮对话开始时已经忘干净。下次提类似需求，它从第一张草稿重新来过。

智能图的做法：路由节点判断任务类型，编排器把仓库拆成若干模块分派给工作者节点并行生成测试，执行节点跑测试并回收失败信息，评估节点对照覆盖率目标和失败日志给出反馈，优化节点据此让不合格的部分回炉。整个过程里，「哪个模块的哪种断言最容易写错」被记进了共享记忆。下周你提一个相似需求，系统的起点是上次结束的位置。

前者交付结果，后者积累能力。这是工具和团队的区别——会开复盘会的那种。

你的第一张图，从哪里下笔

综合视频的思路和官方的三条原则（保持简单、让规划步骤透明、设计好智能体与计算机之间的接口），上手路径大致如下：

先从一个循环开始，别从一张图开始。 挑一个你每周都要重复的真实任务，用单个带循环的 Agent 把它跑通。这一步的目标不是自动化，而是搞清楚这个任务的「地面真相」长什么样——哪些信号能告诉系统「做对了」。

给循环加记忆。 让每次运行留下结构化的记录：输入、决策、结果、失败原因。哪怕最初只是一个追加写入的日志文件，系统的性质已经变了——它开始有历史。

把验证拆出去。 当循环稳定后，引入第二个角色专司检查。生成与判断分离，是图结构的胚胎。从这里开始，你拥有的已经是两个节点和一条边。

用标准协议接工具。 通过 MCP 接入文件系统、终端或代码托管平台，避免为每个工具写一次性胶水代码。

最后才是扩展拓扑。 路由、并行、编排委派——在真实痛点的驱动下逐一引入，每一步都问一句：这个新增复杂度换来的回报是什么？

这条路线的核心和视频传达的信息一致：图工程是长在真实任务上的手艺，模板抄不走。

常见误区与排查

照着上面的路线动手时，有几个反复出现的坑：

• 第一张图就画五六个节点。 排查方法：把图拆到只剩两个节点（生成 + 检查）跑一遍，跑通了再加节点。官方「从最简方案开始」的原则在这里就是调试工具。
• 循环转了十几轮仍不收敛。 通常是「地面真相」信号太弱——系统拿不到能判断对错的反馈。排查方法：先问「这个任务里，什么信号能证明做对了」，答不出来就先补测试、编译或规则校验，再谈自动化。
• 记忆记了但没人用。 只写不读的记忆等于没有。排查方法：检查每个决策节点能否读到历史记录；读不到，就把记忆接入决策路径，或者干脆删掉。
• 把编排写死在提示词里。 谁给谁派活、何时停下问人，这类规则属于代码层，写进提示词会随模型发挥漂移。排查方法：把编排规则移到程序逻辑里，提示词只保留任务描述。

读完自测

不看正文回答下面四个问题，检验心智模型是否立住了：

1. 工作流和智能体的分界线是什么？控制权在哪一侧？
2. 五种官方工作流模式里，哪一种最适合「涉及多文件、无法预先穷举改动路径」的编码任务？
3. 验证循环和投票（Voting）机制是什么关系？
4. 你的第一张图为什么应该从单个带循环的 Agent 开始，而不是直接搭多节点？

答案都能在文中找到：「从 Agent 到 Loop 再到 Graph」与「五种积木」两节对应前两题，「一张会学习的图」一节对应第三题，「你的第一张图，从哪里下笔」的第一步对应第四题。

尾声：从「写代码」到「写写代码的东西」

Boris Cherny 那句话点破的，是程序员这个职业的创作对象正在上移。

过去几十年，我们的作品是代码——确定性的、逐行的、可评审的指令集。图工程要求我们把创作对象上移一层：你构建的是一套会生成代码、检验代码、修正自身生成策略的系统。你的产出物从「答案」变成了「产生答案的机制」。

编译器把程序员从机器码里解放出来，没人再说「真正的程序员都手写汇编」；垃圾回收把我们从手动内存管理里解放出来，也没人怀念 malloc 和 free 的年代。抽象层每上移一次，都会带来同一类焦虑——「那我们还能干什么」——和同一个答案：去设计上一层的东西。

图的节点会写更多代码，但图的形状、记忆的结构、验证的严格程度、何时该停下来问人——这些决策在很长一段时间里，仍然需要一个理解全局的人来做出。提示词工程师的时代确实在落幕，接棒的是一个对系统设计能力要求更高的时代。

别再打磨那句 Prompt 了。去画你的第一张图。

谁该看原视频

这篇文章把视频的要点重新组织过，但有一样东西文字带不走：现场感。Boris 讲话的节奏、展开每个概念时的停顿，以及推文发酵后讨论的语境，看原视频和读摘要是两种体验。

值得看原视频的读者：

• 想听 Boris 原话、而不只是二手转述的人；
• 正在评估「要不要把工作流升级成图结构」、需要判断依据的工程师；
• 对 Anthropic 内部如何理解 Agent 演进路径感兴趣的观察者。

读这篇文章就够的读者：

• 只想快速建立「Agent → Loop → Graph」心智模型的人；
• 想弄清五种工作流模式和 MCP 各自在图里扮演什么角色的人；
• 想先判断这个方向值不值得自己花 28 分钟的人。

要不要点开原视频，最后只取决于一个问题：你缺的是结论，还是那个说话的人。

进阶方向

• 动手搭一张真图：用 Claude Code 的 subagent 加 hook（钩子）就能起步——一个 md 文件定义一个专职节点，hook 在节点收尾时强制跑测试，不需要额外框架。
• 读 LangGraph 文档：它把「状态图」作为核心抽象，是本文三级台阶里第三级的成熟实现，适合理解图的状态管理和分支控制。
• 重读《Building Effective AI Agents》：正文「Agents」一节给出了一张 coding agent 的高层流程图，附录「Agents in Practice」补了客户支持与编程两个实战案例，可以和本文的五种积木对照，看生产系统如何把它们组合起来。

资料说明：本文中 Boris Cherny 的引言、Agent 与 Smart Graph（文中作「智能图」）的对比框架、课程大纲来自 X 平台传播的原视频及推文内容；五种工作流模式、Agent 与 Workflow 的定义、三条设计原则引自 Anthropic 官方博客《Building Effective AI Agents》；场景对比与上手路径为基于上述资料的推演与延展，非视频原话。

时间点说明：手头资料只有转写要点，未含原视频时间戳，故关键论点按内容顺序展开，未标注具体 mm:ss 位置；想看对应段落的读者，直接回看原视频即可。

参考文献

• Anthropic 官方博客《Building Effective AI Agents》：https://www.anthropic.com/engineering/building-effective-agents （五种工作流模式、Agent 与 Workflow 定义、三条设计原则的出处）
• Model Context Protocol 官方文档：https://modelcontextprotocol.io （MCP 协议规范与接入方式）
• Boris Cherny 关于 Graph Engineering 的原视频及讨论：见 X 平台 @Mahaximus_ 转发线程