DAG
有向无环图，是AI工作流编排中常用的数据结构模型，用于描述任务节点之间的依赖关系和执行顺序，是LangGraph、Dify等工作流平台的核心抽象基础
核心事实
时间轴 (近 90 天)
Workflow本质是有限状态机或DAG（有向无环图）的工程化表达，路径在运行前已被开发者穷举。
动态工作流允许在运行时根据中间结果调整后续步骤，与静态DAG不同。
LangChain 的链本质上是一个有向无环图（DAG）的特例，数据从输入端流向输出端不会回头
在Dify语境里，工作流本质上是一张有向无环图（DAG），每个节点代表一个独立操作
n8n 采用节点式架构，节点之间通过有向连线传递数据，构成有向无环图（DAG），支持条件分支、循环迭代和并行处理
节点图结构在计算机科学中称为有向无环图（DAG, Directed Acyclic Graph），有向指依赖关系有明确方向，无环指不允许循环依赖
DAG 是构建工具（如 Make、Gradle）、CI/CD 流水线、Apache Airflow 等工作流系统的底层数学基础
传统自动化采用有向无环图（DAG）结构，路径在设计时就已固定，而智能体的执行路径是运行时动态生成的
LangChain 的核心抽象是 Chain，本质上是一条有向无环图（DAG）
Apache Airflow 使用 DAG 定义来描述步骤依赖
还有 38 条时间轴事件
全部知识事实 (20)
LangGraph支持带状态的循环图（Cyclic Graph），区别于纯DAG，这对需要反复迭代的Agent推理循环至关重要
80%已验证ComfyUI是一个基于节点式工作流的Stable Diffusion图形界面工具，用户可以通过拖拽和连接不同功能节点来构建自定义的图像处理流程
80%已验证Apache Airflow和Prefect等数据编排工具都基于DAG模型
80%已验证LangGraph基于有向图的状态机模型，提供更精细的流程控制能力
80%已验证DAG的有向无环特性保证任务按拓扑顺序执行且不产生循环依赖，是Apache Airflow、Prefect等工作流引擎的核心设计
75%已验证LangGraph将Agent执行逻辑抽象成有向图，支持含环图，而传统工作流工具如Apache Airflow通常只支持有向无环图（DAG）
75%已验证n8n的核心架构基于有向无环图（DAG）模型，数据以JSON格式在节点间流转
70%已验证ComfyUI采用有向无环图（DAG）架构，用户通过连接不同功能节点来构建处理管线
70%已验证DAG的无环特性通过拓扑排序算法确定性地推导出唯一合法的执行顺序，从根本上杜绝死锁
65%已验证工作流是一种将多个处理步骤串联成有向无环图（DAG）的编排机制
65%已验证有向无环图（DAG）是一种图论结构，节点代表任务单元，有向边代表依赖关系，无环特性确保任务执行不会陷入死锁
65%待验证n8n的工作流模型基于DAG（有向无环图）数据结构，流程结构在执行前就已固定
85%待验证工作流在技术层面对应DAG（有向无环图）任务编排，定义了智能体完成任务的步骤序列
85%待验证自然语言驱动的工作流构建本质上是意图理解、任务分解、节点编排的三阶段过程，节点编排成有向无环图（DAG）形式
85%待验证Workflow Agent基于有向无环图（DAG）或状态机将业务流程拆解为节点，每个节点可调用LLM推理、API接口或数据库查询
85%待验证Dify 的工作流编排采用有向无环图（DAG）结构，以节点连线方式定义数据流转逻辑
60%待验证ComfyUI采用有向无环图（DAG）架构，其执行器会自动分析图的拓扑结构，只重新计算发生变化的节点分支（增量执行）
60%待验证DAG支持拓扑排序，使每条有向边(u,v)中u出现在v之前，保证依赖关系有序处理且无循环依赖
60%待验证Dify 和 n8n 底层均采用有向无环图（DAG）结构描述任务依赖关系，而 ComfyUI 允许出现循环节点以支持迭代优化类工作流
60%待验证现代因果理论主要由统计学家 Judea Pearl 体系化，核心工具包括因果图（DAG）、do演算和反事实推理框架
60%