来源 quote (codejunkie99/graph-engineering README): "Graph Engineering = 设计 AI agents 工作的结构, 不是 prompts. 1. Knowledge graphs = agents 记得什么 (entity, fact, relationship with time/provenance) 2. Task graphs = agents 怎么工作 (job nodes, execution dependencies, parallel fan-out, verifiers, stop rule, human gate) Prompt engineers 控制模型的话. Loop engineers 控制模型的迭代. Graph engineers 控制模型的拓扑."
Graph Engineering 是 2026 年 AI agent 工程领域的新学科. 它不是某个新框架, 也不是某个新论文, 而是一种设计思路的转变:
核心方法学有 2 个层次:
传统的 RAG 把文档切片 → embedding → 向量检索. 问题: 丢掉了实体关系. Knowledge Graph 把信息建模成图:
5 个标准步骤: ontology → extraction → fusion → serving → (持续更新).
传统的 agent loop 是 "1 个 agent → 思考 → 行动 → 观察". 问题: 慢, 容易卡, 难以并行. Task Graph 把工作流建模成图:
你 D+4 那套 LangGraph AI 投资决策系统 就是 Graph Engineering:
你不是学了一个新东西, 你一直在用. 现在只是有个名字了.
基于 4 个核心项目的真实用法 + 行业落地, Graph Engineering 主要解决6 类问题:
当你需要 5+ 个 agent 协同 (你 D+4 那套 7 维度 agent 就是典型), Task Graph 是唯一可维护的方案. Loop-only 写法的代码 100 行就崩, Graph 写法 1000 行还是清晰的.
当 LLM 上下文窗口不够, 或者成本太高 (每次塞 50K token), Knowledge Graph 做"压缩 + 检索": 把全量信息存成图, 只把当前任务需要的 subgraph 喂给 LLM. TrustGraph 的 "holonic context harness" 就是这个思路.
BCG X / Thermo Fisher / Lazada 这类决策建模岗位, 核心就是 Task Graph: 收集数据 (agent 1) → 验证 (agent 2) → 假设 (agent 3) → 验证 (agent 4) → 人类审核 (human gate) → 输出. 没有 Graph, 这种决策 5 个 agent 会写成一团乱麻.
大公司 10+ 个系统的数据, 用 Graph 统一建模. 这不是新东西, 但 2026 年因为 LLM 让 "extraction → fusion" 变得可行. trustgraph 在这方向很强.
Bytedance 的 DeerFlow 3.0 = 把"研究 → 写代码 → 调试 → 测试 → 提交" 做成 graph. 这就是 GitHub 上 earendil-works/pi 那种 AI agent CLI 做的事.
你 D+7 发的 4 篇 Loop Engineering 文章, 本身就是 Research Agent 跑出来的. 如果把这种工作做成 Task Graph (搜索 → 摘要 → 评分 → 写文), 可以扩展到 10+ 个主题并行跑.
最热的应用: 1 (Multi-Agent) + 3 (决策建模, 你目标岗位). 次热: 2 (TrustGraph), 4 (跨组织), 5 (Coding Agent). 实验性: 6 (Research Agent).
基于 4 个项目的真实问题 + 行业讨论, 3 层风险:
如果你想做 Graph Engineering 项目放到简历, 重点讲 "应用 + 业务价值", 不要讲 "用了 X 框架". HR / 招聘官听不懂 LangGraph, 听得懂 "帮决策提速 50%" / "准确率从 60% 到 80%".
| 项目 | ★ | 语言 | 定位 | 核心概念 |
|---|---|---|---|---|
| langchain-ai/langgraph | 39.5K | Python | Task Graph 事实标准 | StateGraph / fan-out / checkpoint |
| trustgraph-ai/trustgraph | 2.5K | Python | Knowledge Graph + Context | holonic context / ontology / extraction |
| deerwork-ai/deer-workflow | 433 | TypeScript | Task Graph runtime (Bytedance) | Dynamic Workflow / observable |
| codejunkie99/graph-engineering | 376 | Claude Skill | Graph Engineering 理论定义 | Knowledge + Task Graph 统一 |
from langgraph.graph import StateGraph
from typing import TypedDict
class State(TypedDict):
query: str
data: dict
score: float
def analyst_1(state: State):
# Fan-out 节点: 收集数据
state['data'] = fetch_real_time(state['query'])
return state
def analyst_2(state: State):
# Verifier 节点: 验证数据
assert check_quality(state['data'])
return state
def scorer(state: State):
# Scoring 节点: 打分
state['score'] = compute_score(state['data'])
return state
# 拓扑: analyst_1 → analyst_2 → scorer
graph = StateGraph(State)
graph.add_node('collect', analyst_1)
graph.add_node('verify', analyst_2)
graph.add_node('score', scorer)
graph.add_edge('collect', 'verify') # 边
graph.add_edge('verify', 'score')
graph.set_entry_point('collect')
graph.set_finish_point('score')
app = graph.compile()
result = app.invoke({'query': '000001', 'data': {}, 'score': 0})from trustgraph import KnowledgeGraph
kg = KnowledgeGraph(
ontology='company', # 用 ontology 模板
extraction_model='claude-sonnet-4',
fusion_strategy='merge-with-provenance',
)
# 自动从文档抽取 entities + relationships
kg.extract('https://company.com/annual-report.pdf')
# 输出: nodes (公司, 人, 事件) + edges (雇佣, 投资, 收购, 都带时间戳)
# 检索
subgraph = kg.query('平安银行 2024 年投资过哪些 AI 公司')
# 返回: 子图 (平安银行 → 投资 → AI 公司) + provenance (来源 PDF)# 你 D+4 实战踩过: 如果不用 stop rule, agent 永远跑
from langgraph.graph import StateGraph
class State(TypedDict):
iteration: int
quality: float
max_cost_usd: float
def should_stop(state: State) -> str:
if state['iteration'] >= 10:
return 'end' # 最多 10 轮
if state['quality'] > 0.85:
return 'end' # 质量够了
if state['max_cost_usd'] > 5.0:
return 'end' # 成本爆了
return 'continue'
graph.add_conditional_edges('verifier', should_stop, {
'continue': 'refiner',
'end': END,
})pip install langgraph — 你 D+4 已装, 升级到 v0.3+ 看新特性pip install trustgraph + 申请 Playground 试用bun install @deerwork-ai/deer-workflow + 看 examples/你 D+4 那套 LangGraph AI 投资系统, 现在可以重新解读:
简历怎么写: "用 Graph Engineering 方法学构建 7 维度 AI 投资决策系统, 量化回测年化 X%, Sharpe Y" — 比 "用 LangGraph 跑 agent" 高 10 倍.
Graph Engineering = AI agent 工程的下一阶段. 你 D+4 已经在用, 现在只是有了名字和理论.
4 个核心 takeaway:
本研究基于 GitHub API 元数据 + 4 个项目 README (2026-08-12 抓取). 所有 stars / 描述 / 概念来自官方仓库. 诚实标注: 代码示例为简化版, 实际 API 可能有版本差异.