同一个任务：调研 RAG 最新论文进展并写简报。

纯 Prompt 30 秒搞定但内容泛泛；ReAct Agent 跑了 3 分钟输出 8000 字但烧了 5 美元 token；LangGraph 三节点流水线写了 200 行配置但每次稳定 3 美元 2 分钟。三个方案都成立——没有哪个更好，只是对不同约束条件的优化。但社区讨论从不这样谈。越来越多人在问：图工程到底是在增强 LLM，还是在阉割 LLM？这篇文章画出了从 L1 单次 Prompt 到 L7 确定性 Graph 的完整七层光谱。L1 单次 Prompt 自由度极高但准确率差，L2 链式放弃回退能力，L3 ReAct Loop 最灵活但 token 消耗不可预测，L4 结构化 ReAct 套上约束但失去部分涌现能力，L5 Plan-and-Execute 规划清晰但应对意外变化慢，L6 Supervisor Graph 多 Agent 协作但复杂度飙升，L7 确定性 Graph 最稳但 LLM 几乎只做信号。每层放弃的不是创造力而是不确定性，换回的不是控制而是可靠性。Notion AI 选 L3、GitHub Copilot 选 L5、金融合规选 L7——决定位置的从不是技术理念，而是错误代价。工程化没有降低 LLM 的能力上限，它降低的是行为方差。问增强还是阉割本身就把讨论推向了错误方向。