Что такое Graph Engineering и зачем он нужен ИИ-агентам

Если в последние годы главным вопросом было «как заставить одного ИИ-агента работать эффективнее?». То теперь все чаще обсуждают, как заставить сотни агентов эффективно работать вместе.

Именно эту задачу и должен решить подход с Graph Engineering. Пусть каждый агент будет достаточно хорош в одной узкоспециализированной задаче, а качество системы будет определяться тем, как агенты взаимодействуют между собой.

Теперь предлагается проектировать процесс выполнения.

Вместо того, чтобы думать только о том, как оптимизировать контекст. Еще нужно подумать о том:

• «Какие независимые этапы можно выделить в этой задаче?»
• «Какие из них можно выполнять параллельно?»
• «Где нужна верификация?»
• «Как организовать цикл исправлений?»

Хороший пример – Dynamic Workflows в Claude Code. Основной агент (оркестратор) строит динамический workflow под конкретную задачу. Один такой workflow может включать десятки агентов, каждый из которых отвечает только за свою функцию.

На примере исследовательской задачи, сценарий может быть таким:

• один агент определяет область исследования;
• несколько агентов ищут надежные источники;
• десятки собирают из них информацию;
• затем десятки других независимо проверяют факты и сопоставляют результаты;
• на последнем этапе другой агент собирает итоговый отчет.

В чем преимущество подхода?

Экономия времени. Большинство подзадач выполняются одновременно.

Изоляция контекста. Каждый агент получает свой контекст и специализацию вместо одного большого промпта – меньше вероятность потери контекста.

Управление сложностью. Когда появляются новые требования, достаточно добавить или изменить отдельный узел графа не переписывая всю систему, а значит можно эффективнее управлять рабочим процессом.

Но как всегда есть нюанс. Такие workflow с роем агентов могут расходовать на порядок больше токенов. Поэтому важно использовать кеширование промптов, маршрутизацию между моделями и оптимизировать сам процесс.