从单体智能到系统智能：LLM Agent为何需要Graph Engineering

导语

大语言模型已经不再只是根据提示生成文本的工具，而是逐渐成为能够调用工具、执行规划并处理长流程任务的Agent。围绕单个Agent，业界已经形成了多种工程方法：Prompt Engineering负责激发模型能力，Context Engineering负责管理信息输入，Harness Engineering负责组织工具与外部资源，Loop Engineering则通过反思和迭代支持持续改进。

但任务一旦进入真实环境，瓶颈往往不再是“模型知道多少”，而是“系统如何组织工作”。一个复杂目标可能同时需要不同领域的专业能力、存在依赖关系的子任务、并行处理、独立验证，以及能够跨步骤保存和更新的状态。单纯扩大一个Agent的模型能力或上下文窗口，无法从架构上解决这些问题。

核心要点

• 从个体能力转向系统能力：论文将System Intelligence定义为Agent系统组织和协调多个智能组件，使其围绕共同目标形成连贯、可适应整体的能力。
• 多Agent不等于系统智能：增加Agent数量只是起点。系统还必须明确任务如何拆分、不同角色如何协作，以及中间结果和执行状态如何持续维护。
• 图结构成为统一抽象：Graph Engineering关注构建显式、动态、不断演化的图，用节点和关系表示任务、Agent及系统状态。
• 覆盖规划、编排与演化：图结构可以帮助系统组织复杂目标，协调异构Agent，表达任务依赖和运行变化，并为后续扩展提供基础。
• 这是工程范式的转移：研究重点从优化一次交互或单个Agent行为，转向设计整个智能系统的组织机制。

为什么图很重要

在多Agent系统中，任务通常不是一条固定的线性流程。某些工作可以并行，某些工作必须等待前置结果，部分产出还需要经过独立检查后才能进入下一阶段。图结构天然适合表达这些依赖关系，也能把任务节点、执行节点和状态变化放在同一框架中观察。

更重要的是，图并非静态流程图。随着Agent完成任务、发现新依赖或返回异常结果，系统可能需要调整后续计划、重新分配工作或引入新的专业角色。因此，论文强调的是动态和演化的图，而不是简单地把预先写好的工作流可视化。

意义与影响

Graph Engineering提出了一个值得关注的系统级视角：未来Agent平台的竞争力，可能不仅取决于底层模型的推理能力，也取决于能否把多个能力不同、可靠性各异的组件组织成可控整体。这会推动任务表示、Agent编排、状态管理、验证机制和系统演化成为相互关联的研究方向。

不过，从现有素材看，这篇工作主要是一篇综述与范式性讨论，重点在于梳理问题和提出统一概念，而非给出某个单一系统的性能结论。它的价值在于帮助研究者重新定义复杂Agent系统的设计对象：不只是一个更强的Agent，而是一张能够理解目标、协调执行并持续变化的智能图谱。

来源：Hugging Face Daily Papers