graph engineer vs loop engineer : 不是替代，是嵌套。Loop 是最小的 Graph（单节点自环）；Graph 里每个干活的节点内部仍在跑自己的 Loop。"Loop Engineering is dead" 是 Hame‍l Husain 的反讽炒作。完整递进链：Prompt → Context → Harness → Loop → Graph，每层向外包一层。 多 Agent 不是必然更好。《Nature Machine Intelligence》2026 年研究（260 种配置）：可拆分的金融任务多 Agent 最高 +80.8%；强顺序依赖任务最高 −70%；SWE-bench Verified 上四类多 Agent 架构全部 −1.3%~−12.8%。决定变量是任务可拆分性，不是复杂度。 选型规则（社区共识版）：一个 Agent + 工具 = Loop；多个 Agent + 交接 = Graph。当你在 Loop 里硬塞并行、独立评审、人工审批门时，就是该升级到 Graph 的信号。

爆肝整理，Graph Engineering 完整五步教程 👇👇 Loop Engineering 的继任者，把单线循环升级成并行图网络，一个窗口跑 1000+ Agent。 1：核心认知 单循环只能优化一个指标，容易掉进 Goodhart 陷阱。 Graph = 节点（一个Agent干一件事）+ 边（节点之间的数据依赖）。 把"先A再B"改成"A和B能并行就并行"，宽度决定速度。 2：找到真正的边 每次写"然后"时问自己：下一步真的需要上一步的输出吗？ 不需要 → 砍掉等待，直接并行。 你的"顺序执行"脚本，本质上就是个最寒酸的图——链式结构，一卡全卡。 3：上手实战 前置：Claude Code v2.1.154+，Pro/Team/Enterprise 开动态工作流。 粘贴一个prompt："审计 src/routes/ 下所有路由文件的权限校验，每个文件开一个Agent，分别验证，最多20个文件。" Claude 自动生成编排脚本，确认后跑起来。一个命令 → 十几个Agent并行 → 一份汇总报告。 中间结果存在脚本变量里，不污染你的会话上下文。 4：两个最容易翻车的地方： ① 图自说自话：让Agent检查自己的工作，它永远给自己高分。必须用独立节点验证，带独立上下文，检查真实信号（比如测试是否真的跑了）。 ② Agent互相踩脚：两个Agent同时写同一个文件=灾难。每个Agent必须有自己的隔离工作区（git worktree），结果合并策略提前定好。 5：六个可以直接套的图结构 - 安全扫描：每个文件一个Agent + 独立验证节点 - 深度研究：拆成多个角度并行搜索，Agent之间互相反驳再汇总 - 模块迁移：逐个文件迁移，测试做门禁 - 对抗性代码审查：小改动一票过，大改动全并行审计 - 定时生态扫描：存成模板，定时重跑 - 未知规模发现：并行探索，两轮没新东西就停 6：让图保持诚实 图本身不保证真相。必须锚定不可争辩的节点： - 真正跑过的测试（不是"应该能过"） - 基于证据的验证器 - Agent永远不能改的冻结规则 感谢 @0xCodila 的完整教程。

推荐这个工具，Yohei Nakajima 在 GraphCon 上用的 graphcon-deck。 幻灯片变成了图谱过滤器——节点复用，视角切换，整个 presentation 是一个可以探索的图。 Yohei Nakajima（BabyAGI 作者）在 7 月 25 日 GraphCon 上用他自己写的工具做了一场演讲。这个工具叫 graphcon-deck，一个把幻灯片变成图谱过滤器的单 HTML 文件。推文 43 万浏览，537 书签。 核心 idea 传统 slides 是线性的——幻灯片 1 → 2 → 3，每张是一块独立画布。Graphcon-deck 完全不同： 所有节点始终存在于一张大图上。每张"幻灯片"只是一个过滤器。 每个节点有一个或多个 slide number。当你切到某张幻灯片时，携带该编号的节点被拉入视图，不携带的节点被推走。viewport 自动居中到活跃节点的中心。你可以为每张幻灯片定义不同的布局（节点方向 / 关系朝向），"动画"只是让新节点自然进入视野。 同一个节点可以出现在多张幻灯片中——讲一个概念时它在这里，讲到相关概念时它换个位置再出现。整个文件是一个自包含的 HTML，内嵌 JSON 数据。 为什么这不一样 线性 slides 的底层假设是"一次讲一件事，信息不重叠"。但现实中，概念之间是有关系的——A 引出了 B，B 和 C 共享前提，D 推翻了 A。当你只能线性排列时，你被迫重复讲同一个节点，或者靠观众自己记住"刚才那个圆角矩形和第三页那个是同一个东西"。 Graphcon-deck 把 presentation 变成了 graph exploration。每张幻灯片不是"一页新内容"，而是"在当前图上应用一个新的视角"。节点复用的结果是——你不需要重复介绍同一个概念，它一直是同一个节点，只是每次出现在不同的关系网络中。 技术细节 • 纯前端，单个 index.html（约 9000 行内嵌 JS/CSS） • 数据格式是 JSON：{nodes: [{id, label, slides, x, y, ...}], edges: [{from, to, label, slides}]} • 支持编辑模式：拖拽节点位置、调整布局 • 支持导入/导出 JSON（"copy deck JSON" / "load .json file"） • Undo 单张幻灯片的布局修改 • MIT 开源，45 star，4 fork Yohei 最近的探索方向 这不是一个孤立的项目。Yohei 同一天（7/26）发了一条推文："if you are trying to solve long-running agent problems, you will eventually start using immutable event logs"（499 赞），接着在 7/27 发了一篇 X Article "What the Brain Knows About Long-Running Agents"。他在把 graph-based thinking 从 presentation 工具延伸到 agent 架构——event log 作为不可变记录，图谱作为知识的组织方式。 graphcon-deck 是这个思路在 presentation 层面的具象化：图谱不是可视化的附加物，图谱就是内容本身。 Demo： GitHub： #GraphVisualization# #Presentation# #YoheiNakajima#

我现在写程序，其实算不上 vibe coding。我认为现在 harness 们，loop 们，graph 们，也已经越来越不 vibe 了。 粗略估算的话，我觉得我大约不低于 90% 的时间都在重构 ai 的代码。很多设计，在一个阶段是合理的，到下一个阶段如果不重构，就要打一堆补丁，再到下一个阶段，就开始 bug 百出了。 而重构是不可避免的，人类和 AI 都没有可能在开始预见所有的问题。

$FLKR DEV @g_korland Redis 系背景 $3M 融资 市值2m不到 GitHub 万星生态 产品 图数据库 + GraphRAG 又是当前 AI 基础设施赛道热点 有点无敌 C1mg2ddme7Hpwjmxngr1AfrwRSmLqL1CVHPzUmapEory

再复读一遍。 人类看agent是傻逼，天天骂claude code大傻逼，骂codex是纯废物， 当你设计multi agent system的时候，无论loop还是graph还是我提出的goal driven（本质还是loop）和lemma DAG（本质DAG）， 我的哲学是，在任何一个agent眼里，其他agent也都是废物傻逼垃圾，其他所有agent产出的工作， 潜在来看是错的，都是有害的，在没有验证前都不可信。 我前些年讲，coding agent开发必须test driven，用test来定义整个project的边界，用roadmap来定义方向，尽可能把一个task的能力、边界、定义、方法全都定义尽可能干净。 现在我反复讲，multi agent system最有效的方式，恰恰不是让1000个agent包饺子、大团圆、无休止聊闲天，而是互相challenge，预防式合作，预防式管理，预防式review， 先默认其他人都是错的，其他所有任务都需要我先review一遍，先在自己手里写足够多test来验证工作是否完成，再继续进行下一步，否则直接拒绝接手。 记住，你眼里的claude code是大傻逼，那么一个master agent直接spawn出来的几十个subagent在对方眼里也都是大傻逼，因为这个世界本质是由傻逼组成的。 当你接受了这套哲学和逻辑之后，再去寻找你想要解决的问题，让multi agent来解决，一定会提高最终任务的成功概率。 很多人焦虑的一点是，当你让single agent以loop还是multi agent去工作时，你看到一大坨产出，你不知道产出是否完全正确、绝对完整、无懈可击，这种焦虑是巨大的、深渊的、深不可测的。 当你接受了上面这套逻辑和哲学后，你可以认真寻找一些你认为最适合的场景，在这些场景下至少可以做到浪费3~10倍token，来帮你提高50%的结果可靠性——要么老老实实告诉你“完不成，我失败了”，要么说到做到，一定交付一个完美的、无懈可击的结果。

今天继续跟一下 CMP 170HX。 这次没有80G神迹，反而抓到一个挺有价值的软件坑。 8G版解锁64G以后，有人在 CUDA 13.3 + vllm.cpp 下第一次 CUDA Graph capture 就直接炸，报 CUBLAS_STATUS_INTERNAL_ERROR。第一反应很容易怀疑显存、地址映射，甚至怀疑170HX又抽风了。 结果现在基本查清楚了，不是卡坏了，是 CUDA 13.3 的 cuBLASLt 在 graph capture 里查 heuristic 的兼容性问题。 修复也已经出来了，提前把 GEMM heuristic cache 好，再进 CUDA Graph，同一张64G 170HX 连续测试正常，而且 token 输出一致。把 cache 关掉，又能100%复现原来的报错。 更有意思的是，后来 GB10 上也复现了同样的问题。 所以这个结论很重要。 以后170HX报 CUDA error，别第一时间就说显存坏了。现在这个生态已经进入一个新阶段了，很多问题不是硬件解锁本身，而是驱动、CUDA、vLLM、graph capture这些软件层一层一层互相打架。 8G版64G继续往生产卡方向走。 10G版40G正常推进。 10G版80G，还是老规矩，没看到多人独立复现，全显存唯一pattern，多CUDA context，再加24到72小时0 Xid 0 error之前，我还是当彩票。

在大型复杂的项目里，想找个代码函数被谁调了、哪些模块有关联，查起来很费劲。 Code-Graph-RAG 把函数、类、模块和它们之间的关系建成知识图谱，存进图数据库。 在建好图谱之后，还能使用自然语言进行查询和编辑代码。 支持 Python、TypeScript、Rust、Go、Java、C/C++ 等十几种语言，混合语言的项目也能放在同一张图里。 GitHub： 除了问答，还能做死代码检测、按结构模式搜索替换、代码优化建议，改代码前会先显示改动预览。 也支持作为 MCP 服务器运行，Claude Code 、Codex 这类 Agent 工具能直接连上来查询。 经常在大型代码库里找关系、理结构的开发者，这个工具能省不少翻代码的时间。

看完一篇长文档，脑子里大概有个谱，但要把实体之间的关系画成图，手动整理太费劲。 AI Knowledge Graph 能把一段文本自动拆解成知识图谱，用大模型提取实体和关系，生成一张可交互的网状图。 GitHub： 它会自动做实体去重和关系推理，把分散在不同段落里的关联串起来，断开的部分也能补上推断关系。 兼容 Ollama、OpenAI 等各种接口，本地模型也能跑。适合做文献梳理、知识整理的朋友试试。