AI 编程从 Loop 走向 Graph：真正变化是协作结构

Loop Engineering 火起来，是因为它击中了 AI 编程里最现实的痛点：单轮对话不适合长任务。模型会忘、上下文会脏、人会疲惫，靠人不停补提示，最后会变成人工项目经理给 Agent 打工。

Graph 的讨论则把问题推进了一层。真正的长期任务不是一个循环跑到底，而是一组循环协同：规划循环、执行循环、测试循环、审计循环、发布循环，各自保留状态，又通过依赖关系连接。

循环是一种“继续工作”的协议

Ralph 这类早期做法很粗糙：让 Claude Code 一遍遍读任务、执行、更新计划，再用新的上下文继续跑。粗糙不代表没价值。它证明了一件事：当任务能被拆成可验证的小步，Agent 就不必每次都靠完整上下文。

后来 Codex、Claude Code、Hermes 等工具把这类模式产品化，本质都是把“完成条件”挂到会话上。普通提示是做下一步，goal/loop 是直到某个证据成立。

图是一种“谁负责什么”的协议

Loop 可以推迟架构设计，因为你可以先让一个 Agent 包揽所有工作。Graph 不允许这种模糊。它要求你定义节点、输入、输出、依赖、失败路径和权限。这个约束看起来麻烦，却正是生产系统需要的东西。

一个实际例子：代码迁移任务里，扫描节点发现可迁移文件，转换节点生成 patch，测试节点运行回归，审查节点检查风险，发布节点只在证据完整时推进。每个节点都可以是自己的循环，但整个任务不再靠一个 Agent 的临场判断维持。

组织图和工作图要分开

组织图稳定，像团队架构：前端、后端、测试、安全、运维各有长期上下文。工作图临时，像项目计划：当前 bug、当前迁移、当前发布需要哪些步骤。混在一起会让系统既难复用，又难追责。

这一区分对独立开发者也有用。哪怕只有一个人，也可以让不同 Agent 承担不同角色，避免“写代码的 Agent 同时证明自己没写错”。

下一阶段的能力不是会聊天，而是会编排

Agent 工具真正进入工程现场后，衡量标准会从“回答是否聪明”转成“流程是否可靠”。能不能恢复状态，能不能处理失败，能不能保留证据，能不能在预算耗尽前停下，能不能在高风险动作前请求确认，这些比提示词技巧更重要。

Loop 让开发者第一次看到长期 Agent 的可能性；Graph 则会决定它能不能进入真实团队。