“The hype is in the name, not in the problem. 当 AI 从一个 Agent 变成多个自主计算单元时，如何组织它们？这是一个真实的问题。”

—— 2026 年 8 月，社区对 Graph Engineering 的反思

引言：当一个循环不再足够

如果你一直在追踪 AI Agent 的架构演进，你会发现我们正在经历一场快速的范式推演。从优化单次提示的 Prompt Engineering，到组装上下文窗口的 Context Engineering；从构建模型运行环境的 Harness Engineering，到设计单一 Agent 自我纠错周期的 Loop Engineering。

但在 2026 年中，当开发者们试图将 Agent 系统推向真实的生产环境时，他们撞上了一堵墙。当一个任务复杂到需要研究、编码、安全审查和测试时，如果把这些全都塞进一个 Agent 的循环（Loop）里，上下文会迅速沦为充满 HTML 碎片和废弃草稿的"沼泽（Context Swamp）" [1]。Agent 会在同一个上下文里既写代码又做代码审查，最终陷入"自我肯定"的幻觉，或者在无尽的重试中烧光 Token 预算 [2]。

社区意识到：单体循环（Loop）已经到达了它的认知极限。

2026 年 7 月，OpenClaw 的创建者 Peter Steinberger 在 X 上抛出了一个引发全网共鸣的问题：“我们还在谈论 Loops 吗，还是已经转向 Graphs 了？” [3]。一时间，Graph Engineering（图工程） 成为最热门的架构词汇。

但当炒作退去，我们发现 Graph Engineering 并不是什么凭空出现的魔法。它在本质上是将组织行为学、分布式系统与图论结合，把多智能体协作当成可编程的组织（Programmable Organization）来设计 [4]。

本文将作为《Harness Engineering》与《Loop Engineering》的递进篇，深入剖析 Graph Engineering 的底层逻辑。我们将剥离概念炒作，探讨它与组织架构的同构性，它与 Harness 中 DAG（有向无环图）的本质差异，并给出真实的实用性判断与最佳实践。

“我已经不再直接提示 Claude 了。我编写循环来提示 Claude。我的工作是写循环。”

—— Boris Cherny，Claude Code 创建者，2026

引言：从写提示词到写循环

如果你身处 2026 年中期的 AI 开发者社区，你绝对无法避开一个词：Loop Engineering（循环工程）。

Anthropic 的 Claude Code 创建者 Boris Cherny 公开宣称自己的工作已经从"提示模型"变成了"编写提示模型的循环" [1]。紧接着，OpenClaw 的创建者 Peter Steinberger 更是呼吁大家停止提示编程智能体，转而设计能够提示智能体的循环 [2]。一时间，“提示词工程已死，循环工程才是未来"成为社区中最响亮的口号。

但当炒作退去、工程师们开始在生产环境中真正构建这些系统时，我们发现：循环工程并不是什么全新的魔法，它是软件工程、控制论以及经典 PDCA 循环在自主 AI 时代的一次技术重构。 它真正的新意不在于"迭代"这个理念本身，而在于循环第一次成为了一种可以被刻意设计、版本化和审查的软件制品。

本文将系统梳理循环工程的核心概念，深入分析它与 Harness Engineering 的分工关系、它在控制论中的前世，以及它在软件开发与科学发现两类截然不同场景下的形态差异；同时也会剥离炒作，审视它被掩盖的工程代价与未来的演进方向。

“如果 Agent = Model + Harness，而你不是模型本身，那么你就是 Harness 的一部分。”

—— Viv Trivedy，LangChain，2026

引言：一匹需要缰绳的马

2026 年初，HashiCorp 联合创始人 Mitchell Hashimoto 在记录自己 AI 使用历程的博客中，提出了一个简洁而深刻的工程原则：每当智能体（Agent）犯错时，工程师的职责不是"重试"，而是"构建一个让 Agent 永远不再犯同类错误的解决方案" [1]。这个原则，被后来的社区命名为 Harness Engineering（驾驭工程）。

随后，OpenAI 工程师 Ryan Lopopolo 发表了一篇里程碑式的文章，记录了他的团队如何用 5 个月时间、3 名工程师、0 行手写代码，通过 Codex 构建了一个拥有约 100 万行代码的内部产品 [2]。Martin Fowler 则从软件工程方法论的角度，对这一范式进行了系统性阐述 [3]。

“Harness” 的字面意思是马具（缰绳、鞍具）。这个比喻极为贴切：大语言模型（LLM）就像一匹蛮力十足但方向感不稳的马，Harness 的作用是把它的能量引导到正确的方向上。Harness Engineering 并不优化模型本身，而是优化模型运行的环境。

本文将系统梳理 Harness Engineering 的核心概念，并深入分析它与传统软件工程文档体系、Claude Code 架构，以及 AI 时代人类工程师不可替代价值之间的关系。

数字生物制造（Digital Biomanufacturing）是将人工智能、计算模拟、大数据分析与生物工程深度融合的新兴交叉领域。其核心目标是实现从分子到细胞、组织乃至整个生物体的"设计-构建-测试-学习"（DBTL）闭环，大幅缩短研发周期、降低实验成本，并推动生物药物、工业酶、细胞治疗、合成生物等产业的智能化升级。

A quick reference (mostly to my future self) for adding a new note here, and how the Notes section indexes them automatically.

We all feel the firehose: thousands of papers a month, every field moving at once, and no honest way to tell a genuine wave from your own reading bias. So I built a small family of tools that answer one question with data instead of vibes:

Which research topics are rising, which are fading, and what are the papers behind the trend?