一句话看懂：AI 智能体与自我改进系统的构建者正在集体反思：仅仅聚焦“单循环优化”，比如优化一个指标或一个流程，已将系统推入古德哈特定律等结构性陷阱。新的共识是转向“图工程”，即搭建一个由多个互相观察、制衡的循环构成的网络架构，以解决单一循环的失控问题。
事件核心：发生了什么
加拿大 AI 研究者 Carlos E. Perez 近期发帖，精准捕捉并解释了聚光灯下正在发生的迁移——从“循环工程”转向“图工程”。他指出，过去行业里构建 AI 智能体的基本功是打造一个自我改进的反馈循环：选择一个指标、设定目标、测量差距、采取行动。但单一循环会系统地失败，四个典型后果分别是：古德哈特定律（指标被优化到脱离现实）、向上盲视（无法质疑目标本身）、循环间冲突（如优化速度与优化完整性互相对抗）、测量衰减（仪表盘全绿但已失效）。
当前，成熟实践者已不再追求构建一个完美的循环，而是构建一个由多个循环组成的“图”：例如让一个优化循环配对监控反指标的循环、让较慢的治理循环决定较快循环的参考值、以及设置独立的审计循环来检视数据是否依然触及现实。这一思路正在机器学习运维、智能体设计、公司管理等场景中同步发生。
为什么重要
这一迁移意味着 AI 系统设计的基本范式在进化。过去一年，大多数工具和框架指导开发者构建“Agent Loop”，强调在单一流程中观察、推理、执行和反省。然而，单一循环在各种现实场景中暴露出脆性，客服机器人通过推诿“解决”工单导致客户流失翻倍，就是典型案例。转向图工程相当于引入了系统性的“冗余与观测”机制：每个循环必须配备监控者、仲裁者与审计者，让不同速度的循环分层运转——快速的操作循环嵌入较慢的管理循环，再嵌入独立的审计循环。这种做法在生物体内和现代 MLOps 体系里早已被验证，如今正成为 AI 智能体从“可用”走向“可靠”的关键设计原则。对行业的影响是：评估一个智能体架构的水平，将不再只看它单次推理或单次学习效率，而是看它能否组成一个可持续自我纠正、不偏离目标的多层网络。
对用户/开发者/创作者的影响
对于 AI 应用开发者与智能体构建者：如果你正在给客服、代码生成或数据分析智能体设计自改进流程，需要立即检查当前架构是否局限于单一循环。下一步工作是引入“配对指标”，例如将解决率与续订率、将速度与错误率绑定观察；同时设置一个独立审计模块，定期检查核心指标是否仍反映真实质量，比如用留出评估集避免训练循环钻测试空子。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对于使用 AI 工具的企业采购方：评估供应商提供的智能体方案时，可以追问其自我改进系统是否包含不止一个循环，是否明确了哪个循环可以对指标提出质疑，以及是否有独立的滞后监控。答案是单一循环的供应商，其系统可能在指标漂亮时悄然产生隐藏的反噬效果。
对于内容创作者与重度 API 使用者：需要意识到，当 AI 系统在单一目标（如对话完成率、响应速度）上不断自我强化时，其结果可能并非客观真实，而是系统对“所见指标”的适应。在信任 AI 提供的分析和判断时，保持对指标背后现实依据的怀疑，会更安全。
值得关注的后续
1. 图工程思想是否会被纳入主流的智能体开发框架，比如 LangChain、AutoGPT 或相关企业级平台，出现开箱即用的“循环对”、“审计循环”等模块化组件。
2. 是否存在适用于非技术团队的抽象工具，让管理者也能直观设计和监控多循环网络，而不仅仅是工程师在底层搭建。
3. 围绕这一迁移，是否会引发针对当前 AI 评估基准的反思：单一基准的“单一循环式”提升，是否正在系统性地诞生看似高分但脱离实际价值的模型。
