Claude Code Graph 工程完全指南：把 Agent 从实习生变成分布式系统

📝

Graph 工程是将单一模型调用拆分为专业化节点（搜索/分类/验证/合成），通过 fan-out、barrier、router、verifier 等模式控制信息流动，让 Claude Code 从昂贵大模型转变为可工程化的分布式系统。

原文链接：https://mp.weixin.qq.com/s/nKHTTUn71kcnyetMIVL-5Q
作者：gyome1_ / 登链社区译

大多数人仍然把 Claude Code 当作昂贵的实习生：给它一个任务，等待答案，手动决定下一步。但从 AI 中获得最大杠杆的团队，正在构建更接近分布式系统的东西。

一个智能体界定问题范围。五个更便宜的智能体并行搜索。一个确定性脚本去除重复项。三个怀疑型智能体试图推翻发现。一个顶级模型做出最终判断。这就是 Graph 工程。

核心原则

一个节点应该做一次决策。 每个节点有明确职责：搜索、分类、验证、合成。更小的边界揭示证据在何处进入系统。

一条边应该携带结构化数据。 不是自由文本，而是可预测的 JSON 对象：

{
  "file": "src/auth/session.ts",
  "lines": [84, 119],
  "dependency": "legacySessionClient",
  "confidence": 0.94,
  "evidence": "两个调用点都依赖于已弃用的 refresh 方法。"
}

有些节点是普通代码。 去重、排序、合并数组——用 JavaScript 或 Python 处理，不必每次调用模型。模型节点应围绕搜索、分类、比较、审查和综合。

钻石（Diamond）模式

大多数严肃的 Agent 图最终都采用相同形状：

1	扇出（Fan-out）→ 屏障（Barrier）→ 归约（Reduce）→ 扇入（Fan-in）

扇出 — 任务按子系统/来源/假设拆分，多个工作者并行执行
屏障 — 等待足够有用的证据返回，检查覆盖率
归约 — 去重、分组、排序、保留证据链
扇入 — 压缩后的证据交给最终决策模型

可靠性模式

模式	作用
按风险路由	高严重性发现走深度审查，低风险走快速检查
独立验证	将发现发送给多个审查者，搜索其不完整或错误的理由
Git Worktree 隔离	每个智能体有独立仓库副本，避免并行编辑冲突
收敛循环	发现驱动新搜索，去重后多轮无新结果停止
模型分层	提取/分类用廉价模型，架构审查/最终综合用强模型

代价与边界

Graph 工程不是免费的：编排代码、模式定义、重试、日志、中间存储都是开销。小任务、线性依赖、低错误成本时，线性工作流通常更合适。

但当你需要并行工作、昂贵决策、大证据集、有意义的验证需求时，Graph 工程让工作流动变得可见——Claude Code 不再执行一条长指令，而是在运行一个工程化的系统。

本文转载自微信公众号，如有侵权请联系删除。