吉林大学团队发布的《Graph Engineering in the Era of LLM Agents》综述提出了一套完整的Graph Engineering范式通过任务组织图、Agent协调图和运行时状态图将多个Agent组织成能协作、记录、恢复和演化的系统。该范式推动智能从“单个Agent有多强”提升到“整个系统怎么组织”并系统整理了相关研究、基准、开源库与应用。文章指出复杂任务需要系统智能而非单点能力并详细阐述了Graph Engineering的核心概念、三张图的组织方式以及面临的挑战与未来方向。一句话讲清楚 吉林大学团队牵头发布的《 Graph Engineering in the Era of LLM Agents 》综述把 Graph Engineering 组织成一套完整范式用任务组织图、 Agent 协调图、运行时状态图三张图把多个 Agent 组织成一个能协作、能记录、能恢复、能演化的系统把智能从「单个 Agent 有多强」推进到「整个系统怎么组织」并系统整理了这一方向的研究、基准、开源库与应用。论文标题Graph Engineering in the Era of LLM Agents: From Individual Intelligence to System Intelligence论文链接https://arxiv.org/abs/2608.21156资源仓库https://github.com/DEEP-JLU/Awesome-Graph-Engineering把一个复杂任务交给单个 Agent 能自主调用工具、分步完成任务的 AI 程序反复执行会撞上几个结构性瓶颈。所有信息挤在同一个上下文里互相抢位置互相依赖的操作只能串行排队不同任务和 Agent 的状态混在同一份上下文里没法隔离并行的工作也没法同步共享结果。更麻烦的是错误传播代码改到一半引入一个 bug 这个错误会顺着后续步骤一路带下去整条任务到最后才失败却说不清错到底出在哪一步。过去几年让大模型干活的工程方式升级了好几轮。提示工程把任务要求说清楚上下文工程把相关资料和中间结果喂进去 harness 套接工程负责给模型接上外部工具、记忆和技能模块循环工程让模型在规划、行动、观察、反馈的闭环里持续执行。这些手段解决的核心问题是同一个单个 Agent 怎么更强。但很多真实任务需要的不是更强的单点能力。科学发现、大型软件开发这类任务天然要求不同专长的推理并行推进、中间结果互相交换和验证、执行状态在漫长的过程里持续保存。当这些要求被塞进单个 Agent 的执行循环就构成了结构性的错配。这篇综述给出的判断是智能必须分散到多个专门化的 Agent 上在系统层面重新组织也就是从「个体智能」走向「系统智能」。综述的总览图提示工程和上下文工程激活模型智能 harness 工程和循环工程扩展出个体智能 Graph Engineering 在个体 Agent 的基础上通过任务组织、 Agent 协调与运行时状态管理支撑系统智能。从模型智能到个体智能综述先把智能分成三个层次。最底层是模型智能预训练和后训练把知识和推理能力写进模型参数提示工程在推理时把这些能力激发出来上下文工程决定把哪些资料放进模型能看到的范围。这一层解决的是「模型在一次交互里能答对什么」。在这之上是个体智能。一个 Agent 可以写成一句话大模型负责思考 harness 提供可用的资源和工具循环工程把规划、行动、观察、反馈串成一个持续执行的过程也就是论文里的Agent Loop(LLM Harness)。个体智能解决的是「一个 Agent 能不能在环境里长期自主干活」。现在的 Coding Agent 、通用 Agent 产品基本都停在这一层。个体智能的局限在论文里被归纳成几条。一是上下文竞争所有任务相关信息都挤在同一份上下文里二是专业验证难做同一个 Agent 既写代码又评代码容易把自己的判断当成正确证据出现确认偏误。三是状态不持久个体 Agent 的上下文不是组织化的持久状态错误一旦进入循环就会被一路携带早期的小错往往拖到任务快结束时才暴露此时很难定位最初出错的位置。这些局限是 Graph Engineering 出现的直接动机。从模型智能到个体智能的演进示意基础模型经过提示与上下文工程的条件化、 harness 工程的能力扩展、循环工程的反馈控制变成有能力、持久、目标导向的 Agent 右上角列出个体智能的局限引出系统智能。系统智能从考试类比看层级下面这张图用一场考试的类比把整个演进讲得很直观。闭卷考试只靠脑子里已有的知识对应基础模型拿到更好的答题指导对应提示工程开卷考试把相关资料摊在桌上对应上下文工程。考场上允许用计算器、搜索引擎和各种软件对应 harness 工程交卷后拿反馈反复修改对应循环工程几个人围坐一起分工协作答题对应 Graph Engineering 最后大家共用一本统一的规则和术语手册对应综述展望的本体工程一种为共享概念定标准的工程方向后文会展开。每一层都是在上一层的基础上把「能干什么」往外扩一圈。考试类比从闭卷、开卷、用工具、提交反馈循环到团队协作和统一规则手册对应从基础模型到系统智能的七个层级。系统智能的定义在论文里写得很明确把一个复杂目标分解并组织起来把责任分配给异构的 Agent 协调它们互相依赖的执行并在任务全生命周期维护系统级状态。系统智能并不等于多堆几个 Agent 。一个多 Agent 系统可能每个 Agent 都很强但缺少有效的工作组织、清晰的责任边界、协调机制和一致的状态管理照样不成系统。Graph Engineering 三张图管住整个系统先澄清一件事 Graph Engineering 并不是这篇综述首创的词。把 Agent 系统表示成图是 LangGraph 社区从 2023 年起就在做的事 LangChain 官方博客也承认「把 Agent 系统表示成图不是什么新想法我们已经这么干了三年」。这个词的通用含义是围绕显式图结构设计 AI 系统知识存成节点实体关系存成带类型的边 Agent 在图上游走而不是在平铺文档里做相似度检索。 GraphRAG 是它的一环 Zep 的 Graphiti 做 Agent 记忆图 LangGraph 做多 Agent 编排图 2026 年 7 月这个词在 X 上集中爆发出现过多种竞争定义。这篇综述的贡献是把这些散落的实践统一进一个框架三张图外加系统演化。Graph Engineering 的核心主张是用图结构把任务、组件和状态之间的关系显式地表示出来。图由节点和边组成节点代表子任务、 Agent 、工具或状态边代表依赖、委派、通信等关系。一旦这些关系从模型的上下文里被搬出来、画成一张可以检查的图调度、协调、监控、恢复和优化就都有了明确的结构基础。综述把 Graph Engineering 拆成三个彼此关联的层面。任务组织回答「做什么、怎么组织」把全局目标分解成可调度的子任务和工作流 Agent 协调回答「谁来做、怎么协作」把工作映射到异构组件并组织它们的信息流动。运行时状态管理回答「系统现在到哪了、出了错怎么办」记录执行状态、定位故障并支持恢复。三者之外还有系统演化用执行产生的证据持续改进这些图结构本身。Graph Engineering 总览任务组织把目标变成子任务和工作流 Agent 协调把工作匹配给合适的组件并定义团队拓扑与通信运行时状态管理记录状态、定位异常并支持恢复三者用运行证据驱动系统演化。任务组织把「做什么」画成图任务组织的第一件事是目标分解。早期研究把任务分解和子任务依赖明明白白画出来 HuggingGPT 把多模态请求拆成子任务并路由给专门模型 ReWOO 通过变量引用把推理与工具执行、观察结果解耦。随后的工作把这些依赖变成可调度的图 LLMCompiler 把函数调用计划编译成数据流 DAG 有向无环图即依赖关系不成环的流程图依赖已就绪的节点可以立刻并行执行 Plan-over-Graph 直接在任务图上研究依赖约束下的并行调度。TDAG 和 Flow 进一步放松了「任务图在执行前固定」的假设允许根据中间结果动态细化任务分解。任务分解之后是工作流优化。一组工作把 Agent 系统本身当成可优化的计算图 GPTSwarm 把语言 Agent 系统表示成计算图同时优化节点行为和边连接。AFlow 用大模型引导的搜索在可执行的工作流代码里找更好的结构 DyFlow 不预先定死工作流而是根据中间反馈动态生成后续步骤 EvoFlow 在推理过程中同时维护多个工作流候选让它们互相竞争、择优演化。任务组织示意图目标分解把复杂目标拆成显式子目标并暴露依赖关系中间结果可以重塑剩余任务图工作流优化把语义子目标编译成可执行算子把工作流结构本身当作搜索和优化的对象。Agent 协调把「谁来做」画成图Agent 协调包含三个功能都可以用图表示。能力建模把 Agent 的技能、资源、权限和可靠性画成图节点是 Agent 和技能、工具、模型用带类型的边表示能力归属、资源访问和权限。这样当某个 Agent 失去计算资源时系统可以查询图找到合适的替代者并重新分配任务。DyLAN 通过估算候选 Agent 的贡献来保留对当前任务更有效的成员 SkillGraph 显式表示 Agent 技能并用它指导通信拓扑的构建。团队组织把 Agent 排成具体的协作结构。任务有明显阶段依赖时用链式结构 MetaGPT 把软件开发组织成由标准操作程序约束的流水线子任务需要不同专长时用路由结构 Magentic-One 用编排者规划、委派并监控进度。需要并行和多样候选时用扇出扇入结构一个任务分给多个 Agent 并行做再把结果汇总 Mixture-of-Agents 让多个 Agent 并行生成候选再由下一层整合。静态结构在任务变化时会失效 AgentNet 干脆去掉中心控制器让 Agent 根据本地专长和上下文自行调整连接和路由。通信建模记录运行时谁和谁交换了什么信息。通信除了传结果还要负责发现和纠正错误 MAgICoRe 让生成、评估、修订三个环节互相反馈信息在环节之间循环流动。通信结构决定正确和错误信息的传播路径多连几条边未必让协作更好。 AgentPrune 从时空消息图中删除冗余连接 DyTopo 每一轮根据一个 Agent 需要什么信息、别的 Agent 能提供什么来重构稀疏的通信边。人的参与也可以画进这张图在需要澄清需求、审核高风险动作时人类作为显式参与者进入反馈回路。Agent 协调示意图能力图映射每个 Agent 会做什么、能访问什么资源团队图定义链式、路由、扇出扇入等协作拓扑通信图指定并动态调整 Agent 之间的信息流。运行时状态管理把「进行到哪、出错怎么救」画成图状态管理是 Graph Engineering 里最有工程味道的一块它回答三个问题实际发生了什么、哪里出了问题、怎么安全恢复。状态记录把系统真实发生的状态显式保存下来任务节点处于已提交、运行中、阻塞、就绪等状态每个角色只看到和自己相关的状态。共享状态的写入要经过统一把关依次做模式、权限、一致性和冲突检查全部通过才提交否则拒绝。故障定位从执行证据里找偏差监控面板收集验证失败、测试失败、状态冲突等异常信号定位第一个无效状态然后生成诊断报告标明受影响的区域、仍然可信的部分和恢复边界。失败恢复在恢复边界上做决策重规划重试、从边界重放或者升级给人类处理恢复时保留仍然有效的工作只重跑受影响的步骤。论文给了一个很具体的例子。一个写代码任务里 Patch v7 引入了错误逻辑后续测试失败。状态记录显示第一个无效状态就是 Patch v7 诊断报告把恢复边界画在它之前于是系统保留从开始到 v7 之前可信的部分只重跑受影响区域无需把整条任务从头再来一遍。这正是单个 Agent 的执行循环做不到的事错误进入上下文后会被一路携带而图结构让错误可以被定位、被切除、被局部修复。运行时状态管理示意图状态记录保存可审计的执行视图故障定位从证据中找出第一个无效状态并划定恢复边界失败恢复在边界上决定重试、重放还是升级给人类只重跑受影响的部分。系统演化让结构越跑越聪明任务组织、 Agent 协调和状态管理提供了系统智能的骨架但不会自动越用越好。系统演化负责把执行经验变成结构改进。任务结构层面 TDAG 在执行中动态分解复杂任务并生成专门 Agent Flow 用历史表现细化子任务分配 QualityFlow 用中间质量检查决定继续、澄清还是回退。协调层面 SwarmAgentic 通过反馈引导的群体搜索联合优化 Agent 功能与协作结构 Meta-Team 利用跨任务的分布式执行经验改进团队组织。状态层面 ReCreate 从成功和失败的轨迹里提炼可复用的领域模式 SkillGraph 把失败案例蒸馏成推理启发式维护在技能库中 MemTX 把暂定写入与验证后的结论提交分开结论被撤回时做级联修复一处作废就连带修正依赖它的部分防止无效状态扩散。演化也有风险。论文提到 FlowSteer 的工作通过操纵规划信号可以把重规划过程和依赖的形成引向不良的执行路径。因此结构改动必须基于可信的执行反馈并且要有验证、版本和回滚机制保证只有可靠的改进被保留下来。综述盘了什么基准、开源库与应用作为综述论文的覆盖面本身就是证据。全文近五百篇参考文献按三个智能层次组织了基准、开源库和应用。评测资源方面模型智能层有 MMLU 、 GPQA 、 SWE-bench 这类熟悉的名字个体智能层有 WebArena 、 OSWorld 、 AgentDojo 、 Harness-Bench 、 LongMemEval 等评测单元从单次输出变成了完整轨迹。系统智能层的基准按关注点分组任务组织类有 WorFBench 、 FlowBench 、 ComfyBench 、 TPS-Bench 协调类有 LLM-Coordination 、 MultiAgentBench 、 SILO-BENCH 状态类有 MAST 、 WhoWhen 、 SyncBench 、 TraceElephant 演化类有 BenchAgent 、 MASEval 、 MAF-Bench 。一句话概括它们分别考察系统拆任务、做协作、管状态和演化的能力。评测原则部分提出了一个对实践者很有用的提醒系统级提升必须和「用了更强模型、更大上下文、更多重试和算力」带来的提升区分开。现在的资源按工作组织、协调、状态、演化分得很散跨结构的影响很难测量也很难把效果提升归功到具体哪一层结构。未来的基准应该提供匹配的执行预算、带版本的结构产物、完整的轨迹和状态快照以及受控的结构扰动。也就是说让不同系统在相同资源下对比并完整记录每一步的结构和状态。开源库方面图式执行的代表是 LangGraph 、微软 Agent Framework 和 Google ADK 它们都提供条件路由、并行扇出、多 Agent 组合和检查点回放。组织结构上 CrewAI 把基于角色的 Crew 和事件驱动的 Flow 分开 CAMEL 的 Workforce 把任务分解与工人分配耦合起来 GPTSwarm 最贴近 Graph Engineering 因为它把图连接本身当作可优化的变量节点级提示和 Agent 间边都可以修改。论文也指出生态的缺口不同框架对工具、消息、工作流、事件和状态的表示互不兼容 MCP 模型上下文协议一种连接模型与外部工具的标准改善了能力互操作但没有提供可执行的系统组织表示当前系统的动态性大多停留在预定义结构内部能根据积累的执行证据持久地创建、移除或重连系统结构的框架仍然罕见。应用层面跨领域最一致的趋势是从个体走向系统。软件工程最典型 Codex 支持并发 Agent 在隔离工作树中并行工作 Claude Code 组合了子 Agent 、检查点、钩子在特定时机自动触发的动作和并行 Agent 团队 Cline 用共享任务板跨会话持久化团队状态。科学发现里 Co-Scientist 用监督者管理生成、批判、排序和精炼四个专门 Agent Virtual Lab 让首席研究员 Agent 组织各学科科学家 Agent 并与物理实验验证对接。医疗里 AMIE 把对话状态和长期病情管理分开维护说明医疗场景的运行时状态不只是对话记忆既往症状、治疗和检查结果会改变后续决策的有效性。企业流程里 Agent-Ops 把标准操作流程的梳理、网页执行和文档核验分配给不同组件已部署到七个 SOP 类别、覆盖上千名客户经理的生产环境。社会模拟里 AgentSociety 在共享环境中并行运行多达三万 Agent 。这些应用带来的跨域结论是任务组织和团队工程已经相当普遍显式状态管理正在变多但持久的系统演化仍然罕见。大多数系统在预定义的组织结构内适应执行很少根据积累的证据永久修订这个结构。还没解决的问题综述列了四个开放挑战。图原生从设计上就以图为中心能力底座现在的记忆库、写在最后这篇综述的价值在于把分散在多 Agent 系统、工作流优化、 Agent 记忆和可观测性里的工作收拢成一个统一视角系统层面的智能来自对任务、组件和状态之间关系的显式组织堆几个 Agent 不会自动带来这种智能。对实践者来说最可操作的提醒有两条一是评估一个多 Agent 系统时要追问提升到底来自组织结构还是来自更强的底座模型和更多算力二是结构改动必须可验证、可回滚能被执行证据支持否则演化就会变成另一种噪声来源。Graph Engineering 现在最缺的是让结构在证据面前持续进化且不出错画出来只是第一步这大概是它接下来几年要回答的问题。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
