Agent 工作流图实验
从一个过度设计的 Coordinator + Workers 图开始，逐步删掉不必要的复杂度，找到真正值得存在的最小工作流拓扑。
Graph 工程负责全局编排：决定确定性步骤、工具、本地 Loop、Agent、分支、Join 与人工 Gate 如何连接，而不是单纯增加更多 Agent。
—
—
—
—
—
—
—
—
—
—
—
Graph Engineering 不是“再加几个 Agent”
Graph Engineering 设计的是 AI 系统外围的控制流。一条工作流可以包含确定性应用步骤、检索、本地 Agent Loop、校验、人工审核和最终动作。Graph 决定这些责任怎样连接，而不是让流程图看起来更复杂。
Loop Engineering 与 Graph Engineering 工作在不同层级。Loop 定义一个局部单元如何在动作、观察、校验、重试、恢复、升级和停止之间迭代；Graph 决定这个局部 Loop 位于哪些节点和分支之间。
重试范围决定失败的爆炸半径。一个节点失败就让整条工作流重新开始，会重复已经成功的工作；节点级重试把恢复限制在局部，也更容易推理副作用。
共享可变状态减少了数据传递代码，却增加了耦合。一个过期观察可能污染根本不依赖该节点的其他分支。隔离分支状态需要显式 Join，反而形成一个有价值的校验边界。
当工作真正独立时，并行分支可以缩短关键路径；但它也会增加调度、重复初始化、同步与 Join 决策。First-result Join 更快，Verified Join 则用更多工作换更可靠的证据。
更多 Agent 从来不是目标。只有当额外 Worker 代表独立能力、独立上下文或真正可以并行的责任时，多 Agent 才值得存在。对于契约稳定的责任，确定性代码往往是更好的节点。
人工审核放在哪里，本身也是拓扑设计。每个节点都审核会制造瓶颈；把 Gate 放在真正高后果的边界，可以保护关键动作，同时让低风险步骤继续自动化。本实验中的所有数值都是确定性的教学模拟指标，不是生产基准。