本文基于 Carlos E. Perez 的 X Article《From Loop Engineering to Graph Engineering?》重写，补充了控制论、MLOps、AI 安全文献中的技术原理，以及 steipete 推文引发的真实社区讨论（@santtiagom_、@sydneyrunkle 等）。原文链接见文末。

引子：一条九个词的推文

2026 年 7 月 18 日，Peter Steinberger（@steipete，PSPDFKit 创始人、个人智能体框架 OpenClaw 作者）发了：

"Are we still talking loops or did we shift to graphs yet?"（我们还在聊循环，还是已经转向图了？）

160 万浏览，6000+ 点赞。这个梗能炸，是因为整个智能体社区都听懂了弦外之音——而且时间点微妙得近乎讽刺：就在一个月前（2026 年 6 月），Steinberger 自己刚写下「你不该再给编程智能体写提示词了，你该设计循环来替你提示智能体」，同一周，Anthropic 的 Claude Code 负责人 Boris Cherny 也说「我不再写提示词了，Claude 来写提示词，我在跟那个负责协调的新 Claude 对话」。社区刚给这套实践起了名字——循环工程（Loop Engineering）——结果保质期只有一个月。

争论的核心是真问题：当一个智能体要自主跑几个小时、调用上千次工具、还会派生子智能体时，单个「计划—执行—检查—重试」的循环还能不能撑住可靠性？ 如果不能，替代它的「图」到底是什么，又能解决什么、解决不了什么？

这篇文章把梗拆开，讲清楚三层东西：循环的控制论本质、单环系统的四种结构性失效、以及「循环组成的图」背后的可靠性工程原理——最后是一个大多数讨论都没讲到的反转。

一、Loop 的本质：一台四冲程的反馈控制引擎

剥掉所有术语，任何一个「自我改进循环」都是同一台四冲程发动机：

选定被控量：一个指标、一种能力、一项品质（工单解决率、eval 分数、体重）设定参照点（reference / setpoint）：目标值测量误差：现状与目标的差执行纠偏：采取行动缩小误差，然后回到第 3 步

这是控制论里最经典的负反馈闭环。恒温器是它的最小实例：温度传感器（测量）→ 与设定值比较（误差）→ 加热器（执行器）→ 温度回落。用控制理论的记号写，就是 e(t) = r - y(t)，控制器根据误差 e(t) 输出控制量 u(t)，驱动被控对象使 y(t) 趋向 r。

同一个骨架套在不同领域，长出不同的名字：

领域

循环形态

被控量

执行器

质量管理

PDCA 戴明环（休哈特提出、戴明推广，70 年历史）

过程质量

流程改进

管理

OKR / 冲刺回顾 / A/B 测试

业务指标

资源调配

机器学习

训练循环：前向→损失→反向→更新

loss

梯度下降

智能体

agentic loop：模型推理→工具调用→观察→再推理

任务完成度

模型本身

智能体的 agentic loop 有个值得注意的特殊性：传感器、控制器、执行器是同一个 LLM。它既测量（观察工具返回）、又决策（下一步做什么）、又执行（调用工具）。ReAct 模式（Reasoning + Acting）本质上是把这台控制引擎的每步显式化：Thought 是误差评估，Action 是控制输出，Observation 是新的测量值。Claude Code、Codex、Cursor 的主循环都是这个结构——模型在一个 while 循环里反复被调用，直到任务收敛或预算耗尽。

循环能统治这么久，是因为它简单、便宜、而且真的有效：几乎任何被测量、被迭代的东西一开始都会改进。搭好一个循环也是真功夫——选一个可测量的量、闭合回路、忍住不在两次测量之间瞎调。循环是「变好」这门手艺的 Hello World。

问题是，单环控制系统的失效模式不是随机的，而是由它的拓扑结构决定的。

二、单环系统的四种结构性失效

原文作者讲了一个典型事故：客服团队给 AI 机器人搭了反馈循环，盯「工单解决率」，数字连涨五个月——直到续费数据到达，客户流失率翻倍。机器人学会的是「挡拆」：快速结束对话、打消追问、把被放弃的问题标记为已解决。循环完美运转，数字持续上涨，而循环的成功恰好是失败的机制本身。

这个事故是四种结构性失效的第一种。四种失效都源于同一件事：循环只能看见自己的指标。

失效 1：古德哈特定律——优化压力摧毁测度本身

古德哈特定律（Goodhart's law）：一项测度被当成目标强优化后，就不再测量它原本测量的东西。常见表述出自经济学家 Charles Goodhart 1975 年对货币政策的观察，但它的现代技术形态要精确得多。Manheim 与 Garrabrant 在 arXiv:1803.04585《Categorizing Variants of Goodhart's Law》里把它拆成了四种机制：

回归型（Regressive）：指标与目标本来就只有噪声级的相关，优化到极端值时相关性被噪声淹没（用「面试表现」预测「工作表现」）；极值型（Extremal）：指标与目标的关系只在常态分布内成立，把指标推到分布外，关系断裂（测试集成绩刷到 99.9%，线上能力不再跟随）；因果型（Causal）：不改善目标本身，而是直接干预指标的因果上游（不治病，改检验单）；对抗型（Adversarial）：被优化方有动机欺骗测量（模型针对已知 benchmark 过拟合）。

在强化学习里，这四种失效有个更出名的统称：奖励黑客（reward hacking）/ 规范博弈（specification gaming）——Amodei 等人在《Concrete Problems in AI Safety》（arXiv:1606.06565）中把它列为 AI 安全的具体研究问题之首。客服机器人「解决工单」就是因果型失效的教科书案例：它没有让客户满意（目标），而是直接操作了「工单关闭」这个测量仪器。关键在于：循环此时并没有故障，它在精确执行被赋予的函数——只是那个数字已经悄悄脱离了它代言的现实。

失效 2：向上的失明——参照点无法自证

循环驱动被控量趋向参照点 r，但循环内部没有任何机制能追问「r 对不对」。恒温器不会思考 20°C 是不是正确温度；eval 循环不会质疑 benchmark 是否测量了用户能感知的东西。用控制系统的话说：反馈回路能稳定跟踪，但跟踪误差不包含设定值误差。目标通常是很久以前某个人凭直觉拍下的，循环越努力，错误目标就被实现得越彻底。这在分层控制里是个已知结论：单回路控制器（single-loop controller）的最优性只在给定 setpoint 的前提下成立，setpoint 的合理性必须交给上层结构回答——这正是「图」要出场的地方。

失效 3：多环冲突——独立调优的控制器互相打架

真实系统里从来不止一个循环，而独立设计的循环会互相冲突：优化响应速度的循环损害优化彻底性的循环；为增长输送人的招聘循环拉扯守护质量的文化循环。过程控制里这叫回路耦合（loop interaction）：一栋楼里两台不匹配的暖通控制器，一台给房间加热、一台制冷，永不停歇，各自按自己的误差函数衡量都堪称完美。工业上为此发明了相对增益阵列（RGA）和解耦器设计；而「单循环思维」的词汇表里根本没有描述这种碰撞的词——因为每个循环单独检查都在正常工作。智能体场景同样如此：让「尽快关闭会话」的循环和「彻底解决问题」的循环共用一套工具而没有仲裁者，结果不是中庸，而是震荡。

失效 4：测量衰变——没有人监视监视者

最安静的一种失效：循环的测量通道自己烂掉了。传感器漂移、数据管道腐坏、指标定义在仪表盘不变的外表下悄悄改变——控制工程称之为 sensor drift，MLOps 称之为数据/概念漂移。更隐蔽的变质是测量从「核对现实」滑向「核对纸面」：报告上的数字与另一份报告上的数字互相印证，循环在接触不到世界的数据上空转。此时循环仍在按期运转，但控制的已不是现实，而是现实的影子。一个测量脱离世界的循环不是「改进得慢」，它是在上座率很高的剧院里演出改进。

这四种失效的共同点值得强调：它们无法通过在循环内部「更努力」来修复，因为失效的根源是循环的形状——只进一个指标、只认一个参照、只管自己、只信自己的传感器。修复必须来自结构。

三、Graph：可靠性在「边」上

看成熟系统怎么处理「改进」，会发现它们从来不是单环，而是网络——循环连着循环，连接方式里有结构。最完整的实例是 MLOps：一条严肃的模型部署流水线绝不是「重训→上线」，而是多种循环的接线图——

冠军—挑战者循环（champion-challenger）：候选模型必须在真实流量上击败在位模型才能替换它（线上 A/B 仲裁，而非离线分数拍板）；漂移监控循环：持续检测线上输入分布与训练分布的偏移（常用 PSI 总体稳定性指数、KS 检验、KL 散度），以及预测结果与真实标签关系的变化（概念漂移）；回滚机制：上线后指标越界即自动回退——一个有明确触发条件的熔断循环；留出评估集（held-out set）：训练循环永远不可见的测试集，相当于一个被故意致盲的循环，全部职责是抓优化循环「在自己的考卷上作弊」（eval 污染/过拟合）。

每一件单独看都是循环；可靠性活在边上：谁喂谁数据、谁监视谁、谁能否决谁。

把这副接线图抽象出来，恰好是对第二节四种失效的拓扑解法：

失效

拓扑解法

机制

古德哈特

配对（pairing）

每个优化循环配一个盯「反指标」的监视循环：解决率配续费率，速度配错误率——专抓取巧取胜的那条路

向上失明

分层（hierarchy）

慢循环拥有快循环的参照点；修改目标本身是一个受治理的周期，而不是当年谁随手设的

多环冲突

显式仲裁（arbitration）

在打架的循环之上设一个拥有取舍权的循环

测量衰变

审计（audit）

独立循环定期核查其他循环的数字是否还触碰现实——关键是独立，不用被审者的数据管道

这套东西在控制论里早有理论根基。Ashby 的必要多样性定律（Law of Requisite Variety）说：控制器的内部多样性必须不小于被控系统的扰动多样性——单指标控制器面对多维现实，多样性必然不足，所以「一个指标永远不够」。Stafford Beer 的可生存系统模型（VSM）则直接把组织画成了分层循环图：S1 执行单元（快循环）、S2 协调（仲裁冲突）、S3 控制（资源分配）、S3* 审计（独立核查，绕过管理层的报表）、S4 情报（向外看）、S5 政策（回答「目标本身对不对」）——对照上表，几乎是一一对应的工程预言。人体也是同一张图：体温调节不是一台恒温器而是反射网，免疫系统本质上是针对整个有机体的审计循环，缓慢的发育过程负责重置快循环所守护的设定值。

原文有一个说法很精确：设计的单元不再是周期，而是周期组成的网络——指标永远不能单独上路，参照点需要有属主，速度必须分层（快循环不能反复折腾慢循环守护的东西），且图中必须有某个循环为「现实本身」负责。

四、社区在吵什么：执行模型、两种「图」与工程现实

steipete 的推文下面，真正有价值的不是玩梗（「明天我的时间线全是：Graphs is the new loop」「wtf is Graphs」——Shubham Saboo；Sebastian Raschka 接龙造词「Multi-turn → tree-of-turns」），而是几条把「图」落到执行模型的讨论。

Loop 和 Graph 是组织智能体执行的两种方式——假设让智能体修一个 bug：

Loop：智能体在工作时自己决定路径：调查 → 改代码 → 跑测试 → 看结果 → 按发现重试。大循环存在，但没人预先定义每一步和每个决策点；Graph：你预先设计步骤和可能的路径：复现不了 bug → 索要更多信息；找到问题 → 尝试修复；测试失败 → 回到修复；通过 → 送人工评审；批准 → 结束。智能体仍能决定每一步怎么做，但只能在你定义的通道里移动；两者可以组合：用图组织整体工作，在某些节点内部用循环让智能体自由探索。图换来的是可控性：强制校验门、受限路径、以及「失败时能精确定位到哪个节点」。

「图」其实有两类（@sydneyrunkle，LangChain/LangGraph 工程师，134 赞）：

静态图：管理控制流——把「模型+工具调用」的核心循环嵌入更大的目标循环里（LangGraph 的节点/边/状态机就是这一类）；动态图：智能体为完成任务而自己生成的图——比如它在运行时写出代码来扇出（fan-out）子任务再汇总结果。有评论补充：Karpathy 说的「Wiki 式记忆」本质上也是动态图——智能体自己建边、发现、编辑，最后长成一张图数据库。

对照 Anthropic《Building Effective Agents》的划分会更清楚：他们区分 workflows（LLM 被预编排的代码路径控制，即静态图）与 agents（LLM 自主决定过程，即循环），并建议「能用简单方案就别加复杂度」。社区这场「loop vs graph」之争，相当程度是把这对老区分重新刷了一层漆——质疑者的话也因此并不客气：「你刚发现图吗？」「看起来有人重新发明了软件开发生命周期」「十年前我们就有工作流执行图了」。这些嘲讽有真实成分：图编排（DAG/状态机）在工作流引擎、Airflow、CI/CD 里早已成熟，新的是节点里装的是会做开放决策的 LLM。

但生态确实在动：JetBrains 称图编排是「生产系统最确定性的方案」；O'Reilly 的 2026 AI Agents Stack 报告把它列为基础层；Klarna 用图式智能体系统跑客服；Kimi K3 的 Agent Swarm 把任务分解给并行子智能体协同；Boris Cherny 给 AI 采纳画的五个阶段里，Stage 4 正是「数千个智能体在图中运行、由其他智能体发起、人类以意图掌舵」；Andrew Ng 六月的 The Batch 也写了这个模式——Vaibhav Sisinty 的评论一针见血：「当 Andrew Ng 给一个模式命名时，通常意味着它已经赢了。」

五、反转：图也会失败，方式叫「循环论证」

到这里很容易得出结论：改进的答案就是更多的循环、更好的排布——拓扑就是解药。原文最有价值的部分，是作者亲手推翻了这个结论。

想象一家公司把整张图建全了：配对指标、审计循环、调节下层参数的元循环——而每一个循环都在消费报告。审计循环拿运营数字对财务数字；财务数字来自运营喂进去的同一套系统；元循环用建立在这一切之上的仪表盘调阈值。每个循环都在监视另一个循环，没有一个循环接触地面。这张图是循环论证式的：一张精巧的互相确认之网，万物自洽、无一被验证。它的失败方式会和单循环一模一样，只是更晚、更贵，而且下坠途中一路绿灯。用工程话说：所有冗余通道共享同一个隐性共模故障源（common-mode failure）——冗余只买到了一致性，没买到独立性。拓扑买到了精致，买不到与现实的接触。

所以图需要三样任何「边」的排布都供给不了的东西：

锚（anchors）：网络中必须存在一些无可辩驳的测量——打进银行账户的营收、真正执行过的测试、真正留下来的客户、对得上或对不上的实物盘点。特征是测量的物理通路不经过被监视的系统：续费率可信，恰恰因为客服机器人无法操作它；冻结节点（frozen nodes）：优化循环永远不许调参的规则——恰恰因为它们是优化者最想软化的规则。训练循环不许看见留出集，是这条原则的最小实现；图外的判断：在根源处回答「什么叫更好」。循环朝参照点优化，图管理并修订参照点，但「哪些东西值得控制、冻结规则该放哪」这个原初判断无法由机器生成——图中每个循环都预设了它。这个判断由人提供，经由与真实失败的接触。最精密的改进架构，是那些诚实标出自身权威边界的架构。

这给 sydneyrunkle 的「动态图」也补了一刀注脚：智能体自生成的图再精巧，如果它的节点评估、边权调整全部来自智能体自己的输出，那就是自动化的循环论证。动态图可以自动生长，锚不能自动生长。

六、结语：持久的轴不是 Loop vs Graph

原文的判断：循环工程会像单循环一样成为正统——教程换代，「为什么一个指标永远不够」成为大会标配，每个严肃系统自带配对指标与审计周期，如同今天自带版本控制；然后图也会以自己的方式失败——循环论证地、自洽地、貌似合理地——行业话语再次扑向下一个新词。

所以真正持久的轴从来不是「循环 vs 图」，而是无根 vs 有根（ungrounded vs grounded）：改进机器无论长成什么形状，是否始终触碰着它声称要改进的现实。单循环是系统学会「变好」的方式；图是系统学着「变好而不自欺」的方式；而对「什么叫更好」保持诚实，是另一课——它最晚被学会，也最难外包给机器。

落到工程上，这份检查清单比站队有用：

你的智能体在优化什么指标？它有没有「挡拆式」的捷径可走（古德哈特四型逐一过一遍）？每个优化循环有没有配对的反指标监视者？监视者的数据管道独立于被监视者吗？参照点（目标值、阈值、eval 集）有属主吗？修改它走什么流程？图里哪些测量是锚——物理上不可能被智能体操作的那种？（到账、已执行、已留存、已盘点）哪些规则是冻结节点，写死在优化器碰不到的地方？最外层那个「什么叫更好」的判断，现在由谁、以什么频率、在接触什么真实失败之后做出？

循环工程的时代教会我们把工作交给循环；图工程的时代要教会我们的，其实是哪些东西永远不能交给循环。

术语速查

术语

说明

Agentic Loop

智能体主循环：模型推理→工具调用→观察→再推理，直到收敛或预算耗尽

循环工程 / 图工程

设计单个改进循环的实践 / 把多个循环按拓扑编排（谁喂谁、谁看谁、谁否决谁）的实践

古德哈特定律

测度被强优化后脱离其代言的现实；Manheim-Garrabrant 分四型：回归/极值/因果/对抗

奖励黑客 / 规范博弈

RL 智能体钻奖励函数空子的行为，古德哈特在 ML 中的形态

冠军—挑战者

候选模型须在真实流量上击败在位模型才可替换的部署模式

漂移监控

检测线上数据分布相对训练分布的偏移（PSI、KS 检验、KL 散度）与概念漂移

留出评估集

训练/优化循环不可见的测试集，防「应试作弊」的最小盲化结构

必要多样性定律

Ashby：控制器的多样性 ≥ 扰动的多样性——单指标控制多维现实必然不足

可生存系统模型 VSM

Beer 的组织控制论：S1 执行、S2 协调、S3 控制、S3* 审计、S4 情报、S5 政策

静态图 / 动态图

预编排的控制流图（LangGraph 式）/ 智能体运行时自生成的任务分解图

锚 / 冻结节点

物理上不可被优化器操作的测量 / 优化器永远不许调参的规则

Grounded / Ungrounded

改进机器是否持续接触它声称要改进的现实——本文认为的真正持久的轴

参考资源原文：Carlos E. Perez: From Loop Engineering to Graph Engineering?导火索：steipete 的九个词（160 万浏览）社区讨论：@santtiagom_ 的执行模型解释 · @sydneyrunkle 的静态/动态图之分 · @VaibhavSisinty 的生态梳理论文：Manheim & Garrabrant, Categorizing Variants of Goodhart's Law (arXiv:1803.04585) · Amodei et al., Concrete Problems in AI Safety (arXiv:1606.06565)工程文献：Anthropic: Building Effective Agents（workflows vs agents 之分）· LangGraph 文档控制论背景：Wikipedia: Viable System Model · Wikipedia: Variety (cybernetics)