本文深入浅出地介绍了大模型图工程的核心概念通过节点和边的组合将多步 Agent 流程转化为高效并行的工作流。文章详细讲解了如何识别和消除冗余依赖设计具有契约的节点利用边进行数据传输并通过 parallel() 和 barrier 实现扇出和扇入操作。此外还介绍了条件判断路由、验证器节点、故障隔离、循环控制以及模型分层使用等高级技巧。最后文章展示了六个实际应用案例帮助读者快速上手并提升大模型应用效率。大多数人做多步 Agent最终得到一条直线。第一步、第二步、第三步——每一步都礼貌地等着上一步做完才启动。十个人里有九个会发现有一半的步骤根本不需要等。没人明说的事提示词只是一个句子循环只是一个周期Harness 只是 Agent 站的那块地板。但工作本身的形状——什么先跑、什么能同时跑、什么必须等着——那个形状是个图。节点负责思考边负责传输结果。Claude Code 已经发布了直接构建这些图的工具动态工作流。Claude 写一段纯 JS 编排脚本然后 spawn 一个协调的子 Agent 编队去执行它——编排层消耗零模型 token因为它是代码不是另一轮对话。1.节点是任务边是数据流图只有两样东西搞清楚了就不会乱。节点是一个工作单元——一个 Agent、一个边界清晰的任务、一个输入一个输出。边是依赖关系这个节点的输出送给那个节点的输入。仅此而已。最容易犯的错误是把然后当作边。“总结这个文件然后告诉我天气”——这两个任务之间没有边因为它们之间没有数据流动。那只是两个没有依赖的独立节点一个线性脚本把它们硬串了起来。边只有在数据真正跨过去时才有意义。对 Agent 中的每一个然后问下一步会读上一步的输出吗如果不读就没有边等就是浪费。把它画成盒子和箭头。一个盒子就是一个 agent() 调用。 一条箭头就是一个变量从一个调用的返回值传入另一个调用的 prompt。 如果你画不出这条箭头——如果没有变量跨过去——那两个盒子就是独立的。 独立性是这个课程剩下的篇幅要让你利用的东西。2.你的线性脚本就是一个退化图当你把 Agent 写成做 A然后 B然后 C然后 D——你已经画了一个图只是单一且不分支。每个节点恰好一条边进、一条边出。它能跑对但也跑得慢、跑得脆。因为链没有冗余C 卡住D 就永远不会开始A 的工作也没地方去。图工程的第一课就是把链重新画一遍。拿出你的线性 Agent对每条箭头问同一个问题——箭头两边有没有数据传输大部分链会有两三根箭根本不携带数据它们只是你碰巧输入的顺序。砍掉这些箭链就会塌成一个更宽的结构几个独立节点可以同时跑最后汇聚到一个需要它们全部结果的节点。3.给每个节点一个契约一个你无法推理的节点就无法并行化。修正是契约有边界输入、有边界输出、恰好一个任务。输入是节点读取的东西——显式传入绝不从共享上下文里猜。输出是一个定义的形状理想情况下要经过校验这样下游节点才能直接消费不用再猜。在工作流里这个契约通过 schema 来强制。当你给 Claude 一个 agent() 调用并附上 JSON schema 时生成子 Agent 必须返回验证过的结构化数据——验证发生在工具调用层Claude 在类型不匹配时会重试而不是丢给你一段要自己 parse 的自由文本。这就是能接入图的节点和只有人类才能读的节点之间的区别。// 一个真正有契约的节点有限输入、校验输出、一个任务。 const ITEM { type: object, additionalProperties: false, properties: { title: { type: string }, url: { type: string }, impact: { type: string, enum: [high, medium, low] }, }, required: [title, url, impact], }; const result await agent(source.prompt, { label: research:${source.key}, schema: ITEM, // 强制结构化输出 agentType: general-purpose, }); // result 现在是下一个节点可以直接信任的形状——不是自由文本。4.边就是数据契约边不仅仅是B 在 A 之后。它是一个承诺承诺了什么数据即将穿过A 产生这个形状B 被设计成消费这个形状。当你用数据命名边——而不是用顺序——两件事会变得更清晰你能一眼看出这条边是否真实数据真的在移动吗你可以在保持形状不变的前提下替换边上的任意节点而不破坏整个图。在实践中边存在于纯 JS 中。从扇出到归约之间的步骤——展平、去重、过滤——就是在节点返回的数据上跑的一段普通代码。不需要 Agent。图思考的一个隐藏胜利人们烧掉大量模型 token 做的东西其实只是一个边而边是免费的。最大的诱惑是 spawn 一个 Agent 来合并结果。抵抗它。 如果合并就是展平加去重那只是 results.flatMap(...) 加一个 Set—— 确定性的、瞬时的、零 token。 把 Agent 留给判断别浪费在管道上。 一个每条边都是 Agent 的图是在给自己的线路交房租。5.用 parallel() 扇出这是让一切值回票价的操作。当你有 N 个独立节点——N 个要检查的源、N 个要审阅的文件、N 个要审计的路由——你不串起来。你告诉 Claude 把它们扇出同时跑。在工作流里这是 parallel()Claude 接受一个 thunk 数组为每个 thunk spawn 一个子 Agent所有子 Agent 并发执行然后把结果数组交给你。两个细节让它健壮。第一parallel() 是一个屏障——它等所有 thunk 都返回才交出控制权。第二抛出异常的 thunk 会 resolve 为 null而不会让整批失败所以一个故障 Agent 不会让整个运行沉没。记得 .filter(Boolean) 处理结果。扇出运行在 Claude 写的代码里不是在模型对话里。Claude 自身的上下文永远不会同时持有九个源——每个子 Agent 只带自己的上下文只有最终结果回来。这就是让 Claude 能把工作流扩展到几十上百个子 Agent 而不淹会话的原因——编排层不消耗 token因为它不是 Claude 的另一轮思考。phase(Research); // 九个来源、九个 Agent、同时跑。 const raw await parallel( SOURCES.map((s) () agent(s.prompt, { label: research:${s.key}, phase: Research, schema: ITEM_SCHEMA, // 每个节点返回校验过的 JSON agentType: general-purpose, }), ), ); const collected raw.filter(Boolean); // 丢弃失败 Agent 的 null6.在屏障处扇入只有被收集起来扇出才有意义。扇入是边汇聚的节点——一个 Agent或一段代码看到所有上游结果然后做一些需要全部数据才能做的事跨源去重、按影响排序、如果总量为空则提前退出。这是屏障真正物有所值的地方。让图保持高速的规则很简单只在某个阶段真正需要所有前置结果同时在场时才使用屏障。去重跨所有源屏障——正确。只是展平一个列表那是边的活儿内联处理就行。嗅觉测试既残酷又简单如果你写了 parallel → transform → parallel而中间的 transform 没有跨条目的依赖你应该用 pipeline 而不是屏障。// 边纯 JS不用 Agent零 token。 const flat collected.flatMap((c) c.items); log(Collected ${flat.length} items); phase(Curate); // 屏障节点需要整个集合来去重 排序。 const curated await agent( Dedupe and rank these by impact:/n${JSON.stringify(flat)}, { phase: Curate, schema: CURATED_SCHEMA }, );7.钻石拆分 → 并行 → 合并把扇出和扇入放在一起你就得到最经典的 Agent 图拓扑钻石模式。一个节点拆任务多个节点并行工作一个节点合并。市场扫描、依赖审计、代码审查、研究报告——换掉源和 prompt骨架是一样的。标准形式值得记住扇出 → 归约 → 合成。扇出收集宽度归约用普通代码压缩合成用最终 Agent 写成答案。一旦你看到了钻石你就不再问怎么让我的 Agent 多做几步而是问切分在哪合并在哪——这才是真正能规模化的问题。8.在运行时用条件判断路由不是每个图都是固定的。有时往哪条边走取决于节点发现了什么。一个路由器节点检查结果决定触发哪个下游路径——分类工单然后分支到对应的处理模块检查 diff 大小要么快速审查要么启动完整审计。在工作流里这就是对一个节点校验后输出的 JS if 或 switch因为控制流在代码里。确定性在这里是特性不是限制。路由器的决策可以是 Claude 驱动的一个子 Agent 做分类但路由本身是 Claude 写的代码——相同的分类永远走相同的路。你得到 Claude 的判断在节点上和脚本的可靠性在边上。不会出现 Claude 自己决定跳过某个审计的惊喜——要跳过必须写在图里但你没写它就不会。// 路由器节点Agent 分类代码选边。 const { severity } await agent( Classify this diffs risk:/n${diff}, { schema: { type: object, properties: { severity: { enum: [low, high] } }, required: [severity] } }, ); let review; if (severity high) { // 重路径完整并行审计 review await parallel(FILES.map((f) () agent(Audit ${f}))); } else { // 轻路径一次快速审查 review await agent(Quick review of ${diff}); }9.在边上放一个验证器图真正的杠杆不是更多的 Agent——而是你围绕它们构建的结构用来产生可信度。一个验证器节点坐在边的上游在结果被允许进入下游之前它的唯一工作就是试图杀死这个结果。如果它扛住了验证才放行。值得记住三种模式对抗验证对每个发现spawn N 个独立的怀疑者prompt 它们去反驳只有多数幸存才保留。视角多样化验证给每个验证器不同的视角——正确性、安全性、可复现性——因为多样性能捕获 N 个相同检查永远不会发现的问题。评审团从不同角度生成 N 个答案用并行评审打分从胜者合成最终输出同时嫁接落选者的优点。这正是那个能把 Bun 运行时移植出来的团队使用的工作模式——把对抗性代码审查编进了循环里。10.隔离节点不让一个故障污染整个图在链里故障是级联的——C 死了D 永远不会开始整个停摆。在图里故障应该被隔离在节点内部。这一点已经部分做到了parallel() 里抛异常的 thunk resolve 为 null八个好的 Agent 正常返回一个坏的被过滤掉。你的 .filter(Boolean) 就是隔离层。设计每一个扇入节点都能容忍缺失的输入而不是假设输入是完整的。更微妙的问题是节点之间的踩踏——当多个 Agent 并行写文件时它们可能冲突。修复方式是隔离 worktree每个 Agent 在自己的 git worktree 里运行做完后干净合并。只在你真正有并行写入时再用——它是一条安全带的形态用在需要的拓扑上而不是每次运行的默认税。11.加入循环——但必须收敛有些时候你在开始之前不知道任务有多大未知规模的探索一个 bug 扫荡发现新 bug。这需要循环——一条受控的边回到之前的节点。危险很明显一个不收敛的循环就是无限 spawn Agent 直到预算耗尽。收敛的模式叫 loop-until-dry持续 spawn Finder直到连续 K 轮没有发现任何新东西才停止。那个成败攸关的细节——几乎所有人第一次都搞错——是对什么做去重。要对已见过的所有东西去重而不是只对已确认的结果去重。 否则被拒绝的发现每轮都会重新出现循环永远不会干涸。const seen new Set(); const confirmed []; let dry 0; while (dry 2) { // 连续两轮空则停 const found (await parallel( FINDERS.map((f) () agent(f.prompt, { schema: BUGS })) )).filter(Boolean).flatMap((r) r.bugs); const fresh found.filter((b) !seen.has(key(b))); if (!fresh.length) { dry; continue; } // 没新的 → 向干涸走 dry 0; fresh.forEach((b) seen.add(key(b))); // 对已见去重不是已确认 // 多样视角验证每个新发现 const judged await parallel(fresh.map((b) () parallel([correctness, security, repro].map((lens) () agent(Judge ${b.desc} via ${lens} — real?, { schema: VERDICT }))) .then((v) ({ b, real: v.filter(Boolean).filter((x) x.real).length 2 })))); confirmed.push(...judged.filter((v) v.real).map((v) v.b)); }12.在节点间分层使用模型不是每个节点都需要你的最强模型。图让这一点显而易见有些节点边界清晰且重复提取这个字段、分类这个工单有些节点承载着真正的判断合成报告、裁定发现。在便宜的模型上跑无趣的节点把昂贵的 token 花在判断真正存在的地方。在工作流里每个 Claude spawn 的子 Agent 默认继承你的会话模型除非脚本覆盖——所以一次大运行默认全部按你的会话层级计费。单个 agent() 调用的 model 参数告诉 Claude 把那个节点路由到不同模型。在大规模运行前检查 /model然后让 Claude 把扇出里的重复节点路由到便宜模型上保留合并节点用强模型。这是把吃 token 的图从昂贵变成经济、且不改变图形态的杠杆。13.拓扑就是你的成本和延迟图的形状不是装饰——是墙上时钟时间最大的杠杆。最关键的选择是parallel() 屏障让所有东西等最慢的节点然后下一阶段才开始。而 pipeline() 流式每项独立跑完全部阶段没有屏障——项目 A 可以在阶段 3 里跑着而项目 B 还在阶段 1。快的先跑完不必在慢的后面傻等。默认用 pipeline()。 只有当一个阶段真正同时需要所有前置结果时才用屏障——跨集去重、总量为空提前退出、一个需要对比其他发现的 prompt。代码更干净和阶段看起来更独立不是理由——屏障延迟是真实可测量的浪费。独立不等于同步。14.让 Claude 画图——自路由最后一步是停止为你无法提前规划的工作手动画图。有了动态工作流你描述目标Claude 自己写编排脚本——拆解任务、选择合适的扇出、spawn 一个协调的子 Agent 编队、合成最终结果。你得到的是一个为这次运行量身定制的图而不是一个你期望能凑合用的固定图。进入方式有三种在 prompt 里说workflowClaude 就为当前任务写一个跑一个保存的或打包好的工作流/deep-research 就是一个已经在生产中运行的图——范围界定 → 并行搜索 → 抓取 → 对抗验证 → 合成正是这门课程里的骨架开启 ultracodeClaude 会为会话中每个重要任务规划工作流。当一次运行表现好的时候按 s 把脚本保存到 .claude/workflows/——版本管理、可按名字重跑、任何 clone 仓库的人都能启动› Run a workflow to audit every route under src/routes/formissing auth. Spawn one agent per route file,thenverify each finding before reporting. ● Claude wrote an orchestration script · launchinginbackground… /workflows — auth-audit · running ✓ Scope1/12.1k tok · 4s ✓ Fan-out18/18 one agent per routefile◯ Verify11/183-vote skeptics per finding… ○ Synthesize0/1 waiting on verify session stays responsive — keep workingwhilethe fleet runs用 Claude 这周就可以搭的六个图全路由安全审计Claude 为每个路由文件 spawn 一个子 Agent每个检查缺少的 auth 校验然后验证器通过确认每个发现后才让它进入报告。广度超出任何单一上下文能容纳的。/deep-research 引用报告Claude Code 已经内置的图。Claude 把问题分解成不同角度并行搜索去重源用三票怀疑者对抗验证每个声明然后写最终答案。逐个文件移植模块Bun 移植的节奏放大到你的仓库。Claude 跨文件扇出翻译用测试套件作为每单元的关口把失败循环回修复——对抗审查捕获单次通过会带进生产的问题。Diff 对抗审查Claude 根据 diff 大小路由小改动一次快速检查大改动触发完整的并行审计用不同视角的审查者——正确性、安全性、性能——然后评审团合成。定时生态扫描保存一次永远重跑。Claude 并行检查多个源——发布日志、博客、讨论——在屏障处按影响排序写出摘要。版本管理在 .claude/workflows/ 里按名字启动。未知规模探索你不知道有多少 bug 在里面。Claude 并行运行查找器每个新发现与所有已见过内容去重验证幸存者持续循环直到两轮没有任何新发现——然后停止。写在最后一个写 Prompt 的人在问问题。一个架构师在画图。线性 Agent 从来不是天花板——它只是第一个形状那个每个人都够得到的形状因为它符合我们打字的方式。一条线一个头一次一件事。一旦你能看到节点和边你就不再让 Agent 做更多而是开始让图做得更宽在独立的工作上扇出在需要可信度的边上设关卡在不需要出色判断力的地方分层使用模型。大多数人会继续在一条线上排队。学会画图的人会跑起来——而且永远不会注意到大多数人被困住的那个天花板。最后2026 年一晃已经过半AI 大模型的热潮不仅没有降温反而持续升温金融行业用大模型做风控、医疗依靠 AI 解析影像电商、制造、教育各行各业都在把 AI 融入日常业务。曾经热闹的 “百模大战”早就告别单纯比拼模型参数正式进入落地应用时代。现在企业疯狂紧缺一类人才懂业务、懂 AI、能做出可上线项目的大模型开发工程师岗位缺口大薪资待遇十分可观。风口再好不如手握高薪 offer 实在。行情火热普通人、程序员该怎样从零入门大模型抓住这波机会今天整理好【2026 最新版】AI 大模型全套免费学习资源覆盖零基础入门、项目实战、理论知识、大厂面试从基础一路进阶。所有资料分类归档没有多余杂料无套路免费分享给想要入局 AI 赛道的程序员与零基础小白扫码免费领取全部内容1、大模型系统化完整学习路线2、大模型经典书籍文档3、AI 大模型最新行业研究报告4、企业级实战项目 完整配套源码5、大厂大模型面试真题汇总6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】