Loop才火六周就过气了？Graph Engineering才是AI编程的护城河

我注意到一个有意思的细节：Peter Steinberger那条只有九个词的推文，三天拿了270万浏览。他说“我们还在谈Loop，还是已经转向Graph了？”这条推文发在7月17日，而Loop Engineering这个概念在硅谷真正火起来，大概也就六周前。一个技术范式从爆火到被质疑，周期快得离谱。但作为投资人，我反而觉得这个信号值得认真看。

先捋清楚Loop和Graph到底在解决什么问题。Loop Engineering，说白了就是让AI自己“执行→拿反馈→纠错→再执行”的自动循环。你给它一个目标，它自己跑循环，直到做完。好处是解决了AI不能处理长上下文的痛点，让单智能体能持续干活。但问题也明显：当任务复杂到需要多个AI协作时，单Loop像个单线程的工人，效率瓶颈卡在串行执行上。

Graph Engineering则把问题抽象成有向无环图（DAG）。节点A做完传给B，B同时传给C和D，最后汇聚到E。这是多智能体协作的架构设计。我最近在试一些AI编码工具，比如用Anthropic的Research，确实看到主Agent规划，子Agent并行搜索，再交给引用检查Agent。内部评测说，在广度搜索任务上比单Agent高90.2%。代价是Token消耗大概是聊天模式的15倍。

从资产配置角度看，这是估值逻辑的切换。 Loop的门槛太低，本质上是个工程技巧，谁都能写个循环跑Agent。但Graph需要设计节点依赖、错误处理、上下文共享，这更像软件架构。护城河从“写Prompt”升级到“设计系统”。我上周写过一篇关于AI产品化难题的帖子，核心观点是上瘾体验比技术聪明更重要。Graph Engineering恰好符合这个逻辑——它让AI的行为变得可编程，而不是让用户去猜AI会怎么执行。

我试着拆解一下，从投资视角怎么判断两家公司谁值得投：

1. 看价值捕获点。Loop公司赚钱靠卖Token或订阅，边际成本递减但竞争激烈。Graph公司可以卖编排平台，类似低代码的PaaS，绑定客户后迁移成本极高。前者是流量生意，后者是平台生意。
2. 看成本结构。Graph的Token消耗是Loop的3-4倍，但效率提升如果能覆盖成本，客户愿意付溢价。Anthropic的数据显示，适合广度搜索的任务上，90%的效率提升对应15倍的Token消耗，算下来每单位效率成本是原来的1.6倍左右。对于高价值任务（比如代码审查、金融报告），这账算得过来。
3. 看适用场景。不是所有任务都适合Graph。 Anthropic自己指出，大量顺序依赖、要求所有Agent共享相同上下文的任务，Graph反而不如单Loop。所以市场不会是替代关系，而是共存。

屏幕上的矩阵代码，你盯着看久了就会晕。但换个角度，这就像现在AI编程的格局——Loop和Graph并存的混沌期，恰恰是投资人布局的好时机。

我的判断：Graph Engineering是AI编程的2.0，但2.0不等于1.0消失。 接下来会出现专门做Graph编排工具的公司，类似Kubernetes之于微服务，或者Airflow之于数据管道。这些公司如果能在开源基础上建立商业闭环，估值可以给到SaaS的8-10倍PS。而纯Loop工具，除非有不可替代的数据飞轮，否则会被大模型原生能力碾压。

行动建议：如果你在评估AI编程赛道，别再只看Prompt工程或单个Agent的效果。把Graph的编排能力、成本效率比、以及客户迁移成本放进模型。优先关注那些能提供“动态图”的公司——任务执行过程中，图能自行改写自身结构。 这才是真正的护城河，因为静态图谁都能抄，动态图需要反馈数据积累，时间窗口就是壁垒。