Google AI开发者撰文解释“图工程”：用fan-out/join编排多智能体
一篇Google AI Developers的开发者文章称，“图工程”是把微服务式后端架构思路用于智能体编排：用严格schema的节点和fan-out、join、条件路由，替代让LLM在黑盒循环里自由游走，以找回可预测性和可调试性。
AI解读：这篇文章讨论的“图工程”不是一个新产品或新模型，而是一种把多智能体系统按图来编排的思路。作者最初的误解是把图和知识图谱、GraphRAG混为一谈，文章明确说这是两回事。
它要解决的具体问题是：把LLM放进一个循环、然后指望它自己收敛，开发者很难预测和排查。图工程的做法是让节点带严格schema，用fan-out、join、条件路由这类结构组织流程，作者形容这很像把微服务那套后端架构搬到智能体上。
文章给出的实例是一条自动PR审查流水线，并提到可以用Google的Agent Development Kit（ADK）来编排共享状态和严格schema，另有一个配套的动手Codelab。受影响的主要是正在搭多智能体流水线的开发者。
需要注意，这些表述来自一篇开发者博客，且原文只有摘要可供核对，没有公开的评测数据或效果指标，因此不能据此判断图工程在具体任务上比循环式智能体更好。
Google AI Developers发布的一篇文章讨论了“图工程”（graph engineering）这一说法。作者Tilde A. Thurium称，他最初以为这个词与知识图谱或GraphRAG有关，但实际并不是。
文章把图工程描述为一种对复杂AI系统施加控制的方式，并将其类比为把现代后端架构、尤其是微服务思路应用到智能体上。
文章区分agent harness、循环和图
根据文章摘要，内容首先澄清术语，说明agent harness、loop（循环）和graph（图）之间的实际差别。
文章随后给出一个真实场景示例：一条自动化的pull request（PR）审查流水线，使用fan-out、join和条件路由（conditional router）模式。
- 文章明确表示图工程与知识图谱、智能体集群（agent swarms）在本质上是不同的。
- 文章提到用Google的Agent Development Kit（ADK）来编排共享状态和严格schema。
- 摘要称还有一个配套的动手ADK Codelab可供参考。
作者称图工程带来可预测性和可调试性
文章作者称，他最在意的一点是：图工程感觉就是把现代后端架构——像微服务那样——应用到智能体上。
按照他的描述，做法是不再让LLM在一个黑盒循环里游走并寄望于结果，而是把节点配上严格schema，并用fan-out/join流水线组织，从而让软件工程师重新获得可预测性和可调试性。
这些是对图工程的定义和定位的描述，属于作者本人的表述；本次来源仅为文章摘要，未提供具体评测数据或性能指标。