「循环工程 | Loop Engineering」讲的是一个智能体怎么反复打磨一件事。这篇讲的是下一步怎么让一千个智能体同时干活。大多数人搭建多步骤智能体的时候最终得到的都是一条直线。第一步第二步第三步。每一步都在等上一步跑完才能开始。但几乎没人去检查一件事这些步骤里有一半根本不需要等。它们只是排着队一个接一个地跑直到上下文窗口被塞满智能体忘了自己在干什么。慢不是因为模型弱慢是因为你把一张图画成了一条线这篇教程就干一件事把你手里那条线掰开成一张图。图能扇形展开能自己检查自己。一共5步。到第2步你就能搭出一个能跑的图。它会告诉你哪些坑会让真实的图崩掉我会在难点出现之前提前标记。在干货之前——请订阅我的公众号获取更多新鲜内容 ↓前言——Graph Engineering到底是什么一个月前这个圈子还在讨论循环Loop。Peter Steinberger(小龙虾作者) 用一句话就把这风向变化点到了一个循环就是一轮变得更好的过程试一下 → 看结果 → 调整 → 再来这就是原子一个智能体反复打磨同一件事。*但单一循环有一个已知的死法——*比如一个客服团队把反馈循环绑定在一个指标上工单解决率。这个数字连涨了好几个月而用户满意度却在下滑。机器人学会了快速关闭工单而不是真正解决问题。这就是古德哈特定律Goodhart’s Law。一个循环只能看见自己的指标。它没法质疑目标本身对不对也察觉不到自己的度量在漂移。答案不是一个更好的循环而是一张循环组成的图——一个网络里面的循环互相监视、互相纠错。落到智能体上就一句话别再写一个什么都干的直线智能体了——去设计工作的形状谁先谁后谁跟谁同时跑谁在等谁。节点负责思考边负责传递结果。而且 Claude Code 已经发布了直接构建这些的工具动态工作流Dynamic Workflows第1步——看见那些不存在的边一张图有两个组成部分节点Node是一个工作单元一个智能体一项任务一个输入一个输出边Edge是一个依赖关系这个节点的输出是那个节点的输入所有人都会犯的错误是把**“然后”**当成一条边。“总结一下这个文件然后告诉我天气怎么样”天气根本不需要读那个总结。这是两个完全独立的任务却被一个线性脚本毫无理由地串在了一起。每一个都在白白等上一个完成。开启一切的那个习惯对每一个然后问一句——下一步真的需要读上一步的输出吗如果是→ 真正的连接点。保持顺序。如果不是→ 没有连接点。等待是浪费。让它们并排跑。如果两个方块之间没有数据流动它们就是独立的。记住这种独立性。后面整篇教程都在利用它。你那个先做A再做B再做C的智能体其实已经是一张图了——只不过是最惨的那种一条单链C一卡住D就永远跑不了。第2步——从零搭出你的第一张图理论够了。动手搭一个看它跑起来。开始之前Claude Code v2.1.154用claude --version检查付费方案。Max、Team 或 Enterprise 默认开启工作流。Pro 用户需要在/config里打开Dynamic workflows开关1. 打开一个你熟悉的代码仓库。用一个真实的这样结果才有意义。2. 粘贴这段提示词来自 Anthropic 官方Create a workflow to audit every route file under src/routes/ for missing auth checks. Spawn one agent per file, then run an independent verifier on each finding before reporting. Analyze a maximum of 20 files to start.把src/routes/换成你文件实际所在的路径。最多20个这行是为了让第一次跑的成本可控。3. 看workflow亮起来。Claude Code 会高亮显示“Dynamic workflow requested.”这就是你的信号——一张图正在构建而不是普通聊天。4. 批准计划。Claude 会写一个 JavaScript 编排脚本先展示各个阶段。读一遍然后选“Yes, run it.”5. 让集群跑起来。每个文件一个智能体并行执行而你的主会话保持空闲。输入/workflows可以实时观看确定范围 → 扇形展开 → 验证 → 综合。6. 读最终的完整答案。这不是二十个零散独立的对话。而是一份综合这些会话的报告——因为中间结果存在Subagent脚本的变量里而不是你的上下文里。这就是Graph。十几个智能体来自一句提示词。关于你认为的零 token说法协调脚本是代码。所以在智能体之间传递结果不会像聊天交接那样重新消耗上下文。但**智能体本身仍然消耗用量。**一个工作流的花费显著高于一次普通会话。省的是协调成本不是工作本身。先小范围跑观察用量再逐步扩大。把它变成你自己的工作流当一次运行效果不错时按s。它会保存到~/.claude/workflows之后可以按名字重新运行。现在换掉任务保留形状。把缺失的鉴权检查换成未处理的 Promise或者超过100行的函数。这东西能扩展到什么程度一次工作流运行最多可以扇形展开到1000个智能体同时最多16个并行工作。这就是一个窗口里跑1000循环的由来——不是比喻是这个功能的实际上限。而规模本身就是重点一千个智能体意味着一个单一上下文永远装不下的任务——一次性审计整个代码库一次触及每个文件的迁移一次从一千个角度并行搜索。16个并发的上限只是意味着集群以波浪式推进啃完全部一千个而你不需要盯着任何一个。先从20个开始看看一次运行是什么表现、花多少钱——然后放开——因为这是别人还没开始搭建的上限。第3步——真正会崩的地方你搭了一张Agent的协作图。下面是真实的流程会翻车的地方。有两种失败最致命。失败一Graph在跟自己达成共识**当一个智能体检查自己的工作时它会对自己手下留情。**模型天然偏好自己的输出。怎么办在边上插一个验证器Verifier——一个独立的节点结果流向下游之前先过它这一关。没人说破的关键点验证器需要干净的上下文。把执行器用过的同一段对话递给它那它就不是在验证。它只是在用另一种字体跟自己说我同意。一张共享同一个上下文的智能体图就是一个穿了马甲的单循环。它会以同样的方式失败——只不过更晚、更贵而且一路亮着绿灯往下掉。验证器必须是一个全新的节点自己的上下文检查一个真实的信号——别问智能体说它做完了吗要问测试真的跑过了吗。失败二智能体互相踩踏这不是假设。当 Bun 的团队第一次把一个大移植任务扇形展开到多个智能体时运行在操作层面就失败了——智能体在同一个工作区里使用共享的 git 命令互相覆盖。那改进的方法则是改架构不是改提示词。他们直接禁掉了不安全的命令给每个组分了自己独立的 worktree。这才是并行真正的教训——两个智能体写同一个文件就是在赛跑。展开之前先回答三个问题每个智能体在哪里工作结果怎么合并两个智能体意见不一致时怎么办一张没有这套方案的图不会扩展——它只会更快地崩。第4步——这周可以搭的6张图方法论找到真正的边 → 扇形展开 → 在独立上下文上验证 → 隔离Workers下面每一个都是同一个形状只是瞄准了不同的任务。换掉任务那一行就能跑安全扫描——每个文件一个智能体搜缺失的鉴权auth一个验证器确认每个发现就是你刚搭的那个带引用的研究报告/deep-research——已经内置了把你的问题拆成多个角度并行搜索智能体在写报告之前先互相反驳移植一个模块——逐文件进行测试作为关卡失败的循环回去重做对抗性 Diff 审查——按规模路由小改动 → 一遍过大改动 → 完整并行审计定时生态扫描——保存一次按名字重复运行未知规模的发现——搜索器并行运行每个结果与已发现的一切交叉比对循环直到连续两轮没有新发现这个工程流的落地天花板长什么样https://simonwillison.net/2026/Jul/8/rewriting-bun-in-rust/Bun 的 Zig 转 Rust 移植用的就是这套机制。大约50个工作流峰值64个智能体并行。大约53.5万行 Zig 代码变成了超过100万行 Rust用了11天。它也花了大约16.5万美元的用量。它需要一个人类全程设计和监控。而且它引发了公开争议——这么多 AI 写的代码到底能不能被安全地审查。规模是真的。16.5 万美元的账单也是真的。全程需要人盯着也是真的。第5步——让Graph保持诚实的锚点图画得再漂亮节点全是互相点头那跟没有一样。一个智能体网络全部在互相确认没有一个碰过任何真实的东西——它的失败方式和单循环一模一样只不过活动部件更多。图需要锚点Anchors那些不能被辩论的节点。真正跑过的测试——不是应该能过确实过了基于证据的验证器不是基于感觉冻结的规则智能体永远不被允许调整——因为它们是优化器最可能削弱的那些一张图的诚实程度取决于里面那些拒绝移动的东西。什么时候不该用Graph大多数任务不是图。不需要的时候硬上图只是烧钱加添乱。跳过图的情况任务很小或者是孤立的。加一个函数修一个 bug。工作流在这里纯粹是开销——单个智能体更快更便宜。你需要紧密的监控。如果你想在每一步跑之前都读一遍、批准一遍那图的全部意义不靠你并行跑就是在跟你作对。你还不知道自己在找什么。探索阶段你需要的是一个能随时转向的智能体不是一整个在你搞清楚问题之前就已经锁定方案的集群。步骤之间真的互相依赖。如果每一步都要读上一步的输出那就是一条真正的链。并行没有抓手。把图强加在一个真正顺序的任务上只是增加了协调成本速度一点没快。判断标准就是第1步。如果你找不到两个之间没有箭头的方块那就没有图可搭。它是一个循环Loop够用就好。Graph是为宽度服务的工具——独立的工作同时完成。当工作不宽的时候那条线从来就不是问题……转变提示词工程师问问题。架构师画图。线性智能体从来不是天花板。它是第一个形状——每个人都伸手去够的那个因为它匹配我们打字的方式一行一次一件事。一旦你看见了节点和边你就不再要求智能体做更多而是开始要求Graph做得更宽扇形展开——在工作独立的地方把守边——在置信度重要的地方冻结节点——在承载真相的地方大多数人会继续把步骤排成一条线。少数学会画图、并且懂得尊重什么会让图崩掉的人将运行一支舰队。画出那张图。留在架构师的位置上。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
)
