图工程（Graph Engineering）：超越提示词的AI工作流设计法

从提示词到工作流：一个正在走红的新概念

最近，"图工程"（Graph Engineering）这个词在推特上频繁出现。AI领域每隔几周就冒出一个新术语——提示词工程、上下文工程、Agent工程、Vibe Coding……有些是纯粹的炒作，有些则真正有用。创业播客主持人Greg Eisenberg认为，图工程属于后者，因为它提供了一种理解"AI如何真正把活干完"的更好视角。

用最简单的方式区分这三个概念：提示词工程是如何向AI提出更好的问题，上下文工程是如何给AI提供更好的信息，而图工程则是如何围绕AI设计工作本身——让整个任务不再挤在一个混乱的大型对话框里。

举个例子。大多数人调研一个创业点子时，会打开对话框直接问"我该做这个吗"。模型会给出一个听起来相当聪明的答案：市场规模、几个竞争对手、一份进入市场的计划。你感觉自己完成了调研。但仔细想想会有点不安——一个模型在一次生成中，决定了什么重要、调研了市场、解读了证据、写了建议，还给自己的信心打了分。你可能会基于这一段文字投入数年时间，却做错了方向。

什么是图工程：把AI任务拆成一张流程图

图工程的核心，是把一个混乱的AI任务变成一个你真正能用的工作流。以调研创业点子为例，"图"版本的做法完全不同：

• **规划者（Planner）**先把问题拆成多个角度
• 一个研究员看客户，一个看竞品，一个看分发渠道，一个看定价，一个看风险
• **怀疑者（Skeptic）**尝试推翻那些薄弱的结论
• **合并者（Merger）**把幸存下来的证据整理成一页纸的建议
• 最后由**你（人类）**在行动前批准这个决策

这里涉及几个基本词汇。**节点（Node）**就是每一项工作，**边（Edge）是工作之间的流转关系，而状态（State）**指系统目前掌握的信息。听起来技术，但这正是现实中工作展开的方式。想想客户支持：客户来信后，你很少直接"回答工单"，而是先判断问题类型、查客户历史、搜相关政策、起草回复、再决定是否需要人工审核。把这些步骤按依赖关系连起来，就是一张图。

关键在于，大多数人用AI是走"直线"的——因为对话框让一切显得顺序化：先要调研，再要总结，再要草稿，再要修改。这对简单任务没问题，但当工作有多个部分时，直线式对话会变慢、变模糊、变得难以信任。而图让你像管理一个小团队那样设计工作：一部分负责规划，几部分并行工作，一部分负责检查，一部分负责合并，最后人类批准。

知识图谱 vs Agent图：容易混淆的两种"图"

很多困惑来自于"图"在AI里其实有两种含义。

**知识图谱（Knowledge Graph）**帮助AI理解事物之间的关系：这个客户在这家公司，这家公司用这个产品，这个产品连接到那个工具，这个支持问题关联到某个功能，而这个功能归某个团队负责。普通的RAG往往只能检索与问题文本相似的段落，但当答案需要跨越不同人、公司、话题和主张进行连接时就会吃力。微软的GraphRAG就是这类工具的代表。

**Agent图（Agent Graph）**则关注"工作如何流动"：规划者把任务交给研究员，研究员并行工作，怀疑者检查结论，合成者合并，人类批准最终答案。

记住区别的最简单方式是：知识图谱帮AI理解信息如何连接，Agent图帮AI理解工作如何流动。最好的系统最终会两者兼用，但对创业者、创作者、运营者和小团队来说，Agent图是今天就能上手的版本。

微软GraphRAG是理解知识图谱价值的好案例。传统RAG（检索增强生成）把文档切成片段，通过向量相似度检索与问题最接近的段落，本质上是"找相似文字"。GraphRAG在此基础上，预先从文档中提取实体（人、公司、产品、事件）及其关系，构建成图结构。查询时不仅能找到直接相关的段落，还能沿图的边"游走"——例如从一个客户出发，找到他所在的公司，再找到该公司使用的产品，再找到相关的支持记录。这种多跳推理（Multi-hop Reasoning）在处理复杂调查报告、企业知识库或法律文件时，准确率显著高于普通RAG。代价是需要额外的图构建步骤，以及图数据库（如Neo4j）的存储与查询开销，因此适合信息关系复杂、需要跨文档推理的场景，而非所有检索任务。

什么时候该用图工程

判断规则很简单：当工作有多个步骤、多个来源、多条路径、需要检查、涉及风险或审批时，图思维才真正重要。

如果只是让AI给新项目起10个名字，或总结一封短邮件，你不需要图。但如果你要做深度调研、制定进入市场计划、处理支持工单分流、审查代码、准备销售电话、综合客户反馈或产出周期性内容，图工程的价值就会凸显。

更具体的三条标准：工作有多个步骤；部分步骤可以同时进行；最终输出在生效前需要检查。这形成一个"钻石"结构——从一个问题出发，分裂成多条并行路径，检查工作，再合并回一个答案。

以"是否该为Shopify商家做AI记账产品"为例：规划者先拆解出客户痛点、竞争格局、切入点、定价压力和风险；然后一个研究员深挖Shopify商家的记账痛点（他们用QuickBooks还是电子表格？是否报税时头疼？），另一个研究竞品，第三个研究分发渠道——这三项因互不依赖可并行。接着怀疑者追问：哪些主张真正有支撑？哪些证据已经过时？哪个竞品被忽略了？

这一步比人们以为的更重要。很多AI调研失败，是因为写答案的模型同时给答案打分——这就像让人写自己的绩效评估，然后惊讶于他把自己描述成"有远见的人"。在好的图里，检查是独立的一项工作。

从手动到自动：三个层级的落地路径

这里是人们最容易"用力过猛"的地方。你会在推特上看到有人第一天就上LangGraph、AutoGen或自定义Agent框架。但作者建议起点要简单得多。

第一层（初级）：手动运行。 给每项工作单独一条"泳道"：一条做客户调研，一条做竞品调研，一条做分发调研，检查泳道攻击证据，合并泳道产出建议。这就是最基础的图工程。虽然比全自动系统慢，但更容易理解。作者建议用Excalidraw或tldraw白板，把最终目标写在顶部，画出各个角色和箭头。第一步是"在自动化之前先画出这张图"。

第二层（中级）：让每一步写文件。 用Claude Code、Codex或一个代码仓库，规划者写plan.md，研究员写customer.md、competitors.md、distribution.md，怀疑者写review.md，合并步骤写recommendation.md。这样会留下一条清晰的"纸面轨迹"，可以对比版本、复用结构。

第三层（高级）：真正的编排工具。 LangGraph适合需要状态检查点、持久化和人机协作审批的场景；AutoGen GraphFlow适合有序步骤、并行、条件分支和循环的定向工作流；n8n、Make.com则适合工作流需要接触Slack、邮件、Airtable或CRM等日常业务系统时。

但核心观点是：工具不是重点，工具应该在工作流之后出现。 如果你自动化了一个你并不理解的工作流，得到的是一团乱麻；如果你先理解工作流，自动化就会变得显而易见。手动版本如果不能产出明显更好的成果，自动化只会更快地产出平庸的东西。

LangGraph、AutoGen和n8n代表了三种不同的设计哲学，选错工具会带来不必要的复杂度。LangGraph是LangChain团队推出的图编排框架，核心优势是"有状态的循环图"——节点可以循环执行、状态可以持久化到数据库、支持人机协作中断点（human-in-the-loop），适合需要条件分支、回溯或长期记忆的Agent系统，但学习曲线较陡。AutoGen是微软研究院的多Agent对话框架，适合多个Agent通过消息传递协作完成任务，GraphFlow是其结构化工作流的扩展，适合有明确顺序和并行的场景。n8n和Make.com则是"无代码/低代码"的可视化工作流工具，其价值在于与真实业务系统的连接器生态——Slack、Gmail、Notion、Salesforce等数百种集成开箱即用，对于不写代码的运营或创作团队，这是最低摩擦的自动化路径。

三个实战场景与一个常见误区

客户支持图：先分类问题（账单/产品困惑/Bug/流失风险）→检查账户上下文（新客户？高价值？是否投诉过？）→搜索文档或内部政策→起草回复→检查者审核准确性、语气和风险→人类批准任何涉及退款、账户变更、愤怒客户或法律风险的动作。

内容图：调研→提出论点→找案例→写钩子→起草脚本→检查者追问案例是否具体、节奏是否合适、写作是否像真人→分支出标题、缩略图、字幕、B-roll。

编程图：制定计划→一个Agent改代码→另一个审查diff→另一个跑测试→另一个在浏览器检查UI→另一个找边界情况→人类批准最终的PR。这基本上就是所有AI编程工具正在走的方向——写代码的模型只是工作流的一部分，杠杆在于规划、测试、审查和判断什么能安全上线。

要警惕的误区：更多Agent不等于更好的输出。 有时更多Agent意味着更多噪音，意味着五个AI自信地重复同一个错误想法，或者系统花在协调上的时间比思考还多。目标不是造最大的图，而是造能提升工作质量的最小的图。好的图应该消除"假等待"、把工人和检查者分开、在错误代价高昂处保留人工批准、在答案足够好时停止，并留下有用的状态。

图工程的复利：工作开始产生记忆

图工程真正被低估的价值，不只是让单个任务变好，而是让你的工作开始产生记忆。每次客户调研图都在积累更好的客户笔记，每次内容图都在积累更好的案例和受众洞察，每次支持图都在积累更好的产品反馈。图既产出工作，也产出让下一张图更聪明的记忆——这就是上下文成为护城河的地方。

如何开始？作者给出清晰路径：挑一个你每周已经在用AI跑的工作流；用一句话写出最终产出；列出一个优秀的人类会做的所有工作；在真正存在依赖的地方画箭头；在昂贵决策前加一个人工关卡；然后手动跑一遍。

跑完一次后，你看待AI的方式会变。你不再执着于"什么才是完美的提示词"，而是开始思考"什么才是完美的工作流"。这正是图工程值得关注的原因——它是提示词之后合乎逻辑的下一步。从AI使用者到"AI工作管理者"，你不再只是提示AI，而是在管理AI的工作。

这里的"记忆"在技术层面对应的是Agent系统中的长期记忆机制。与对话窗口关闭后状态即消失的短期记忆不同，长期记忆将每次运行的关键输出——客户洞察、有效论点、已排除的竞品——持久化到向量数据库或结构化存储中，供下一次同类任务检索调用。这使得工作流具有"学习效应"：第10次运行的客户调研图，能自动引用前9次积累的客户访谈摘要和失败假设，避免重复踩坑。从产品角度看，这正是个人或小团队能建立差异化护城河的机制——相同的LLM，谁的工作流积累了更多高质量的领域记忆，谁的输出质量就越高，且这种优势会随时间复利增长，难以被简单复制。