从提示工程到图工程：完整五层架构地图
本文提出AI系统构建的完整五层架构：提示、上下文、工具、循环和图。作者指出，大多数AI系统问题并非模型本身，而是出在某一具体层上，且常被误诊。通过详细表格和实例，文章解释了每层的功能、失效模式及成本，并强调各层并非替代关系，而是层层包裹。核心观点是：修复错误层不仅浪费时间，还可能使问题恶化。文章提供了诊断指南和优化建议，帮助读者准确识别并解决AI系统瓶颈。
全部文档 / 标签: 图工程
17 篇
The GitHub Map: A Working Catalogue of Repositories for AI, Engineering, and Graph Engineering
本文旨在解决GitHub上海量AI仓库的导航难题，为AI工程师提供一份经过验证的仓库地图。文章按实际工作流程组织，从基础原理学习（如micrograd、nanoGPT）、本地模型运行（llama.cpp、ollama、vLLM）到图工程等专业领域，逐一介绍关键仓库，并强调许可证、入门成本和贡献机会等实用信息。
Graph Engineering with Claude. What It Is and How to Actually Use It
本文介绍了AI工作流中的图工程（Graph Engineering）概念，解释了节点（node）和边（edge）的基本定义，并指出大多数现有工作流本质上就是图，但效率低下。文章重点介绍了如何通过“假边测试”识别并移除不必要的依赖，以及“菱形”模式（并行处理+汇聚）如何显著提升效率。同时，文章也指出了图工程中常见的失败模式（坏节点未被发现和错误级联），并提出了使用检查节点（checker node）作为解决方案。最后，文章展示了如何使用Claude快速构建一个图工作流。
图工程：构建多智能体系统的完全指南
构建多智能体系统的核心挑战不在于提升单个智能体的能力，而在于如何协调工作流，这被称为“图工程”。文章指出，应将系统视为依赖图，区分真实依赖与虚假顺序，并引入结构化状态。同时强调要控制并行宽度以优化成本，关注关键路径以降低延迟。此外，建议在最终推理前使用代码进行确定性的数据压缩与归约，并采用非对称验证机制，从而打造高效、易调试的AI系统。
如何使用 Opus 5 进行图工程
文章介绍了如何利用 Opus 5 的新特性（如缓存控制和低 effort 模式）低成本构建图记忆。核心在于将提取和遍历分离：提取使用低 effort 和缓存前缀以降低成本，遍历使用高 effort 以保证推理质量。通过优化配置，图工程的成本可降至原本的三分之一，甚至低于向量存储。
Graph Engineering with Claude: How to Stop Running a Line and Start Running a Fleet
文章介绍了图工程在多代理系统中的应用，指出线性流程的效率低下问题。通过识别伪依赖、应用扇出-归约-合成模式，以及使用Claude Code构建图结构，可大幅提升系统并行处理能力和整体性能。
Claude Graph Engineering 101: A Practical Guide to Graph Engineering
文章介绍了图工程的概念及其相对于循环工程的优势。循环工程在复杂任务中受限于线性执行，无法并行处理。图工程通过构建节点和路径的网络结构，实现任务的并行执行和分支管理，显著提高效率。文章提供了构建图的四步法：审计现有循环、识别可并行任务、绘制图结构、使用提示词在Claude中部署图。
金融中的图工程：设计稳健的Agent图
本文探讨了金融领域中Agent图的设计与实现。文章指出，Agent图解决了脚本在等待、重启和并行分支上的缺陷，并通过状态图而非DAG来实现条件路由和循环。重点讨论了状态管理、并行拓扑模式（如Fan-out、Supervisor）以及在金融任务中的实际应用。
Graph Engineering explained: what it is, when to use it and when not to
文章介绍了图工程的概念及其在AI工作流优化中的应用。图是由节点和边组成的计划，通过识别和消除伪依赖，可以显著提高工作流的并行性和效率。文章重点介绍了“钻石模式”，即扇出、归约和合成的模式，这是提升AI系统性能的关键技巧。
如何使用图工程构建多因子Alpha模型
本文详细介绍了如何利用图工程构建对冲基金级别的多因子Alpha模型。作者阐述了从Prompt、Loop、Swarm到Graph的技术演进路径，重点介绍了Slate这一运行时工具，它能通过JavaScript编写的程序自动化执行复杂的图结构任务，解决了多智能体系统中的协调与失败处理难题。
The complete Graph Engineering playbook for Claude Code
本文介绍了Graph Engineering（图工程）的概念，阐述如何利用Claude Code构建分布式Agent系统。通过将任务分解为线性、分发、规约和验证等节点，实现高效、可靠的AI工作流，优化计算成本和结果质量。
Kimi K3 + 图工程：降低85%成本并提升18%准确率
文章介绍了通过结合 Kimi K3 模型与图工程构建 AI 系统的方法。相比传统 RAG，该架构利用知识图谱存储实体关系，能处理复杂推理，实现成本降低85%和准确率提升18%。文章引用微软 GraphRAG 等研究，详细阐述了如何从零开始构建该系统。
Graph Engineering with Claude: the 11-Step Roadmap From Loops to Graph Architect
本文阐述了从单一循环工程向图工程演进的必要性。针对单一 Agent 在处理复杂任务时上下文混淆和幻觉问题，作者提出了由节点、边、路由器和状态四大基础构建块组成的图架构，并通过序贯链和路由器等模式，展示如何协调多 Agent 系统以实现高效输出。
Graph Engineering with Claude: 14-Step roadmap from 0 to graph architect
本文介绍了如何使用 Claude 构建图结构的 Agent，替代传统的线性执行模式。文章详细阐述了节点与边的定义、契约设计、并行化执行等核心概念，通过动态工作流实现任务的分发、验证与聚合，从而提升效率与系统的鲁棒性。
图工程如何取代RAG：微软、斯坦福和Anthropic的实践
文章介绍了图工程相比传统RAG在复杂问题回答上的优势，通过微软GraphRAG、斯坦福DSPy及Anthropic Claude的案例，展示了图结构如何提升AI准确性和降低成本。核心观点是图工程能捕捉实体间关系，而非仅检索文本片段。
From Loop Engineering to Graph Engineering?
文章探讨了AI Agent架构从单一循环向图结构网络的转变。单一循环在自我改进中存在古德哈特定律、目标盲视、循环冲突和测量衰减等局限。成熟的系统如机器学习运营和公司治理，实际上是由多个互相监督、制约的循环组成的网络，这种结构比单一循环更可靠。
Loop Engineering Is Dead. Enter Graph Engineering
本文探讨了从Loop Engineering到Graph Engineering的转变，强调了图工程在技术领域的重要性，并提供了相关链接和资源。
