Agent不是缺能力，是缺记忆和流程。当业务流程跑几天、横跨多个系统、中间还要等人审批——你的Agent该怎么扛住？
一个真实的企业痛点
你有没有遇到过这种场景：
一个报销审批Agent，从提交→初审→复审→财务确认→打款，横跨5个系统，流程可能跑3天。中间复审需要人工签字，Agent要"暂停→等审批→恢复→继续执行"。
大部分Agent框架会怎么做？要么一路跑到尾（没有暂停机制），要么把整个状态塞进prompt里每次重传（上下文爆炸），要么干脆不支持长周期流程——“只管单次对话，不管业务流程”。
这不是能力问题，是架构问题。Agent缺的不是脑子，是记忆管理和流程编排。
Loop Engineering：不是让Agent跑得久，是让每一轮都有道理
2026年6月，Peter Steinberger和Boris Cherny提出了"替Agent设计loops"的想法，Addy Osmani随后将其归纳为Loop Engineering。IBM用四个字概括了它的核心循环：目标→行动→观察→调整。
但很多人的第一反应是——Loop不就是让Agent一直跑吗？不是。
Loop Engineering的核心洞察是：一个可信的loop，必须在每次行动后产生观察和证据，并据此决定继续、修正、停止或升级人工。没有验证、没有状态边界、没有退出条件的长运行，只会形成token黑洞和不可审计的变更。
换句话说，Loop的价值不在"跑得久"，而在每轮都能解释为什么继续。
一个可交付的loop至少包含六个控制面：
•目标：这轮要达成什么
•行动：Agent做了什么
•观察：行动后的结果是什么
•验证：结果是否满足预期（测试、类型检查、lint、行为断言）
•状态：当前进度、已完成项、失败尝试、下一步理由——这些必须持久化在上下文窗口之外
•恢复：中断后从哪里继续
这里有一个关键点：完成不能由Agent自己宣布。测试通过、类型检查通过、独立review通过——这些确定性检查的verdict才是真正的"完成"。Agent说DONE只是声明，验证结果才是下一轮的输入。
从Loop到Graph：当流程复杂到"loop不够用"
Loop适合明确、连续、低协调成本的单任务。但当业务流程出现这些情况——
•并行执行：同时走两条审批线，结果汇合后再继续
•角色分工：不同Agent负责不同环节，各有各的权限和工具
•人工审批：某些节点必须等人拍板，拍板后才能继续
•汇合验证：多条线的输出要交叉检查后才能推进
——loop就不够用了。你需要graph来显式建模节点、边、状态和责任。
LangChain在[《3 Years of Graph Engineering with LangGraph》](https://www.langchain.com/blog/3-years-of-graph-engineering-with-langgraph/)中总结了二者的关系：
Loop是"一个节点内部如何收敛"；Graph是"多个节点如何被治理"。
生产系统往往不是DAG（有向无环图），因为重试、返修、等待人工输入本质上都需要循环。Graph不是替代Loop，而是Loop的自然升级——Loop依然是核心执行原语，Graph负责多Agent的依赖、并行、权限和审批。
LangGraph三个配方：从理论到工程
Graph-Based Agentic AI with LangGraph 不是学术论文，是工程实践指南。作者直接给出了三个可执行的"配方"（Recipe），正好覆盖了从Loop到Graph的三种典型场景。
配方A：SQL分析 + 修复循环
Agent执行SQL查询→结果出错→自动进入修复循环→修复成功后输出。
关键机制：类型化状态（typed state）、条件路由（conditional routing）、重试（retry）。
适用场景：数据分析、报表生成、数据清洗。
本质：这是一个典型的Loop——单任务、线性流程、有明确的验证条件（SQL是否执行成功）。
配方B：Agentic RAG + 证据门槛
Agent检索知识→对检索结果做证据质量评估→不达标就重新检索→达标后生成回答。
关键机制：证据门槛（evidence gating）、多轮检索循环。
适用场景：知识问答、技术支持、客户服务。
本质：Loop + 验证机制——不是检索一次就完事，而是有证据门槛做"质量关卡"，不达标就再来一轮。
配方C：Human-in-the-loop + 中断恢复
Agent执行到审批节点→暂停→等待人工审批→审批通过后从checkpoint恢复执行。
关键机制：中断（interrupt）、检查点（checkpoint）、恢复（resume）。
适用场景：报销审批、合同审核、风控决策。
本质：Graph的典型场景——流程中有需要人工决策的节点，Agent要能暂停、等人、恢复。这已经不是单纯的Loop了。
论文的核心观点：LangGraph不是万能药。简单的ReAct式Agent、纯SDK循环、或DSPy优化——这些在简单场景下就够了。LangGraph的价值在于，当业务流程复杂到需要显式路由、暂停恢复、审计追踪时，它把这些变成产品行为而非隐藏在prompt里的隐式逻辑。
记忆路由：Agent不该用一把钥匙开所有锁
解决了流程问题，还有记忆问题。
Supra Cognitive Modes: A Routed Architecture for Agent Memory 指出了一个被忽视的事实：不是所有记忆问题都需要"大模型+RAG"一刀切。
Agent的记忆工作负载实际上混合了三种模式：
模式一：事实查找
“客户A的合同编号是什么？”——直接检索已知信息。
这种查询需要的是快和准，用融合词法+稠密检索就够了，不需要大模型推理。
模式二：关联推理
“客户A上次采购后，续约概率多大？”——沿着关系链推理当前状态。
这种查询需要链式推理，用图谱或多跳迭代检索，把关联信息串起来。
模式三：长历史综合
“过去3年客户A的采购趋势如何？”——对大量历史信息做综合分析。
这种查询需要深度分析，用分层长文合成，把散落的历史信息整合成全景。
SCM架构的做法：用一个语义分类器+运行时门控，把每条查询自动路由到最合适的检索和合成模式。三个Benchmark上的结果：LoCoMo事实类84.87%、MAB 61.49%、LongMemEval 86.00%。
关键洞察：不同查询模式用不同检索策略，成本更低、效果更好。就像去医院，挂号、抽血、拍CT各走各的通道——非要全挤一条队，既慢又乱。
流程+记忆：同一个Agent的两个侧面
把两篇论文合在一起看，会发现一个有趣的对齐：
•LangGraph解决的是流程编排——Agent该怎么走、何时停、怎么恢复
•SCM解决的是记忆路由——Agent需要什么信息、用什么方式找、找到后怎么用
在企业场景中，这两个问题是交织的：
一个报销审批Agent，流程上需要"暂停→恢复"，记忆上需要"记住上次审批结果+关联历史报销数据+综合3年趋势"。流程断片和记忆断片，是同一个Agent的两个侧面。
企业落地：四个产线拼出Agent长周期方案
这些架构思路怎么落地？跟企业的云基础设施有直接的工程映射。
1. 函数计算做流程编排
函数计算天然支持长任务执行和事件触发。一个Agent业务流程可以这样拆：每个流程节点对应一个函数，中断恢复靠事件触发（审批通过事件触发下一步函数），状态管理靠持久化存储（把checkpoint存到对象存储里）。
函数计算不是跑一次就结束的函数，是Agent流程编排的天然执行层。
2. API编排做工具总线
LangGraph配方中的每个工具调用，本质就是API编排——SQL查询走数据API，RAG检索走知识检索API，审批状态查询走OA接口。
API编排是Agent的"工具超市"，LangGraph是Agent的"流程调度器"。两者配合，就是企业级Agent的完整执行架构。
3. 智能体对话做中断恢复
对话型Agent天然需要LangGraph配方C的中断恢复机制：对话中遇到需要人工决策的点，Agent主动暂停并通知用户；用户审批后，Agent从检查点恢复，继续执行后续步骤；整个过程的状态和轨迹，完整审计追踪。
智能体对话不只是"聊天机器人"，是有流程编排能力的业务Agent。
4. 弹性计算做资源匹配
SCM架构的记忆路由，需要弹性计算支撑——事实查找用低规格实例（快、省），关联推理用中规格实例（需要图计算），长历史综合用高规格GPU实例（需要大模型推理）。
不同记忆模式用不同计算规格——这就是弹性伸缩的Agent版本。
总结：不是最强的Agent，是最靠谱的Agent
Loop Engineering告诉我们：Agent的价值不在跑得久，在每一轮都有验证、有状态、有恢复。Agent Graphs告诉我们：当流程复杂到需要并行、审批、汇合时，loop不够用，需要graph来显式建模。LangGraph三个配方告诉我们：这些不是空中楼阁，已经有可执行的工程方案。SCM记忆路由告诉我们：记忆也不是一刀切，不同查询模式需要不同的检索策略。
对企业来说，Agent的成熟不取决于模型能力有多强，取决于流程能不能跑完整、记忆能不能不丢失。
不是最强的Agent，是最靠谱的Agent。靠谱，才是企业要的。
参考来源：
arXiv:2607.19297 — Graph-Based Agentic AI with LangGraph：https://arxiv.org/abs/2607.19297
arXiv:2607.19096 — Supra Cognitive Modes: A Routed Architecture for Agent Memory：https://arxiv.org/abs/2607.19096
Addy Osmani — Loop Engineering：https://addyosmani.com/blog/loop-engineering/
Addy Osmani — Own the Outer Loop：https://addyosmani.com/blog/own-the-outer-loop/
IBM Think — What is loop engineering?：https://www.ibm.com/think/topics/loop-engineering
OpenAI — Unrolling the Codex agent loop：https://openai.com/index/unrolling-the-codex-agent-loop/
OpenAI — Harness engineering：https://openai.com/index/harness-engineering/
LangChain — 3 Years of Graph Engineering with LangGraph：https://www.langchain.com/blog/3-years-of-graph-engineering-with-langgraph/
360智汇云是企业智数云底座，以"智-数-云"三大核心底座为支柱，以贯穿全程的 “观测与管控” 为神经中枢，全链路赋能企业数智基建在 “用、运、管、看、维” 五维生命周期中实现价值闭环。提供数据库、中间件、存储、大数据、人工智能、计算等多种产品服务以及一站式解决方案，让每一份IT投入都转化为智能生产力。
官网：https://zyun.360.cn
