作者：王林Lincoln | MindsLeap创始人 | Founders Space合伙人 | 企业家AI俱乐部创始人
本文由Lincoln根据 Function Form 频道 2026 年 8 月 16 日发布的视频《Andrew Ng 2-hour course covering graph engineering: 1 prompt to 100 agents to loops to graphs》进行解读。
“相比之下，AI智能体工作流会让 AI 采用一种更加迭代的工作方式。”
吴恩达在讲 Graph Engineering 时，先把 AI智能体和普通聊天机器人之间的差别说得很直接。
普通模型的工作方式，通常是一问一答：你给它一个 Prompt，它给你一个结果。AI智能体则不一样，它需要先判断下一步做什么，调用工具，检查结果，必要时换一条路径，最后把任务推进到一个可以交付的状态。
但要理解这堂课，不能把 Graph Engineering 只当成一个新名词。它真正要解决的问题是：怎样把一次复杂任务，工程化成一张能够执行、判断、回退和持续推进的图。
Graph Engineering 到底在工程什么
Graph Engineering 不是给模型换一个名字，也不只是把几个 Prompt 画成流程图。
它是在工程上把一项任务拆成若干个节点，再用边把这些节点连接起来。节点可以是一次模型调用，也可以是搜索、计算、数据库查询这样的普通程序；边可以是固定路径，也可以根据当前结果决定下一步走向；状态则记录任务已经做到哪里、看到了什么、还缺什么。
当这张图允许循环时，智能体就不必沿着一条直线从输入走到输出。它可以在结果不够好时回到前一步，在工具失效时切换路径，在高风险动作前停下来等待人的批准。
Harrison Chase 在课程中说：
“这些智能体及其行为是由一个循环图定义的。”
这句话是理解 Graph Engineering 的钥匙。
Prompt Engineering 解决的是“怎样让模型更好地回答一次”；普通工作流解决的是“怎样把几个步骤串起来”；Graph Engineering 进一步解决的是“当现实不按计划发生时，系统怎样知道下一步该做什么”。
所以，Graph Engineering 改变的首先不是模型，而是流程的形状。AI 正在从一个回答问题的界面，变成一套能够持续推进工作的流程。
搜索接口失效以后，它没有停下来
课程里有一个很小、却很说明问题的演示。
吴恩达让智能体调用搜索 API，为一篇文章寻找资料。接口突然失效了。对一个普通的单轮 Prompt 来说，任务大概率就停在这里：要么返回错误，要么在没有资料的情况下继续生成一个看似完整的答案。
但这个智能体没有把“工具失败”当成“任务失败”。它识别出原来的搜索工具不可用，转而调用备用的 Wikipedia 搜索，重新获得上下文，继续把文章完成。
这个细节真正说明的是：智能体的价值不在于它永远不犯错，而在于它能不能把错误识别成流程中的一个状态，并据此选择下一步。
这和今天很多企业里的 AI 应用有很大区别。很多应用其实只是把一个 Prompt 接到了一个模型上，模型答得好，应用就显得聪明；模型答不出来，整套系统就一起失效。
更成熟的系统，会提前设计好失败、重试、替代工具和人工接管。它不是要求模型永远正确，而是让一次错误不会立刻摧毁整个任务。
先别急着部署一百个智能体
视频里还有一个更简单的例子：计算一只 Border Collie 和一只 Scottish Terrier 的平均体重总和。
智能体先查到 Border Collie 的平均体重是 37 磅，再查到 Scottish Terrier 是 20 磅，最后调用计算工具，得到 57 磅。答案并不复杂，但过程很重要：模型没有凭印象直接报一个数字，而是把任务拆成了查询、观察、计算几个连续动作。
吴恩达把智能体工作流中常见的能力归纳为规划、工具使用、反思、多智能体协作和记忆。这些词听上去很容易变成一张功能清单，但它们真正对应的是五种控制能力：任务怎么展开，模型如何触碰外部世界，结果如何被检查，不同角色如何分工，以及系统如何记住自己已经做过什么。
所以，企业一开始不应该问：“我们要不要部署一百个 AI智能体？”
更值得问的是：我的业务流程里，哪一步需要工具，哪一步需要复核，哪一步可以并行，哪一步必须保留人的决定权？
搜索的终点不再是链接
课程对搜索的讨论，也把问题从“模型会不会上网”推进了一步。
普通搜索引擎返回一组链接，接下来由人打开网页，筛选内容，判断哪些资料值得相信。对人来说，这套方式已经足够熟悉；但对于模型来说，网页里的导航、广告、脚本和重复内容，都会挤占它有限的上下文。
Agentic Search 想做的不是简单地让模型自己打开更多网页，而是把搜索变成一个可以被智能体继续处理的工作流：解析页面、切分内容、排序和评分，再把更相关的上下文交给下一步。
这背后有一个经常被忽略的经营判断：AI 应用的竞争，不只在模型层，也在信息流层。谁能更快找到可靠资料，更好地判断资料之间的关系，谁就更有机会把一个通用模型变成真正有用的业务系统。
对企业来说，未来的“知识库”也不应该只是一个把文件堆在一起的仓库。它更像一条从源头、证据、判断到行动的链路：资料从哪里来，为什么可信，谁做过复核，下一步允许系统做什么，都应该能够被追溯。
我自己正在搭建的 ContentHub，可以理解为一个面向 AI 前沿内容的“数字编辑部”。它的目标不是让 AI 自动写几篇文章，而是把从发现信息、核验来源、提炼观点、写成稿件到发布审批的完整链路，变成一张可追溯、可回退的工作图。
在这张图里，记者智能体负责寻找源头，编辑智能体负责判断真实性和时效性，写作智能体负责把证据组织成文章，主编智能体负责终审，最后由 Lincoln 保留发布决定。这不是几个人工按钮串起来的队列，而是一张有状态的工作图：审核不通过，文章要回到写作；证据不足，素材要回到采集；只有到达“已批准发布”，内容才可以交给网站发布环节。
这也是 AI 原生组织和普通自动化之间的差别。过去的流程主要靠人执行每个节点；现在，一部分节点可以交给 AI智能体，但节点之间的边界、状态和回退机制，仍然要由组织来设计。
生产系统必须允许回到过去
AI 系统最难处理的问题之一，是出了错以后很难解释：它究竟看到了什么，在哪一步做出了错误判断，又为什么继续往下走？
课程里介绍的 Checkpointer，保存的是每一步的 AgentState。开发者可以检查过去的状态，从某个历史节点恢复，甚至修改状态之后再继续运行，这被称为“时间旅行”。
视频里有一个很直观的演示：智能体原本要查询 Los Angeles 的天气，在真正执行搜索前被中断；开发者把状态里的城市改成 Louisiana，然后让图继续运行。系统没有从头开始，也没有让模型重新猜一遍，而是从被修改过的状态继续推进。
这件事对企业系统的意义，比“能不能再调用几个工具”更大。
生产系统必须回答几个责任问题：这次结果从哪一步开始偏离？当时系统看到了什么？如果要修正，能不能只改这一段？如果客户提出质疑，能不能还原当时的判断过程？
没有状态记录的智能体，最多是一个会行动的黑盒子。拥有状态、检查点和审计记录的智能体，才有机会成为组织能力的一部分。
人没有被移出这张图
很多人谈到 AI智能体时，最容易产生的一种想象是：让它尽可能自主，最好不要再打扰人。
但课程里反复出现的，恰恰是另一种设计：在关键节点插入中断，让人可以批准、拒绝、修改参数，或者决定是否继续行动。
Harrison Chase 说：
“这种可控性对于创建表现良好的智能体至关重要。”
这句话值得反复咀嚼。AI智能体的成熟，不是把人从流程里删掉，而是把人从重复执行中释放出来，把人的注意力放到真正需要判断的节点上。
人不再负责每一次搜索、复制和转发，但仍然要决定哪些证据可信，哪些动作可以执行，哪些结果值得对外发布。所谓“人在回路中”，不是给自动化流程增加一个审批按钮，而是重新定义人的工作位置。
所以我个人认为，企业采用 AI 时，不应该把“自动化率”当成唯一目标。一个没有人工出口、没有状态留痕、没有回退路径的全自动流程，可能只是把原来的低效率，变成了更快发生的错误。
真正成熟的系统，应该让 AI智能体负责推进，让组织负责定义边界，让人保留最后的判断。
写在最后
从 Prompt 到 Loop，再从 Loop 到 Graph，表面上看，这是 AI 工程师正在建立一套新的技术语言。
但站在企业家的角度看，它更像是工作方式的一次改变：过去我们把软件当成一个被动工具，今天开始把它设计成一支能够分工、协作、反馈和持续推进的数字团队。
这支团队能不能工作，当然取决于模型能力，但不只取决于模型能力。它还取决于任务有没有被拆对，状态有没有被保存，工具有没有接好，失败有没有备用路径，以及人在什么地方保留了决定权。
所以，真正的问题不是“我要不要做一个 AI智能体”。
而是：我的业务里，哪一张图值得先被画出来？
关于 MindsLeap 心智悦动
MindsLeap 心智悦动是 AI原生组织转型加速平台。
我们与硅谷创新孵化器 Founders Space 深度合作，持续连接全球 AI 前沿认知、硅谷科技创业生态与中国企业家的真实转型场景。
围绕 AI 原生组织建设，MindsLeap 正在构建一个面向企业家、创业者、AI 工程师、产业专家和投资人的转型生态，帮助企业把 AI 从认知、战略和工具，真正落到组织能力、业务流程、产品创新和增长系统中。