Prompting 结束了？先看 300 个 agent 的账单

一条 X 推文把“Prompting is basically over”放到了开头。推文转述一位被标为 Anthropic Research Lead 的人的说法：99% 的工程师已经在运行 300 多个自我改进 agent，大家正在转向 graphs。20 分钟视频里，路径被压成五步：One Agent → Loops → Plan Mode → Graphs → Self-Improving System。

先把词拆开。这里说的 graph 指编排图，不是数据可视化。它把 agent 当成节点，用边定义调用、回退、并行、检查点。一个 agent 卡在循环里，图负责决定下一步交给谁。推文的说法是：prompting 是旧工作流，模型外面的图才是新工作流。图编排在工程界不算新词。LangGraph 这类库早就把节点和边做成了产品界面。新鲜的是“300+ 自我改进 agent”这个规模描述。

引用推文里，m4lka 给了一句更具体的总结：“Your agent is not autonomous. You are its loop.” 你的 agent 不自主，你就是它的循环。你逐步检查，因为系统里没有别的东西能检查。他写了从 babysitting agents 到 running a fleet 的 7 个层级。这个观察比“prompting 结束”更贴近日常：很多 agent 的自动化，实际靠人补位。

评论区没有跟着下结论。有人问状态一致性：一个节点在运行中改了共享上下文，图怎么办，用 DAG 还是 cyclic graph。有人问钱：按现在的 token 成本，frontier labs 之外谁付得起。还有人直接讽刺，AI 实验室按 token 收费，现在告诉你一个 agent 不够稳，就开一群 agent 互相管理。这条来自 Ariel Jalali 的评论，意思很明确。

所以视频值不值得看？如果关注 agent 编排，五步路径可以当索引。但“99%”没有给样本和定义。300 个 agent 不等于 300 个员工，账单会先到。图能解决编排，不解决模型能力。没有状态管理、评估和回滚，图只是更贵的循环。对开发者，先画小图，给共享上下文加版本或锁，记录每个节点的输入输出。对普通用户，看到“结束”先别慌。Prompting 没有消失。它变成了图里每个节点的输入设计。

原推文：https://x.com/fomoebka/status/2115837233869554052

m4lka 的引用推文：https://x.com/m4lkxx/status/2114338456750997922