围绕自主 LLM Agent 的工程实践，已经逐渐形成了一套较为清晰的技术体系：

Prompt Engineering 激发模型能力；Context Engineering 组织信息访问；Harness Engineering 连接工具、记忆与外部资源；Loop Engineering 则通过规划、行动、观察和反馈让 Agent 能够持续执行任务。

然而，软件工程、科学发现、医疗决策和企业流程，往往同时涉及异构专业知识、相互依赖的子任务、可并行执行的分支、独立的验证环节，以及需要跨越较长时间持续维护的运行状态。将这些复杂性全部压缩进单一上下文和单一控制循环，难以有效应对任务本身的组织复杂性。

为应对这一结构性瓶颈，来自吉林大学、厦门大学等 15 个研究机构的学者介绍了“图工程”（Graph Engineering），一个将图结构作为构建下一代 Agent 系统的核心工程基础。

与以往主要优化个体交互或 Agent 层级行为的范式不同，Graph Engineering 构建了明确、动态且不断演化的图结构，用于表示任务、Agent 和系统状态。这些抽象为组织复杂目标、协调异构 Agent、建模系统动态以及实现可扩展的 Agent 演化提供了统一的基础。

在论文中，研究团队系统性地回顾了 Graph Engineering 在 LLM Agent 中的原理、方法论；同时还详细探讨了其在软件工程与 IT 运维、科学发现与实验室自动化、医疗保健与临床决策支持、企业流程与数字组织、通用数字 Agent 与个人自动化、社会与经济模拟、跨领域发现等领域的潜在应用。

网页链接