15 所机构联合提出「图工程」：下一代 AI Agent 的系统工程新范式

围绕自主 LLM Agent 的工程实践，研究者已逐步形成一套相对清晰的技术体系：Prompt Engineering 激发模型能力，Context Engineering 组织信息访问，Harness Engineering 连接工具、记忆与外部资源，Loop Engineering 则通过规划、行动、观察和反馈让 Agent 持续执行任务。然而，当任务同时涉及异构专业知识、彼此依赖的子任务、可并行的分支、独立验证环节以及跨长时间的状态维护时，将这些复杂性全部压缩进单一上下文与单一控制循环，已难以有效应对任务本身的组织复杂性。

为应对这一结构性瓶颈，来自吉林大学、厦门大学等 15 个研究机构的学者联合发表论文，提出「图工程」（Graph Engineering），主张将图结构作为构建下一代 Agent 系统的核心工程基础。与以往主要优化个体交互或 Agent 层级行为的范式不同，Graph Engineering 构建明确、动态且不断演化的图结构来表示任务、Agent 和系统状态，为组织复杂目标、协调异构 Agent、建模系统动态以及实现可扩展的 Agent 演化提供统一基础。

从「个体智能」走向「系统智能」

在单个模型层面，预训练与后训练将知识、推理和决策能力编码进参数；Prompt Engineering 与 Context Engineering 告诉模型该做什么、能用什么信息；Harness Engineering 将模型接入工具、知识库、记忆与执行环境；Loop Engineering 则把这些能力组织成持续运行的流程。一个能自主完成任务的 Agent，可视为由 LLM、Harness 和 Loop 共同构成的系统。

尽管个体智能（Individual Intelligence）持续进步，这一基本单元在调度并行且相互依赖的任务、整合异构能力、维护运行时状态方面仍存在固有局限。学界因此推动智能向下一阶段演进——系统智能（System Intelligence），让多个具备互补能力的 Agent 围绕共同目标形成自适应整体。

图工程如何组织系统智能

系统智能的关键并非简单聚合多个 Agent，而在于如何对任务、组件与运行时状态之间的关系进行显式表示、约束与优化。图（graph）为建模系统层面的关系提供了自然结构。论文将图工程划分为三个相互连接的层面：任务组织、智能体协调与运行时状态管理。

任务组织（Task Organization）：通过目标分解将高层目标展开为子目标图，边表示先后顺序、数据依赖与逻辑关系；再经工作流优化编译为由 LLM、专业 Agent、检索模块、工具、记忆操作、聚合器与验证器组成的可执行图。该过程在目标分解、流程编译与执行反馈之间持续迭代。
智能体协调（Agent Coordination）：将 Agent、技能、工具、模型与资源表示为节点，用带类型的边记录能力归属、资源访问、权限与可靠性。团队图规定任务归属、委派路径与审查责任，通信关系描述执行过程中的信息交换与反馈路由，并在高风险任务中将人类作为图中的显式参与者。
运行时状态管理（Runtime State Management）：记录每次状态变化的内容、来源与版本，对共享状态更新施加约束；当任务出现异常时根据执行记录、依赖关系与外部证据定位最早无效状态，并选择明确边界进行修复，必要时切换执行分支或补偿外部操作。

此外，论文还提出 System Evolution 概念，强调从非固定结构开始积累组织经验，并将运行时适应与持久化系统演化严格区分。

面临的挑战与未来方向

研究团队指出，当前图工程仍面临以下关键挑战：

图原生能力底座：记忆库、技能库、工具注册表与模型服务彼此分离，需构建统一能力图，将模型、工具、技能、记忆、数据源、验证器与执行环境表示为带类型节点，并在任务图、Agent 图与状态图之间建立连接。
自演化图系统：需要回答哪条任务依赖、哪种 Agent 关系或哪项能力分配导致成功或失败，并配套来源记录、版本控制、验证、回放与回滚机制。
图原生 Agent 操作系统：现有技术栈将模型服务、Harness、工作流引擎、记忆系统、多 Agent 框架与状态存储拆分使用，作者设想把任务、Agent、能力与运行状态作为一等系统对象，通过类型化、版本化的图统一管理。
隐私与伦理：多 Agent 协调会扩大隐私风险与责任归属难度，需要隐私保护的状态管理、范围明确的权限、带来源的日志与有效的人类监督。

图工程之后：本体工程

论文最后展望了「本体工程」（Ontology Engineering）作为图工程的下一阶段。本体工程试图建立机器可解释的共享模型，规定系统中有哪些实体、实体之间的关系意味着什么、哪些约束必须成立，以及哪些结论可从已有信息中推导出来。研究团队建议采用分层模块化本体结构：核心本体定义基本概念，专业模块描述目标与价值、Agent 与能力、观察与证据、行动与状态、评估标准等，领域本体则服务于具体应用。这样可以在不要求所有系统使用单一庞大模型的前提下，形成对目标、Agent、能力、证据、策略、状态与结果的一致定义，为系统智能的测量与比较提供共同语义基础。