造出一个能力强的单个 AI Agent 已经不难，难的是让几十个各司其职的 Agent 为一个共同目标协同运转——这个落差正在催生一门新的工程学科。来自吉林大学、厦门大学等 15 个研究机构的新论文（arXiv:2608.21156）把它命名为 Graph Engineering（图工程）：把任务、Agent 与运行状态外显为不断演化的图结构，让众多专精 Agent 像一个整体系统那样工作。核心变化是从「个体智能」走向「系统智能」，未来两三年，Agent 产品的设计、评测与运维方式都会被它重塑。
单个 Agent 为什么会撞墙
Agent 技术栈已经相当成熟：Prompt Engineering 激发模型能力，Context Engineering 管控信息访问，Harness Engineering 接入工具与记忆，Loop Engineering 提供「规划—行动—观察—反馈」的循环。组合起来就是一套公式：LLM + Harness + Loop = 一个能执行任务的 Agent。
但这套公式在复杂任务上会失灵。软件开发、科学发现、临床决策、企业流程往往同时涉及异构专业知识、相互依赖的子任务、可并行分支、独立验证环节和长期运行状态。把这些复杂度全部塞进单一上下文和单一控制循环，瓶颈就变成了任务组织本身——不是模型不够强。给一个 Agent 更大的「大脑」，解决不了组织问题。
图工程的三个层次
论文的核心主张是：把原本藏在上下文和控制逻辑里的关系，外显为可操作的图结构，分为三个相互连接的层次：
- Task Organization（任务组织）——把高层目标分解为子任务图，再把语义子目标编译成由 LLM、检索模块、工具、聚合器与验证器组成的可执行图。它不是一次性计划，而是在目标分解、流程编译与执行反馈之间持续迭代。
- Agent Coordination（智能体协调）——把 Agent、技能、工具、模型表示为带类型的节点，用边记录能力归属、资源访问、权限与可靠性；团队图进一步规定任务归属、委派路径、输出交接与审查责任。高风险环节可以把人类作为显式节点纳入审批。
- Runtime State Management（运行时状态管理）——记录每次状态变化的来源与版本；故障时先定位最早的无效状态，再选择恢复边界（回放、回滚、切换分支或补偿操作），让系统从已验证状态继续执行，而不是盲目重启。
之上还有第四层 System Evolution（系统演化）：每次运行后，把成功或失败归因到结构——哪个任务分解有效、哪条通信边成本过高、哪个 Agent 更适合什么角色——再以「提交或回滚」的方式沉淀为可复用经验，而不是一次性的临时改道。
真正的目标是系统智能
作者最强调的区分是个体智能与系统智能。个体智能存在于模型参数与单 Agent 循环里，擅长单点任务；系统智能是整体的涌现属性：多个能力互补的 Agent 围绕共同目标形成自适应的整体。多加几个 Agent 并不会自动产生系统智能，只有当任务、组件与状态之间的关系被显式表示、约束与优化时，它才会出现。
打个比方：一个天才独立开发者 vs 一家运转良好的工程公司。独立开发者单点很快，但横跨编码、评审、测试、发布的项目，赢的是组织——前提是角色、依赖和评审关卡都被写下来，而不是存在一个人脑子里。图，就是 Agent 系统「写下来的组织方式」。这与本站在 Agent 运行时之争与集体 AGI 组织层上的观察一脉相承：图工程正是这两条线索需要的那根理论脊梁。
接下来的硬骨头
图工程还不是现成工具箱，论文明确列出了从愿景到生产之间的四道坎：
- 缺少统一能力底座。记忆库、技能库、工具注册表与模型服务彼此隔离，需要一张连接任务图、Agent 图与状态图的「能力图」。
- 自演化图系统仍是研究课题。运行中的临时改道不等于系统演化；真正的演化需要来源记录、版本控制、验证、回放与回滚，让好的结构变更得以传播、坏的不扩散。
- 还没有图原生的 Agent 操作系统。MCP 改善了工具访问，LangGraph 提供了显式工作流，AIOS 给出操作系统视角——但都还不是把任务、Agent、能力、状态作为一等对象统一组织起来的公共底座。这个统一运行时是自然的下一个建设目标。
- 隐私与伦理更难了。分布式决策会放大偏见与对抗输入，敏感信息在组件间复制传播，责任归属更模糊。长期运行的系统需要范围明确的权限、带来源的日志和真实有效的人类监督。
怎么把图工程用起来
不需要等平台层成熟，现在就能上手：
- 先把任务结构画成图。任何要自动化的流程，动手写 Agent 代码前先画出依赖图，这张图就是你的设计文档。
- 把团队建模成图。列出每个 Agent 的能力、权限范围与可靠性，再按成本决定协作拓扑（顺序、路由、并行）——边更多并不一定协作更好。
- 对状态做埋点，而不只是记录输出。带版本与来源记录状态迁移，故障才能定位并从已验证的检查点恢复。
- 盯紧图原生 Agent 运行时。Agent 基础设施正在收敛，任务图、能力发现与状态存储迟早并入同一平台，设计时留好迁移空间。
- 把演化当成评审流程。结构变更有效就带来源地提交，有害就回滚——从版本控制的纪律里借方法论，而不是让 Agent 自己随意改组织。
FAQ
图工程用大白话怎么说？它是一套新兴的 Agent 设计思路：把任务、Agent 与运行状态显式表示为图结构，让复杂工作能拆给多个专精 Agent，并作为一个系统协同。
它和 Prompt Engineering、LangGraph 有什么区别？Prompt/Context Engineering 优化单次模型交互，LangGraph 提供显式工作流与状态；图工程走得更远——任务图、Agent 图、状态图统一为一张底座，推动 AI 从个体智能走向系统智能。
为什么现在值得关注？多 Agent 产品正从演示走向生产，团队普遍卡在协同与调试上。这份 15 家机构的论文（arXiv:2608.21156）给出了未来两三年 Agent 框架、运行时与评测的语言和路线图。
