大模型智能体能走到今天，靠的是一层套一层的工程范式：提示词工程（Prompt Engineering）告诉模型怎么思考，上下文工程（Context Engineering）决定喂给模型哪些信息，驾驭工程（Harness Engineering）给模型接上工具、记忆与执行环境，循环工程（Loop Engineering）则把这些能力组织成计划 — 行动 — 观察 — 验证 — 调整的持续闭环。

吉林大学，厦大，清华，浙大，腾讯，小红书等15家机构联合推出的《Graph Engineering in the Era of LLM Agents:From Individual Intelligence to System Intelligence》系统性综述认为，下一步跃迁发生在系统层面：真实世界的复杂任务需要并行处理、专业分工、独立验证，以及跨长程执行保持的持久状态，任何单个智能体都撑不起这样的架构。于是论文提出用显式的图结构组织任务、智能体与运行状态，把系统从一群各自为战的智能体变成一个协调一致的整体。

但图工程并不是终点。图让关系变得显式，却保证不了系统中各方对同一个概念理解一致。为此，论文把“本体工程（Ontology Engineering）”放在图工程之上，作为系统智能的语义地基：用共享、机器可解释的实体、关系与约束模型，统一目标、能力、证据与状态的定义，让图既能连接起来，也能被一致地解读、复用和进化。

一、三层智能：模型智能 → 个体智能 → 系统智能

论文把智能体的演进梳理成三个层次：模型智能、个体智能和系统智能。

模型智能：打好地基

第一层是让模型本身变强，主要靠两条路：

• 参数层面的训练：预训练（Pre-training）让模型掌握海量知识与通用推理能力；后训练（Post-training）则通过指令微调（SFT）、偏好对齐（DPO/RLHF 等）、强化学习（如 DeepSeek-R1 的推理强化、各类智能体强化学习），把通用能力塑造成更可靠、更会做复杂任务的行为。代表性工作覆盖 GPT-3、Llama 3、DeepSeek-V3/Qwen3 等。
• 推理时的调用工程：提示词工程（Prompt Engineering）告诉模型怎么想，思维链（Chain-of-Thought）、思维树、思维图、自一致性等方法，都是在组织推理过程；上下文工程（Context Engineering）决定给它看什么。检索增强（RAG）、上下文压缩、记忆管理等，把任务相关信息喂给模型。

但这一层有个天花板：模型的能力边界被“一次独立的推理过程”锁死了。它无法跨调用保持状态，无法真正操作外部世界，也无法持续接受环境反馈。

个体智能：独当一面

第二层是把模型变成一个能持续干活的主体。

Agent = Loop（LLM + Harness）

• Harness（驾驭工程）：给模型接上外部能力：工具调用（MCP、函数调用、代码执行）、记忆管理、可复用技能库、运行时编排与权限治理。它决定了智能体手里有什么家伙、能用什么资源。
• Loop（循环工程）：把这些能力组织成一个持续运转的闭环：规划→行动→观察→验证→调整，直到目标达成或确认没必要继续。它决定了智能体怎么一步步走下去。

两者合起来，模型就从回答器变成了"能自主追目标的个体智能体。像 Claude Code、Codex 这类编程智能体，就是个体智能的代表。

系统智能：AI军团

真实世界的复杂任务有三个硬需求，是任何单个智能体都满足不了的：

• 并行与依赖：很多任务天生可以并行（比如排查故障时，分析日志、复现问题、审查代码互不干扰），但单个智能体的循环会把它们硬压成一条串行轨迹，既浪费并行效率，出了错还难定位。
• 专业分工与独立验证：写代码和审代码是两种逻辑。同一个智能体既当运动员又当裁判，容易自己相信自己写的代码是对的。即使提示词里给它安了不同角色，也亿产生角色混淆和确认偏误。
• 持久状态与故障恢复：单个智能体的上下文不是有组织的持久状态。一个早期小错误可能潜伏到最后才爆雷，到那时既难定位根源，也无法只修复受影响的局部、安全地继续。

问题不在单个智能体不够强，而在组织架构不匹配。 硬塞更多参数、更长上下文，都无法解决问题。出路是把智能分散到多个专职智能体上，在系统层面组织起来，这就是系统智能。

为了让这支AI军团能够高效、准确地沟通协作，论文提出了未来的演进方向：本体工程（Ontology Engineering）。这好比是为整个军队建立一套统一的术语词典和作战地图。它确保所有智能体对目标、证据、任务完成等核心概念有完全一致的理解，避免沟通歧义和认知偏差。

二、图工程：用“图”把系统组织起来

系统智能 ≠ 多堆几个智能体。一个多智能体系统可能每个成员都很强，却依然没有有效的分工、清晰的职责边界、协调机制和一致的状态管理。

系统智能的核心，是显式地管理和组织三类关系：任务之间的关系、组件之间的关系、运行状态之间的关系。而图（Graph）恰好是表达关系的天然结构，图工程的核心思想，就是用“图”来显式地、动态地表示和管理智能体系统中的所有关键元素和它们之间的关系。

• 节点：可以是任务（“设计数据库”）、智能体（“前端开发专家”）、资源（“代码库”）、状态（“测试通过”）。
• 边：则表示它们之间的关系，比如依赖（“必须先设计数据库，才能开发API”）、分配（“这个任务分配给Agent A”）、通信（“Agent B需要向Agent C发送数据”）。

图工程通过三个核心部分，将抽象的系统智能变成了可执行的现实。

维度一：任务组织（做什么）

系统拿到一个模糊的目标，比如“帮我写一个能分析股票数据的网站”，它首先要做的就是任务组织，把宏大目标拆成可调度、可执行、可修改的子任务图。

• 目标分解：通过算法，将这个宏大目标分解成一张子任务图。主任务下分出“数据爬取模块”、“数据分析算法”、“前端可视化界面”等子任务，并用“边”标明它们的依赖关系（比如前端依赖于算法）。
• 工作流优化：有了任务图，系统就可以像一个顶级的项目经理一样，规划出最优的执行路径。哪些任务可以并行处理？哪些必须串行？如果某个环节卡住了，图的结构也允许系统动态调整，比如换一种实现方式，或者将失败的任务分配给其他智能体重试。

简单说，任务组织把隐性思考变成显式结构，让什么能并行、什么必须等、怎么验证，都一目了然、可以优化。

维度二：智能体协同（谁来做）

把任务合理地分给合适的智能体，并组织它们的协作关系，对应三种图：

• 能力建模图：节点是智能体、技能、工具、模型，边是能力归属、资源权限、可靠性。任务变了、某个智能体掉线了，系统能查图找到替代者重新分配。
• 团队组织图：规定分工、交接、监督、复核关系。有以下几类常见结构：
  • 链式结构：像流水线一样，一个智能体的输出是另一个的输入。
  • 路由结构：一个“经理”智能体负责接收任务，然后分发给最适合的专家智能体。
  • 广播结构：一个任务同时分发给多个智能体，然后汇总它们的答案，取其精华。
• 通信图：团队成员之间需要沟通。图工程中的通信图管理着信息流，确保关键信息能准确传递，同时过滤掉噪音和错误信息，避免“谣言”在整个系统中扩散。

团队组织是相对稳定的“谁负责什么”，通信图是运行时动态的“此刻谁该跟谁说话”。

维度三：运行时状态管理（做得如何）

这是整个系统智能中最关键、也最容易被忽视的部分。一个复杂任务可能执行很久，期间难免出错。运行时状态管理就是系统的记忆和容错机制。

• 状态记录：系统执行的每一步，包括谁在什么时候做了什么、产生了什么结果、系统状态发生了什么变化，都会被清晰地记录在状态图中。这让整个执行过程完全透明、可追溯。
• 故障定位：当最终结果出错时，系统可以回溯状态图，像黑匣子分析一样，快速定位到是最初的哪个步骤、哪个智能体的决策导致了连锁失败。
• 失败恢复：定位到问题后，系统无需从头再来。它可以恢复到出错前的某个正确状态，只修正错误的那个分支，然后继续执行。这大大节省了时间和算力。

三、本体工程（Ontology Engineering）

当多个智能体协作时，如果没有统一的本体（Ontology），系统会面临严重的语义障碍：

• 概念歧义：一个智能体说的“客户”可能指“已付费用户”，而另一个智能体理解的“客户”可能包括“潜在客户”。这种细微的差别就可能导致任务分配和执行的根本性错误。
• 知识孤岛：每个智能体都基于自己的知识和经验做决策，但这些知识无法被其他智能体有效理解和共享，整个系统无法形成合力。
• 行为失控：当系统出错时，由于缺乏对正确行为的明确定义，很难追溯是哪个环节、基于哪种误解导致了失败，使得故障定位和修复异常困难。

本体工程正是为了解决这些问题而生。一个本体（Ontology）会精确地定义领域内的三件事：

• 有哪些东西（实体/概念）？例如，在电商领域，有“顾客”、“订单”、“商品”、“物流”等。
• 它们之间是什么关系？例如，“一个订单包含多个商品”，“一个顾客可以下多个订单”。
• 关于它们，我们能说什么（属性/规则）？例如，“订单”有“创建时间”、“总金额”等属性；“已支付”的订单才能发货。

为了让机器能读懂并推理这些定义，本体通常会使用形式化的语言来编写，如RDF、RDFS、OWL（Web本体语言）等。这些语言让本体不仅是文档，更是可执行的逻辑模型。

那本体工程和图工程有什么区别呢？

• 本体工程是“ 宪法 ”和“ 词典 ”，它定义了系统中最基本、最稳定的概念、关系和规则，是系统运作的世界观和语法。
• 图工程是“ 实时数据 ”和“ 业务流程 ”，它是基于本体这个语法填充的具体内容和故事。例如，本体定义了“顾客”和“订单”的关系，图工程里则存储了“张三”这个具体顾客和他的“#10086”号订单。

两者结合，系统才既有骨架（图工程），又有灵魂（本体工程），从而变得可控、可解释。

过去，本体构建主要依赖领域专家手动完成，耗时耗力。但在AI时代，LLM的出现正在彻底改变这一局面，催生了智能体化本体工程（Agentic Ontology Engineering）这一新范式。

• 从专家手工到AI自动生成：现在的系统可以让多个AI智能体扮演“领域专家”、“建模师”、“质检员”等不同角色，协作完成从非结构化文本（如保险单、法律合同）中自动抽取、构建和验证本体的工作。这大大降低了门槛，提升了效率。
• 从静态模板到动态演化：未来的系统（如OaK框架）能根据新任务、新数据，动态地构建和优化自身的本体。系统可以在运行中学习，不断完善自己的世界观。
• 从通用知识到领域专家：通过为特定领域（如医疗、金融、制造）构建精细的本体，AI系统能真正成为该领域的专家，做出更精准、更可靠的决策。

结语

系统级智能不取决于堆了多少模型和智能体，而取决于是否显式地组织好了“任务、行动者、状态”之间的关系。 从提示词工程、上下文工程，到驾驭工程、循环工程，再到图工程，每一次范式跃迁，其实都是把工程对象扩大了一级，也就是从模型行为，到单个智能体的持续执行，再到整个系统的显式组织与进化。