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。
相关文档
使用 Fable 5 构建自我改进 Agent 系统的 14 步指南
文章深入探讨了如何充分利用 Claude Fable 5 的潜能，而非仅仅将其视作上下文窗口更大的 Sonnet。作者提出了构建“自我改进系统”的 14 步路线图，区分了自我学习与自我改进，并详细阐述了基于 Loops、Dynamic Workflows 和 Routines 的三层架构。文章还提供了 Fable 5、Opus 和 Sonnet 在系统中的成本与任务分配策略。
The 5 levels of AI agents: From a single prompt to a production agent
文章系统讲解了构建生产级 AI Agent 的五个层次：上下文工程、循环工程、Jev 工程、Harness 工程和评估工程，并以新员工类比逐一解释。核心内容包括：上下文窗口管理（稳定内容前置、利用 prompt caching、工具过多时改用搜索、用子代理减少主上下文占用）；循环与工作流的区别（能否预先写清步骤），强调循环需要明确目标、外部检查器等四要素。每个层次都配有构建方法与面向初学者的捷径方案（通过 Viktor 这类 AI 员工工具实现）。目标是让小团队用可靠的 Agent 承担重复性工作，实现不增人力的规模扩张。
Designing MCP Gateway: Uber 的 MCP 管理平台
Uber 推出 MCP Gateway，作为统一管理 AI Agent 与后端服务 MCP 交互的核心微服务平台。文章介绍了其架构：控制平面（MCP Registry）作为工具目录的唯一事实来源，数据平面（Proxy Gateway）负责将 MCP 协议请求翻译为 HTTP、gRPC 或 TChannel 并路由到后端服务。通过基于 Cadence 的 AutoCrawler 自动扫描 IDL 注册表和原生 MCP 服务器心跳，自动发现、生成并注册 MCP 工具，同时支持 Jira、Google 等第三方集成。该平台已托管 800 多个 MCP 服务器和 5000 多个工具，实现了安全、可扩展、统一的 Agent 生态治理。
Pi Agent 作者 Armin Ronacher 谈 agent 未来：九条反直觉判断
本文整理了 Pi Agent 作者（也是 Flask 作者）Armin Ronacher 关于 AI Agent 的九条反直觉判断：极简 harness 因 bash 管道省上下文而胜出；当前 agent 仍处 DOS 时代，缺持久性与 Web 原生体验；许多 AI 问题实为系统架构问题；人类不会退场，可问责性与可内省性是刚需；开源等于进入训练数据的门票；企业 AI 编码投入的成本显现快于收益；他个人工作流保守；担心 AI 重蹈社交媒体覆辙；欧洲因碎片化而掉队。
为什么 AI Agent 正在逐步“去 MCP 化”，重新拥抱 CLI？
文章分析了 AI Agent 领域从依赖 MCP 回归 CLI 的趋势。MCP 曾被视为 Agent 连接外部工具的标准方案，但在本地开发和工程自动化场景中，CLI 兞现成太、节省上下文、易于调试复现、具备 Unix 管道组合能力且更接近真实执行环境。作者认为 MCP 并不会消失，二者正在重新分工：CLI 成为 Agent 的本地执行层，MCP 回到标准化集成层，用于远程能力、结构化发现和跨平台复用。
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。
图工程：如何构建可扩展的AI Agent系统
本文介绍了“图工程（Graph Engineering）”在构建大规模AI Agent系统中的应用。传统线性工作流容易导致延迟和混乱，而图工程将工作流转化为节点、边界和状态的显式执行图。文章提出了七大核心实践：切断非必要依赖实现并行化、为节点设定明确契约、将边界视为数据契约、掌握链/菱形/路由器/受控循环四种基础图结构、合理展开合并独立任务、实现可检查的路由机制，以及在边界处部署验证节点。通过结合概率性模型判断与确定性代码控制，能有效提升Agent系统的稳定性、效率与安全性。
Google AI Agent 工程演进与企业落地实践
文章探讨了企业级AI Agent的工程演进，指出系统设计重心已从单纯调优Prompt转向构建稳定的Graph Workflow。通过解析Google ADK 2.0，说明了Prompt、Agent Loop与Graph Workflow在处理不同业务时的分工：模型负责不确定性判断，代码约束确定性流程。作者建议企业落地时从单一清晰流程切入，逐步引入工作流，并配合状态持久化、幂等重试等工程手段，以确保Agent系统的可靠性、可控性与业务成功率。
从 Chain 到 Agent：LangChain 为什么不够用了？
文章探讨了AI应用架构从Chain到Agent的演进过程。早期AI应用多采用固定流程的Chain模式，具有稳定、易控的优点，但难以应对现实中复杂的用户问题。为此，架构转向了Agent模式，将决策权由人工预设流程交还给AI动态决定。这种方式提升了灵活性，但也带来了失控风险，从而引出了后续如何为Agent划定边界的探索。
Harness Engineering: 构建模型外围的系统
文章探讨了从“提示词工程”到“Harness Engineering（驾驭工程）”的范式转变。基于Lilian Weng的论文，指出AI Agent的成功不再仅依赖模型本身，而是其外围的系统（Harness）。Harness涵盖了工作流、上下文、记忆、权限和评估等运行时组件，类似于操作系统。与提供灵活性的框架不同，Harness专注于生产环境中的执行可靠性、持久状态和严格控制。文章还分析了三种设计模式及通向自我改进的优化阶梯，强调将持久状态存储于文件而非上下文中，是实现系统可靠性与自动优化的关键。
循环智能体的失效与图架构改造指南
作者分享了将单一的“循环”智能体重构为“图”架构的实战经验。文章指出，当生产输出的智能体同时负责自我评估时，会导致审核机制失效（橡皮图章）。为解决此问题，作者将任务拆分为研究员、作者和审核员三个独立节点，严格限制各节点对状态数据的读写权限，并引入条件路由进行质量把控。改造后，初稿通过率从45%提升至82.5%，有效提升了系统可靠性。
LOOP vs GRAPH vs HARNESS ENGINEERING
文章深入探讨了构建AI Agent系统的三个关键工程层面：Harness（环境）、Loop（反馈循环）和Graph（控制流）。文章指出，Agent失败往往源于系统设计而非模型本身，并详细阐述了如何通过构建持久化的运行环境、基于证据的验证循环以及显式的流程控制来提高Agent的可靠性。