从 Loop 工程到 Graph 工程：Agent 工程的又一次范式跃迁
一、Loop 的完整来路：从一行 Bash 到一条产品指令
Loop 的源头不在大厂实验室，而在一个工程师的"土办法"里。
2025 年 7 月，Geoffrey Huntley 提出被称为"Ralph"的方法：一个朴素到极点的 Bash 循环：
while :; do cat PROMPT.md | claude-code ; done当时上下文窗口的上限只有 20 万 Token，复杂任务根本塞不下。Ralph 的解法堪称暴力美学：把任务拆小，让 Agent 反复跑，直到目标达成。
它的四个核心机制，至今仍是循环工程的底层设计：
- 目标驱动：设定目标后持续重跑 Agent，不达成不停止；
- 状态外置：把已完成的工作以"压缩"形式持久化到文件系统：日志、更新后的计划，而不是塞进上下文；
- 对抗上下文腐化：每一轮用全新上下文启动 Agent，脏记忆不进下一轮；
- 计划可演化：允许 Agent 在必要时修改"总体计划"本身。
Huntley 用这个方法从零构建了一门编程语言。但真正让 Loop 破圈的，是两位关键人物的背书。
Claude Code 创造者 Boris Cherny 在 Anthropic 开发者大会上直言：
"我现在已经不再提示 Claude 了。我运行的是一些循环，由这些循环去提示 Claude，并判断接下来该做什么。我的工作是编写循环。"
前 Google 工程师 Addy Osmani 随后撰文《Loop Engineering》，一句话概括：
"循环工程，就是让自己退出亲自提示 Agent 的位置，转而设计一个替你完成这件事的系统。"
概念有了，名字有了，基础设施立刻跟进。2026 年 4 到 5 月，Codex、Claude Code、Hermes 相继推出 /goal 命令，把手工编写的循环产品化为一条指令。
Codex 文档里有一句精准的区分：
"普通提示词表达的是：接下来做这件事。Goal 表达的是：继续工作，直到这个结果成立。"
一个足够清晰的 Goal 长这样："在保证正确性测试套件始终通过的前提下，将结账基准测试中的 p95 延迟降低到 120 毫秒以下。"有完成条件、有验证方式、有必须守住的约束。交给 Agent 后，它自行拆分任务、创建子 Agent、持续运行，直到证据说"完成了"。
从 Prompt 到 Goal，本质是把"一次性请求"升级为"可审计的持久目标"。
二、开发者拿 Loop 干什么：从夜间巡逻到"把派放进烤箱"
社区反馈中最高频的场景，是周期性工作：
- 夜间运行：啃一块技术债务，早上把审查报告放在你桌上；
- 每周大跑：对系统做一轮更大规模的改进。
但真正体现循环工程价值的，是那些"传统项目管理方式扛不动"的长期任务。
创业者 Rafel Mendiola 的案例很典型：他要把一个 React 应用迁移成 React Native。传统做法是建一个巨型 Epic，拆出 50 到 100 张工单，光搭管理框架就让人望而却步。
他的替代方案：创建一个 Skill，让 Agent 自己识别可迁移的代码块、完成转换、追踪进度，然后把它挂进每 30 分钟运行一次的 Cron 定时任务里。
他的总结颇有画面感：
"与管理一份庞大的迁移计划相比，这种方式在认知上轻松得多。现在做工程，就像把派放进烤箱。"
这句话值得细品：Loop 把"管理任务"的认知负担，换成了"设计循环"的一次性投入。设定好温度和时间，剩下的交给烤箱。
三、为什么 Loop 还不够：容错性恰恰是它的天花板
既然循环这么好用，Peter 为什么还要"踢馆"？
讨论串里最精彩的一击来自 Luis Catacora：
"循环有很大的容错空间。图会迫使你承认，工作流中还有多少部分根本没有被真正建模。"
这句话戳中了两种范式的根本差异：
- 循环是延期决策 先让一个 Agent 包揽所有工作，跑不下去再说，架构设计可以往后拖；
- 图是提前决策 你必须 upfront 声明整个结构：谁负责什么、任务间如何依赖、某个分支失败后怎么办。
循环的容错性，允许你糊弄过去；图的显式结构，把所有"没想过"暴露无遗。这不是工具的更替，而是工程成熟度的分水岭。
四、双图架构：生产级多 Agent 系统的关键一跃
那么 Graph 到底是什么？Google 高级 AI 产品经理、Awesome LLM Apps 作者（GitHub 12.4 万星）Shubham Saboo 给出了被引用最多的拆解：
"Loop 让 Agent 的行为变得可编程。Graph 让 Agent 的组织变得可编程。再往前一步是动态 Agent 组织：任务执行过程中，图会自行改写自身结构。"
Preston Holmes 进一步点破：实际上有两张图在同时运行。
第一张：组织图（Org Graph）定义"谁负责什么"。由长期存在的 Agent 组成，每个 Agent 守一个固定领域，像区域联防。它保留该领域的上下文、专业能力和工具权限，结构相对稳定，类比公司的组织架构。
第二张：工作图（Work Graph）定义"现在要做什么"。随任务和新证据实时变化：可以拆分、合并、重新排序，甚至直接消失，类比实时生成的项目计划。
两张图运行在不同的时间尺度上：组织图预先设计、长期部署；工作图按任务动态生成、用完即弃。
这个双层结构，恰恰是熟悉企业运作的人最容易理解的：组织架构是稳态，项目排兵是动态。Agent 系统正在复刻人类组织几百年来验证过的管理结构。
五、结语：能力重心的持续上移
回看这条演进链：
写好 Prompt（与单个 Agent 对话）→ 设计 Loop（让系统替你对话）→ 构建 Graph（设计 Agent 之间的协作结构）
三年三级跳，每一步都在把开发者往上推一层：从"怎么说话"，到"怎么设计循环"，再到"怎么设计组织"。
对企业落地而言，这条路径的启示很直接：
- 如果你的团队还在人肉提示 Agent，Loop 是当下的必修课，先把周期性、可验证的工作交给循环；
- 如果你已经在跑循环，要开始审视：哪些工作流其实从未被真正建模？那些"Agent 跑不动就人工兜底"的环节，就是图要显式化的地方；
- 组织图的设计能力，会成为企业 AI 架构师的核心竞争力，它和设计人类组织架构是同构的功夫：定边界、定权责、定上下文归属。
循环时代没有终结，它只是变成了图的子结构。就像 Prompt 没有死，它只是变成了 Loop 的输入。
真正的问题只剩下一个：你的 Agent 组织图，画出来了吗？
学习资源推荐
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取
四、AI大模型商业化落地方案
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。