提示工程、循环工程与图工程：三层控制架构解析

三层并非并列技术，而是堆叠的控制单元

Prompt engineering（提示工程）、Loop engineering（循环工程）和Graph engineering（图工程）正频繁共现于AI工程师岗位描述中，但三者并非竞争性方法论，而是AI系统控制粒度逐级放大的三层架构：

• 提示层控制单次大模型响应，是所有上层的基础单元；
• 循环层控制一个AI智能体（Agent）的完整行为周期——含感知、规划、工具调用、反思与迭代；
• 图层则控制多个智能体之间的拓扑关系、数据流向与协作协议，即多智能体系统的组织逻辑。

关键在于：高层不取代低层，而是封装与编排低层。当构建一个循环时，提示并未消失，只是从人工手写转为程序化生成与动态优化；同理，图结构依赖循环执行，而循环又内嵌提示调用。

各层设计焦点与交付物不同

• 提示工程的设计对象是输入文本的语义结构、上下文注入方式、输出格式约束及few-shot示例策略。交付物是可复现、可AB测试的prompt模板或prompt pipeline。

• 循环工程的设计对象是智能体的状态机逻辑：何时触发重规划、如何评估工具调用结果、失败后回退策略、记忆管理机制（短期/长期/向量检索）、以及终止条件判定。交付物是一个具备鲁棒性的自主运行单元，典型如LangChain中的AgentExecutor或LlamaIndex的ReActAgent。

• 图工程的设计对象是智能体间的依赖关系、消息路由规则、负载均衡策略、错误传播边界及跨智能体共识机制（如投票、仲裁、主从同步）。交付物是一张可部署、可观测、可版本化的智能体拓扑图，常见实现包括Microsoft AutoGen的GroupChat、CrewAI的Crew配置或自定义DAG调度器。

商业化拐点与现实质疑

行业初步共识认为：单任务场景下，提示工程在原型验证阶段最具性价比；当任务需多步推理与外部交互（如客服工单闭环处理），循环工程开始显现价值；而图工程仅在任务复杂度跨越阈值——例如需协调10+异构智能体（法律审查、财务核算、合规校验、客户沟通）共同完成一份跨境并购尽调报告——才真正摊薄开发与运维成本。

但当前质疑集中于三点：一是多数所谓“图工程”项目实为静态硬编码拓扑，缺乏运行时动态重构能力；二是循环层的调试成本仍远高于提示层，缺乏标准化可观测性接口；三是三者间尚无统一抽象层，导致提示优化成果难以迁移至循环内，循环逻辑亦难复用于不同图结构。

编者观点：对中国AI工程团队而言，与其追逐术语迭代，不如建立「分层验收标准」——提示层看输出稳定性，循环层看任务完成率与异常恢复率，图层看跨智能体协同成功率与拓扑变更耗时，以此锚定技术投入的真实ROI。