提示工程 vs 循环工程 vs 图工程：各层的变化是什么

在人工智能工程领域的职位描述中，三个术语如今竞争着同一行位置：提示工程（Prompt Engineering）是已确立的概念；循环工程（Loop Engineering）于2025年末进入AI词汇，并在2026年6月前主导了开发者讨论；图工程（Graph Engineering）则在大约六周后出现。它们常被混用，但这是否恰当？

事实上，这三种并非相互竞争的技术，而是三个不同且层层叠加的控制单元。提示控制单个模型响应，循环控制单个智能体的行为周期，图控制多个智能体的组织。每一层都保留其下层：一旦在提示周围构建了循环，提示并不会消失，只是不再由手动输入。

本文旨在厘清三者：每一层设计什么、公开说法中高层何时能收回成本，以及哪些环节应持怀疑态度。

层级栈（自下而上）

每一阶段的演进在实际应用中都被命名，后才出现在供应商文档中。

第一层：提示工程

其核心假设是每一次迭代都有人类参与：编写提示、模型响应、评估输出、修改提示。当任务量大、步骤多、无法人工评估输出或结果自动进入下一环节时，该假设便不再成立。并非提示本身变差了，而是周围条件发生了变化。提示工程在更高层中也并未消失——Anthropic的多智能体研究指出，提示工程是修复协调失败的主要杠杆。

第二层：循环工程

其框架认为编码智能体是一种蛮力式寻找解决方案的工具。关键在于设计目标、工具和循环，而不仅仅是提示。该术语于2026年6月进入主流开发者讨论，源于一篇广为流传的文章，其中主张工程师应停止为编码智能体编写提示，转而设计触发其提示的循环。最详细的公开分解识别了五个原语，外加一个将它们结合在一起的第六元素：自动化、工作树、技能、插件与连接器、子智能体，以及状态（对话之外的Markdown文件或看板，因为模型在运行间会遗忘）。两个会话内功能至关重要：/loop按节奏重新运行，/goal持续运行直到书面条件确实为真，并由一个独立的小模型在每次轮次后检查——这样编写代码的智能体便不是评估者。循环本身并非难点，停止条件才是。一个无法机械区分“完成”与“卡住”的循环不会大声失败，而会持续消耗令牌。

第三层：图工程

2026年7月，讨论从循环转向图。循环使智能体行为可编程，图使智能体组织可编程。一个常被忽视的结构性要点是：生产环境中的多智能体系统同时运行两个图。组织图（Org Graph）是稳定的，长寿命智能体持有命名角色、拥有领域并随时间累积上下文，仅在重新部署时变化。工作图（Work Graph）是临时的，任务节点仅在任务存续期间存在，边为并行路径分叉、在收敛时合并，并在证据使分支不必要时消失。组织图回答“谁”，工作图回答“当前需要做什么”。

对该标签的怀疑是合理的：具有明确目的的子智能体本身已构成图，且技术先于术语出现。LangGraph在其API中提供图功能远早于该术语流行。Anthropic在2024年12月提出的五种工作流模式——提示链、路由、并行化、编排器-工作者、评估器-优化器——本质上是以散文形式描述的图拓扑结构。新的是这些框架始终迫使做出的决策（节点、边、状态分别是什么）有了统一的名称。

如何选择层级

按顺序回答以下问题，第一个“否”通常是答案：

1. 是否有人在每个输出被采取行动前阅读它？若是，则提示层级足够。循环带来的是无监督执行，而非自主性。
2. “完成”能否由非人类检查（如测试、模式、评分标准或第二模型）？若否，则没有停止条件，只有预算。
3. 任务是否适合单智能体的上下文和领域？若是，构建循环。单一推理链是保持假设一致的最廉价方式。
4. 是否需要同时运行独立分支？若是，这是图问题：声明节点、边、共享状态和失败路径。若否，在添加智能体前先扩展循环的工具。

最终警告关乎操作者而非架构：两名工程师可能构建完全相同的循环却得出相反结果——一人因深入理解工作而更快，另一人则避免理解工作。系统无法区分。这正是高层比提示更难设计的原因。

本文通过清晰的分层框架和实用决策问题，帮助AI工程师根据任务需求选择正确的控制粒度。