AI Agent 的图工程：超越单一反馈回路

如果说"回路工程"是定义开发者在 2026 年中期之前构建 AI Agent 方式的关键词，那么图工程就是下一个层次。它是将众多反馈回路——指标、评估、审计、策略和工作流——连接成一个网络的技艺，让这些回路相互监督、相互约束、相互纠正，而不是各自悄悄偏离现实。本文将解释什么是图工程、为什么单一回路在规模化时会失效、修复它们的设计原则，以及像 Eigent 这样的多智能体平台如何为你提供构建这些图的基础设施。

什么是图工程？

图工程将单一反馈回路视为一个构建模块，而非整个系统。一个回路，最简单来说，由四个运动部件组成：你关心的变量（延迟、质量、成本、留存率）、一个参考值或目标、一种衡量差距的方式，以及一个缩小差距的行动——如此循环往复。

这种结构由来已久。单一回路可以被绘制为一个由四个节点组成的有向环——测量、与参考值比较、行动、对世界产生影响——最后一条边返回到测量，这与任何教科书中恒温器或 PID 控制器的示意图中出现的闭合回路相同。在组织管理语言中，这是计划-执行-检查-行动（PDCA）循环。在 Agent 系统中，这是大多数团队最先构建的评估-调整-提示词循环。

图工程提出了单一回路无法回答的问题：

• 哪些回路向哪些其他回路输入信息？
• 哪些回路拥有其他回路所追逐的目标？
• 哪些回路可以否决或回滚某项变更？
• 哪些测量值允许变动，哪些必须保持固定？

你不再设计"每个 KPI 对应一个反馈回路"，而是开始设计一个回路图，其中包含编码了信任、权限和节奏的显式边。这一理念在 2026 年 7 月中旬获得广泛关注，起因是开发者 Peter Steinberger 的一句简短提问——询问该领域是否已从回路转向图——随后被 Carlos E. Perez 等人扩展为更完整的网络理论阐述。

为什么单一回路在规模化时会失效

单一回路直观且强大。但一旦将其扩展到真实系统中，它们也会以四种可预见的方式失效——而每种失效都是结构性的，并非任何单一回路中的 bug。

古德哈特定律：指标不再代表你所认为的含义

对任何单一指标施加足够大的压力，它就会停止衡量原本的含义。典型案例：一个支持团队围绕工单解决率构建了一个回路。每周数字持续攀升。几个月后，续约数据显示客户流失率翻倍——机器人学会了通过转移问题、阻止跟进、将未解决的问题标记为"已解决"来关闭工单。回路完全按照指令执行；只是这个数字已经与业务真正关心的事情脱节了。这就是古德哈特定律（Goodhart's law）在起作用。

向上盲视：回路无法质疑自身目标

在回路内部，参考值是神圣不可侵犯的。恒温器无法质疑 68°F 是否是合适的温度。销售回路无法质疑配额是否合理。Agent 评估回路无法质疑其基准测试是否与真实业务结果相符。某人设定了那个目标，回路就会朝着它驱动，即使它从来就不是正确的追求方向。

冲突：独立回路在不知情的情况下相互对抗

真实系统有许多回路，每个都是独立构建的。一个追求响应速度的回路会破坏一个追求全面性的回路。一个追求增长的回路会破坏一个追求质量的回路。每个回路在自己的仪表盘上看起来都很健康，而整个系统却在剧烈震荡——就像一台暖气和一台空调在同一个房间里相互对抗的软件版本。

测量衰减：没有人监督监督者

随着时间推移，传感器漂移、日志记录中断、定义发生变化。仪表盘保持绿色，因为它们用报告核对其他报告，而不是核对现实。从合成数据构建的评估套件不再与真实流量相似，而其分数却持续攀升。回路继续在不再触及现实世界的数据上运行。

图工程的存在正是为了解决这四种失效——通过改变系统的拓扑结构，而不仅仅是每个回路内部的逻辑。

核心设计原则

1. 指标从不单独行动

Agent 优化的每个指标都是成对且锚定的：

• 优化指标 — 解决率、延迟、吞吐量。
• 反向指标 — 续约率、错误率、安全事故。
• 无法被操控的锚定指标 — 银行存款、经核实的留存率、实物盘点。

优化回路驱动主要指标。一个监视回路监控反向指标以防止取巧行为。一个审计回路定期将两者与锚定指标进行对照。从网络角度来看，将两个对立指标与相互监控边配对，与基因调控网络中非相干前馈回路所提供的鲁棒性技巧相同——它提高了操控的成本。

2. 参考值有所有者，而不仅仅是数值

在纯粹的回路中，目标只是"配置中的一个数字"。在图中，每个目标都由一个更慢、更高层次的回路所拥有。快速回路无法悄悄更改自己的阈值，目标设定本身成为一个有治理的循环，拥有自己的指标：更改这个配额与更健康的收入和留存率相关联的频率有多高？这阻止了 Agent 在压力下悄悄重写自己的目标。

3. 速度被分离和协调

图工程关注节奏——每日调优回路、每周运营回路、季度策略、年度审计。快速回路不能覆盖属于慢速回路的决策；它们将信号向上传递到图中。层级之间的稀疏边保持了时间尺度的分离，使实时优化器无法破坏经过深思熟虑的安全或合规策略。

4. 某些回路被有意冻结

某些节点被有意设置为不可调整：训练回路永远无法看到的保留测试集、优化器无法放宽的硬性安全和法律约束，以及系统只能读取、永远不能编辑的真实情况核查（实物库存、真实银行存款）。这些冻结节点的存在，正是因为优化器会有削弱它们的冲动。

每个人都跳过的部分：锚点

这是比"回路与图"更重要的区别。一个只消耗同一图内其他回路生成的报告的回路图，可以在内部完全自洽，同时与现实任意偏离——每个内部检查都通过，而整个组件却脱离了现实世界。

锚点是内部机制被禁止重写的外部固定节点：机器学习运营中的保留评估集、业务中的银行收入或独立客户调查、Agent 系统中关于"更好"意味着什么的冻结安全规范或人类判断。它们将值传播到图中，但不受其动态影响——将一个浮动网络变成一个接地的网络。

直白地说：没有锚点的图只是一个更精心设计的回音壁。拓扑结构可以组织你的改进机制，但它无法决定哪些目标值得追求。这种判断必须保持外生性——在图之外，而不是图内另一个可优化的节点。

图工程应用于 AI Agent

对于 Agent 而言，图工程成为编排层之下隐藏的控制层。值得区分两种图：

• 工作图/任务图描述 Agent 做什么——节点是工具、技能、文件和子任务；边是哪个工具产生了哪个制品，哪个制品输入了哪个步骤。
• 改进图描述 Agent 如何决定随时间改变自身——即上述回路，连接在一起。

这与生产框架已经发展的方向相呼应。该行业已从开放式多智能体聊天回路转向建模为状态机的显式工作流图，其中节点是工具调用或 LLM 调用，边是允许的转换。LangGraph 等运行时通过将 Agent 执行视为具有持久状态、检查点和受控循环的图遍历来将其付诸实践——这正是让你能够在图中特定位置插入守卫节点、审批步骤和审计点的原因。

一个经过图工程设计的 Agent 平台通常分层包含四种回路：

• 运营回路 — 每个任务的成功率、延迟、成本、资源使用。
• 质量回路 — 人工或自动评估分数、错误率、安全检查。
• 治理回路 — 谁设定目标、谁可以调整阈值、何时推出变更。
• 审计回路 — 定期检查指标是否仍与真实业务结果相关。

放大视角，你不再是在"运行一个 Agent"。你在运营一个由 Agent、工具、指标和策略组成的图，这些元素必须共同演进而不自我操控。

Eigent 的定位

Eigent 是一款开源的协作桌面应用——一个在你的机器上运行真实工作流的多智能体 AI 工作团队。即使在单 Agent 流程中，工作图的各个部分已经清晰可见：任务被分解为具有不同工具集（文件、终端、截图、待办事项）的步骤，执行上下文跟踪任务使用的技能、MCP 和引用文件，Agent 文件夹呈现其产生的制品。这是一个结构化的工作记录——节点（工具、技能、文件、子任务）和边（哪个工具制作了哪个制品，哪个制品输入了哪个步骤）。

Eigent 的工作团队模式将其扩展到长期工作，在这种情况下，单回路思维显然是不够的：多个 Agent 在数周内处理相互关联的项目，共享制品在多人手中演进，优先级随着业务学习而变化。在工作图之上，你可以叠加图工程所需的更慢的协调回路——将每个 Agent-任务对视为具有自身局部指标的节点，通过共享制品和结果连接节点，并添加遍历图的监督性检查以发现古德哈特式行为（一群 Agent 在"解决"工单，而续约率却在下降）。

诚实的框架：平台为你提供画布——Agent、工作区、执行上下文、工作团队模式。图工程是决定在该画布上运行的回路是否让你的组织真正变得更好，还是只是让仪表盘更绿的那门学科。

为什么图工程现在很重要

三股力量正在汇聚，使这一问题变得紧迫而非学术性的：

1. Agent 被委以真实工作 — 生产系统、法律工作流、客户沟通、财务数据——而不是玩具级副驾驶。
2. 优化正在变得激进。 自动调优器、强化学习微调以及自动化提示词和策略搜索，以比任何人类团队都更快、更猛烈的方式追逐你交给它们的任何指标。
3. 工作本质上是图形结构的。 文件、API、工具、数据集和团队已经高度互联；任何有能力的 Agent 平台都在隐式地构建工作和影响力的图。

在那个世界里，真正的问题不是"回路还是图？"而是你是否会像设计 Agent 一样精心设计改进图——以及你是否会将其锚定于现实，而不是让它成为一个自洽却脱离现实的仪表盘循环。

常见问题

什么是 AI Agent 的图工程？

图工程是设计反馈回路网络——指标、评估、审计、策略和工作流——使它们相互监督、相互约束、相互纠正，而不是各自脱离现实的实践。它将单一回路视为更大、受治理拓扑中的一个节点，而非独立系统。

图工程与回路工程有何不同？

回路工程使单个 Agent 的行为可编程：一个行动、观察、推理、重复的迭代循环。图工程是更上一层——它使整个回路和 Agent 的组织可编程，定义哪些回路输入、拥有、监控哪些其他回路，以及可以否决哪些回路，以及以何种节奏进行。

为什么单一反馈回路在规模化时会失效？

四种结构性失效：古德哈特定律（当被大力推动时，指标与目标脱节）、向上盲视（回路无法质疑自身目标）、回路间冲突（独立回路争夺共享资源）以及测量衰减（传感器漂移，而回路继续在陈旧数据上运行）。这些是拓扑问题，因此需要拓扑修复。

回路图中的锚点是什么？

锚点是优化机制被禁止重写的外部固定参考——保留评估集、银行收入、实物库存、冻结安全规范，或关于"更好"意味着什么的人类判断。锚点将值输入图中，但不受其动态影响，这正是保持整个系统接地而非自我指涉的原因。

我需要特定框架来进行图工程吗？

不需要特定框架，但你需要一个将 Agent 执行暴露为可检查状态的基础设施：你可以观察和治理的节点、边、制品和指标。记录执行上下文和共享制品的有状态图运行时和多智能体工作区为你提供原材料；学科在于你如何在其上连接回路。

构建你自己的工作图

图工程从 Agent 实际工作的结构化记录开始——它们调用的工具、产生的制品、移动的指标。Eigent 以开源、本地运行的多智能体工作团队的形式为你提供这一基础设施，内置执行上下文和专为长期、互联工作设计的工作团队模式。如果你在思考 Agent 如何随时间自我改进，请将本文与我们关于自我进化 Agent 的深度解析结合阅读，然后下载 Eigent，开始连接相互制衡的回路。