循环工程落幕？AI编程范式向图架构跃迁的底层逻辑
范式转移的临界点
2026年7月18日，X平台上一句简短的提问“我们还在讨论循环，还是已经转向图了？”引发了全球开发者社区的剧烈震荡。这条由Peter Steinberger发布的推文，在短短两天内斩获260万次浏览，其背后折射出的并非仅仅是流量的波动，而是AI编程领域底层逻辑的根本性重构。回顾半年前，他提出的“设计能提示Agent的循环”曾以840万浏览量确立了“循环工程”的热度，而如今的转向，标志着这一阶段性的技术红利正在被更复杂的架构需求所取代。
这种范式的快速迭代，并非偶然。它源于开发者在面对日益复杂的AI任务时，对确定性和可维护性需求的不断升级。从最初的简单提示工程，到后来通过循环突破上下文窗口限制的“循环工程”，再到如今追求结构化协作的“图架构”，AI编程的能力重心正在持续上移。开发者不再仅仅关注如何与单个模型对话，而是开始思考如何设计Agent之间的协作拓扑。这一过程既是技术演进的必然，也是工业级AI应用落地的必经之路。
循环工程的起源与局限
要理解为何“图”成为下一个焦点，首先需要回顾“循环工程”为何兴起。这一概念的雏形可追溯至2025年7月，软件工程师Geoffrey Huntley提出的“Ralph”方法。当时，大语言模型的上下文窗口限制在20万Token左右，面对复杂任务时，单次交互极易导致信息遗忘或逻辑偏差。
Ralph方法的核心智慧在于“化整为零”与“状态持久化”。通过一个简单的Bash循环 while :; do cat PROMPT.md | claude-code ; done，开发者让Claude不断执行任务，直至目标达成。其关键机制在于：将已完成的工作以压缩形式（如日志或更新后的计划）保存到文件系统中，每次启动新的Agent实例时仅加载最新状态，从而最大限度地减少“上下文腐化”。Huntley用该方法成功从零构建了一门编程语言，验证了这种异步、迭代式交互的可行性。
随后，Anthropic和OpenAI的核心开发者进一步推动了这一概念的产品化。Boris Cherny在Anthropic开发者大会上公开表示，他的工作重心已从编写提示词转向编写循环，由循环来驱动Agent并判断下一步动作。前Google工程师Addy Osmani则将这一概念总结为“循环工程”，即开发者退出直接提示的位置，转而设计一个自动化的执行系统。
2026年4月至5月，随着Codex、Claude Code等工具相继推出/goal命令，循环工程正式进入基础设施层。Codex的文档明确区分了普通提示与目标指令的区别：普通提示是“接下来做这件事”，而Goal是“继续工作，直到这个结果成立”。这种机制允许Agent在激活状态下，基于证据自动判断任务完成度，并持续迭代。例如，在优化结账接口性能时，Agent可以自主拆分任务、运行测试，直到p95延迟降至120毫秒以下。
然而，循环工程的繁荣也暴露了其固有的局限性。循环结构本质上是一种线性的、延后决策的模式。它允许开发者先让一个Agent包揽所有工作，直到其处理能力触及边界。这种“先运行，后治理”的方式在处理简单任务时高效灵活，但在面对大规模、高复杂度的系统工程时，缺乏对依赖关系、异常分支和资源调度的全局掌控能力。
图架构：从行为编程到组织编程
Peter Steinberger所指的“图”，并非简单的图表展示，而是一种更为严谨的架构范式。正如社区用户Luis Catacora所言：“循环有很大的容错空间，而图会迫使你承认工作流中有多少部分根本没有被真正建模。”这句话精准地指出了两者的本质区别：循环是延期决策，图是提前决策。
Google高级AI产品经理Shubham Saboo对这一演进提供了更精细的拆解。他认为，生产级的多Agent系统必须同时运行两张图：组织图（Org Graph）和工作图（Work Graph）。
组织图定义了“谁负责什么”。它由长期存在的Agent组成，每个Agent拥有固定的领域职责、上下文记忆、专业能力和工具权限。这种结构相对稳定，类似于企业的组织架构。例如，在一个代码迁移项目中，可以设立“前端适配Agent”、“后端逻辑重构Agent”和“测试验证Agent”，它们各自驻守在特定领域，保持长期的专业积累。
工作图则定义了“现在要做什么”。它是动态生成的，根据任务需求和实时证据进行拆分、合并、重新排序或直接取消。工作图更像是一个实时调整的项目计划，负责协调各个组织节点之间的协作。Preston Holmes进一步指出，这两张图运行在不同的时间尺度上：组织图预先设计并部署，工作图针对特定任务动态生成并在使用后丢弃。
如果说循环让Agent的行为变得可编程，那么图让Agent的组织变得可编程。在图架构下，开发者需要预先声明整个协作结构：谁负责执行哪些子任务，任务之间的依赖关系如何，某个分支失败后该如何回滚或重试。这种前置的结构化设计，虽然增加了初期的建模成本，却极大地提升了系统的可维护性、可调试性和鲁棒性。
实战案例：从线性循环到动态图谱
让我们通过一个具体的代码迁移场景，对比两种范式在实际应用中的差异。创业公司创始人Rafel Mendiola需要将一个庞大的React应用迁移至React Native。在传统或循环工程范式下，他可能需要创建大量的工单，或者依赖一个超级Agent在循环中不断试错。即便使用Skill和Cron定时任务来自动化循环，仍难以应对代码间复杂的隐性依赖和突发的构建失败。
而在图架构范式下，解决方案显得更为清晰和稳健。首先，定义组织图：创建专门的“AST解析Agent”负责分析代码结构，“组件转换Agent”负责UI迁移，“接口适配Agent”负责处理API差异。这些Agent拥有长期的上下文记忆，能够积累迁移过程中的模式识别能力。
接着，构建动态工作图：基于AST解析的结果，自动生成迁移任务节点。如果“组件转换Agent”发现某个组件逻辑过于复杂，无法直接转换，它会向工作图发出信号，触发“逻辑重构Agent”介入。同时，工作图实时跟踪进度，一旦某个分支任务失败，自动启动重试机制或降级策略，而不是像循环那样盲目重试直至耗尽预算。
这种架构不仅降低了开发者的认知负荷，还实现了真正的并行处理。各个Agent在各自的领域内高效工作，通过工作图的协调达成整体目标。更重要的是，由于结构预先建模，任何阶段的失败都能迅速定位到具体的节点和Agent，从而进行精准的修复和优化。
动态重组：未来的终极形态
图架构的演进并未止步于此。当前的讨论已经开始指向更高阶的形态：动态Agent组织。在这一阶段，图结构本身不再是静态定义的，而是可以根据任务执行过程中的新证据，自行改写自身结构。
这意味着Agent不仅具备执行任务的能力，还具备反思和重构协作模式的能力。例如，当一个复杂任务被拆解后，Agent发现现有的组织节点无法高效协作，它可以动态创建新的临时Agent角色，或者合并现有的节点以优化流程。这种自我组织的特性，使得AI系统能够适应更加不确定和多变的环境，展现出类似生物进化的适应性。
从写好Prompt，到设计Loop，再到构建Graph，AI编程的发展轨迹清晰地表明：自动化程度越高，对系统设计的要求就越严苛。开发者正逐渐从“提示工程师”转变为“AI架构师”。他们不再需要关心如何与单个模型博弈，而是需要思考如何设计Agent之间的协作拓扑、依赖关系和容错机制。
这一转变也带来了新的挑战。图架构的设计复杂度远高于循环，要求开发者具备更强的系统工程思维和抽象能力。此外，如何平衡图的预先建模成本与动态灵活性，如何在保证确定性的同时保留Agent的创造力，仍是业界正在探索的前沿课题。
无论如何，从循环到图的跃迁，标志着AI编程已经告别了野蛮生长的草莽时代，进入了系统化、工程化的成熟阶段。未来的竞争，将不再局限于模型能力的比拼，而在于谁能更高效、更智能地组织这些智能体，构建出真正具备生产力的AI应用生态。对于开发者而言，掌握图架构的设计思维，将是通往下一个AI时代的关键钥匙。