提示工程 vs 循環工程 vs 圖工程：各層的變化是什麼

在人工智能工程領域的職位描述中，三個術語如今競爭着同一行位置：提示工程（Prompt Engineering）是已確立的概念；循環工程（Loop Engineering）於2025年末進入AI詞彙，並在2026年6月前主導了開發者討論；圖工程（Graph Engineering）則在大約六週後出現。它們常被混用，但這是否恰當？

事實上，這三種並非相互競爭的技術，而是三個不同且層層疊加的控制單元。提示控制單個模型響應，循環控制單個智能體的行為週期，圖控制多個智能體的組織。每一層都保留其下層：一旦在提示周圍構建了循環，提示並不會消失，只是不再由手動輸入。

本文旨在釐清三者：每一層設計什麼、公開説法中高層何時能收回成本，以及哪些環節應持懷疑態度。

層級棧（自下而上）

每一階段的演進在實際應用中都被命名，後才出現在供應商文檔中。

第一層：提示工程

其核心假設是每一次迭代都有人類參與：編寫提示、模型響應、評估輸出、修改提示。當任務量大、步驟多、無法人工評估輸出或結果自動進入下一環節時，該假設便不再成立。並非提示本身變差了，而是周圍條件發生了變化。提示工程在更高層中也並未消失——Anthropic的多智能體研究指出，提示工程是修復協調失敗的主要槓桿。

第二層：循環工程

其框架認為編碼智能體是一種蠻力式尋找解決方案的工具。關鍵在於設計目標、工具和循環，而不僅僅是提示。該術語於2026年6月進入主流開發者討論，源於一篇廣為流傳的文章，其中主張工程師應停止為編碼智能體編寫提示，轉而設計觸發其提示的循環。最詳細的公開分解識別了五個原語，外加一個將它們結合在一起的第六元素：自動化、工作樹、技能、插件與連接器、子智能體，以及狀態（對話之外的Markdown文件或看板，因為模型在運行間會遺忘）。兩個會話內功能至關重要：/loop按節奏重新運行，/goal持續運行直到書面條件確實為真，並由一個獨立的小模型在每次輪次後檢查——這樣編寫代碼的智能體便不是評估者。循環本身並非難點，停止條件才是。一個無法機械區分“完成”與“卡住”的循環不會大聲失敗，而會持續消耗令牌。

第三層：圖工程

2026年7月，討論從循環轉向圖。循環使智能體行為可編程，圖使智能體組織可編程。一個常被忽視的結構性要點是：生產環境中的多智能體系統同時運行兩個圖。組織圖（Org Graph）是穩定的，長壽命智能體持有命名角色、擁有領域並隨時間累積上下文，僅在重新部署時變化。工作圖（Work Graph）是臨時的，任務節點僅在任務存續期間存在，邊為並行路徑分叉、在收斂時合併，並在證據使分支不必要時消失。組織圖回答“誰”，工作圖回答“當前需要做什麼”。

對該標籤的懷疑是合理的：具有明確目的的子智能體本身已構成圖，且技術先於術語出現。LangGraph在其API中提供圖功能遠早於該術語流行。Anthropic在2024年12月提出的五種工作流模式——提示鏈、路由、並行化、編排器-工作者、評估器-優化器——本質上是以散文形式描述的圖拓撲結構。新的是這些框架始終迫使做出的決策（節點、邊、狀態分別是什麼）有了統一的名稱。

如何選擇層級

按順序回答以下問題，第一個“否”通常是答案：

1. 是否有人在每個輸出被採取行動前閲讀它？若是，則提示層級足夠。循環帶來的是無監督執行，而非自主性。
2. “完成”能否由非人類檢查（如測試、模式、評分標準或第二模型）？若否，則沒有停止條件，只有預算。
3. 任務是否適合單智能體的上下文和領域？若是，構建循環。單一推理鏈是保持假設一致的最廉價方式。
4. 是否需要同時運行獨立分支？若是，這是圖問題：聲明節點、邊、共享狀態和失敗路徑。若否，在添加智能體前先擴展循環的工具。

最終警告關乎操作者而非架構：兩名工程師可能構建完全相同的循環卻得出相反結果——一人因深入理解工作而更快，另一人則避免理解工作。系統無法區分。這正是高層比提示更難設計的原因。

本文通過清晰的分層框架和實用決策問題，幫助AI工程師根據任務需求選擇正確的控制粒度。