Graph Engineering 101: When a Loop Isn’t Enough
文章探讨了AI Agent从简单的ReAct循环向图工程架构的演进。循环模式在处理复杂、多步骤及需人工介入的任务时存在状态持久化、错误处理和分支逻辑的局限性。图工程通过显式的节点、边和状态管理，解决了并发、暂停恢复及复杂流程控制问题，为构建更健壮的Agent系统提供了架构基础。
相关文档
3 Years of Graph Engineering with LangGraph
文章回顾了 LangGraph 三年来的发展，探讨了将智能体系统建模为图（Graph）的实践与价值。作者分析了何时使用图结构以平衡确定性与自主性，并指出生产级智能体通常需要循环和动态转换。最后，文章强调图工程并非全新概念，但随着节点的进化，现在的图更多是在编排智能体而非单一的 LLM 调用。
Agent Harness 不是 while 循环：omp²《Harness Playbook》深度解读
本文深度解读 omp 作者 Can Bölük 的《Harness Playbook》，提出 Agent Harness 是系统软件而非简单循环的核心命题。文章系统阐述 omp² 的架构蓝图：以唯一权威会话（DOM 树）解决 rewind/fork/resume 的状态一致性；沙箱只执行不决策；Convar 管值、Director 栈管行为的控制面设计；将模型兼容性作为结构化知识的推理层；精简工具名册以提升性能的深度内建工具；基于 RichText 流原语与 TLA+ 验证的渲染层；以及 Rust 核心 + Python 扩展的技术栈选择。文章认为该文将 Harness 工程提升为可推理的学科，同时指出其激进设计尚待落地验证。
从零开始，用 LangGraph 搭建你的第一个 AI Agent
本文是一篇面向初学者的 LangGraph 实战教程，介绍如何用 Python 从零搭建一个具备工具调用、推理决策和会话记忆能力的 AI Agent。文章首先讲解 LangGraph 的三个核心概念：State（状态/共享记忆）、Node（执行步骤）和 Edge（跳转逻辑），随后通过完整代码演示项目创建、工具定义、模型节点编写、条件路由实现、Graph 组装，以及通过 InMemorySaver 和 thread_id 实现多轮对话记忆。最终实现一个 ReAct 循环（思考→行动→观察→回答）的基础 Agent，并给出网页搜索、数据库查询、RAG 检索等扩展方向。
The biggest Graph Engineering mistake everyone makes
文章探讨了在构建 Agent 时，默认应采用单节点循环（Loop），仅在出现特定信号时才升级为图结构（Graph）。循环更便宜且易于调试，适用于大多数单任务。只有在任务分解、并行处理或验证器过载等明确信号出现时，才值得引入图的复杂性。
Graph Engineering: The Anthropic Method for Agent Self-Review
文章介绍了Anthropic工程师采用的“图工程”方法，通过将Agent控制从模型内部转移到图结构节点，解决了长任务中的状态丢失和漂移问题。文章详细阐述了如何构建评判器、编写规则书、测试规则及将状态存储在磁盘而非上下文窗口中，从而实现大规模代码迁移和自动化审查。
Graph Engineering: 构建能分支、验证、恢复和停止的 Agent 指南
文章探讨了 Graph Engineering 的概念，主张通过预先设计 AI 任务的控制流图，而非单纯依赖提示词，来解决 Agent 的复杂性与错误问题。文中详细阐述了图的四个核心部分：状态、节点、边和门控，并强调围绕失败路径而非成功路径进行设计。最后通过实际研究案例，展示了如何利用图结构拆解任务、验证信息并控制成本。
Run Your Harness Outside of the Sandbox (Why and How)
本文探讨了2026年以来关于Agent运行位置的争论，指出行业趋势是将Agent运行在沙箱之外。作者详细解释了沙箱内运行的三个主要问题：爆炸半径、信任边界和沙箱的间歇性运行，并提出了将沙箱作为工具暴露的正确架构，最后提供了基于Vercel AI SDK的实现示例和生产环境中的挑战。
Graph Engineering：从 0 到 1 小白完整教程
文章介绍了 Graph Engineering，一种通过流程图协调多个 AI 协作完成复杂任务的方法。它将复杂任务拆解为节点、边和状态，解决了单 Loop 应对复杂任务时的局限性。文章详细解析了 Graph 的核心概念、与 Loop 的关系、四个核心模块及具体实践模板，并提供了新手学习路径。
彻底告别Loop Engineering：一文读懂 Graph Engineering
本文介绍了AI Agent工程从Prompt到Loop再到Graph的演进。Graph Engineering通过图结构重新规划任务关系，实现并行处理、明确依赖、隔离失败，从而解决线性流程在复杂任务中效率低、易失控的问题。
什么是图工程及其走红原因解析
文章解释了从“循环工程”到“图工程”的技术演进。循环是简单的单一代理执行模式，而图（由节点、边和状态组成）通过可视化的流程图处理复杂逻辑和多代理协作。文章介绍了如何使用 LangGraph 构建第一个图，并指出在逻辑变得复杂时应从循环升级到图。
Hermes Agent 架构详细拆解：工业级 Agent 框架底层运行时揭秘
本文详细拆解了 Hermes Agent 的底层架构，将其定义为工业级运行时而非简单的 LLM 循环。文章类比前端工程模式，阐述了 Agent = Harness + Model 的核心公式。重点解析了从平台入口、适配器层、事件总线、GatewayRunner 核心调度层到 AI Agent 执行层的五层架构，揭示了 Hermes 如何通过共享线程池、会话复用和生命周期管理，实现高并发、有状态且安全可靠的 Agent 运行环境。
递归智能体推理性能测试：DSPy 与 Daytona 的 100 任务实证研究
文章介绍了 Fleet-RLM（基于 DSPy ReAct 智能体与 Daytona 沙箱）在 100 个长程推理任务中的表现。实验对比了递归执行与直接 LLM 推理，结果显示递归执行将准确率从 13% 提升至 33%，并完全消除了任务失败。文章详细分析了逻辑、CS、棋类、数学和化学等不同领域的性能差异，揭示了递归架构在工具调用和错误恢复上的优势。
