X (Twitter Article)
ai-engineering
Original source

Graph Engineering: How to Build AI Agent Systems That Don’t Break at Scale

Summary

@0xwhrrari 的長文講解 Graph Engineering — 將 AI Agent 工作流從線性 chain 升級為圖結構（nodes + edges）的系統設計方法。

核心問題： 大多數 agent 系統是直線型（A→B→C），每步等上一步完成，即使很多步驟不需要前一步的結果。

12 個實踐原則：

  1. 切斷假依賴 — 下一步是否真的需要上一步的輸出？不需要就並行
  2. 每個 node 有 contract — 一個職責、明確輸入、結構化輸出、清晰失敗狀態
  3. Edge 是數據合約 — 用 code 做 plumbing（去重、過濾），model 只做判斷
  4. 四種基本形狀： Chain、Diamond（分支合併）、Router（按狀態選路）、Controlled Cycle（有停止條件的循環）
  5. Fan-out + deliberate join — 並行不自動等於快，join 只在需要完整集合時才等
  6. Routing 可檢查 — 分類器是概率的，允許的路由是確定性的
  7. Verification 放在 edge 上 — 不讓同一個 agent 生成+審核+發布
  8. State 持久化 — 移動 artifact 的引用而非完整 transcript
  9. Cycle 要收斂 — 需要完成測試、最大輪數、token 預算、歷史記錄
  10. Failure 是局部事件 — checkpoint、冪等寫入、隔離工作空間
  11. Topology = cost model — 簡單任務走便宜短路徑，複雜任務才用完整圖
  12. 實戰示例： research→decompose→parallel research→dedup→draft→verify→repair→human approve

何時用 graph vs 單 agent：

  • 單 agent：任務短、一個 context 夠、無並行分支、失敗成本低
  • Graph：可並行、需不同工具/權限、需獨立驗證、需中斷恢復

層次框架：

  • Prompt engineering → 改善指令
  • Context engineering → 控制模型看到什麼
  • Harness engineering → 建模型周圍環境
  • Loop engineering → 單單元通過反饋改進
  • Graph engineering → 協調整個任務