Graph Engineering：来自Anthropic 的真实落地实践

事件核心：发生了什么

社区帖子分享了 Anthropic 的图工程实践。核心判断是：智能体在短任务上表现正常，但面对跨文件重构、代码迁移或长时间研究任务时，会逐渐“漂移”——忘记之前的决定、修好一个文件又弄坏另一个，重启后又从头开始。问题不是模型能力，而是工作组织方式。

图工程的做法是，把智能体从“模型自行循环”改成“外部定义的图”。模型仍然负责思考和调用工具，但步骤、节点连接、状态存储都由开发者预先定义；部分节点不需要模型，直接用脚本、编译器或测试套件完成。

具体案例有两个。Anthropic 工程师 Jarred Sumner 用不到两周时间，把 Bun 从 Zig 移植到 Rust，涉及约一百万行代码，合并前完整测试套件在 CI 中通过，后续暴露的十九个回归问题也全部修复，Rust 版本六月已进入 Claude Code。另一例是 Mike Krieger，用一个周末把 Python 代码库迁移成 165,000 行 TypeScript，期间使用数百个智能体、八个阶段门、三轮对抗式审查，并逐条比对命令输出。Bun 迁移消耗约 59 亿未缓存输入 token 和 6.9 亿输出 token，按 API 价格折算约 16.5 万美元。

为什么重要

图工程的价值在于把“完成判断”从模型的心情变成机器的验证。传统循环中，模型自己决定是否结束，用户只能看到输入输出，中间过程不可审计；图结构则让失败发生在有名字的节点里，状态落在磁盘上，独立分支可以并行，枯燥环节可以用确定性脚本替代模型。

这也是对“长任务智能体”这一概念的务实校准。Anthropic 的实践没有引入新架构，而是用队列、阶段门、审查者这些常见工程手段，把模型放入可控流程。公开的 token 和成本数据说明，这种方式不是免费魔法，而是一种可以估算、可以复制的工程方法。

对用户/开发者/创作者的影响

对开发者来说，核心转变是：先写判定器，再写任务

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。

了解 GamsGo AI

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。