Graphify 是一个开源工具，能够将代码、文档、PDF、图片等资源转化为结构化的知识图谱。它使用 tree-sitter 在本地进行确定性 AST 解析，无需 LLM 即可提取代码中的调用、继承、引用等关系；对于非代码文件，则通过 AI 助手进行语义提取。生成的图谱支持交互式可视化（graph.html）、CLI 查询（graphify query/path/explain），并可作为 MCP 服务器供团队共享。所有边均标记为“显式提取”或“推断”，明确区分原始代码中的直接关系与解析生成的间接关系。适合需要在大型代码库中快速定位概念、追溯依赖、理解架构的工程师。
本文深入探讨了当前AI Agent领域从单循环（loop）向图结构（graph）转变的本质。作者指出，单循环优化存在四种典型失败模式：古德哈特效应（目标绑架）、向上盲视（不质疑目标合理性）、多循环冲突、以及测量退化。成熟的系统通过构建循环网络——包含冠军-挑战者循环、漂移监控、回滚机制和独立审计循环——来缓解这些问题。然而，图结构并非万能：若无锚定（anchors）和与现实世界的接触，它会沦为自我指涉的表演。文章强调，真正的进步不在于采用哪个模式，而在于保持改进机制与现实的连接，以及承认最终目标的设定需要人的判断。适合AI工程、MLOps和Agent设计者阅读。
绝大多数多步Agent被设计成单线程线性链，每个步骤依次等待，缺乏并行与分支，导致效率低下且易丢失上下文。本文提出基于图结构的Agent工程方法，使用Claude Code的dynamic workflows将Agent组织为有向无环图：节点是带合约的工作单元，边是数据流依赖。核心模式包括扇出并行（parallel()）、扇入汇聚、运行时路由、验证器防线、循环收敛等。文章提供14个具体步骤，附带代码示例和拓扑图，展示如何用图结构替代线性脚本，实现可扩展、可控的Agent协作。目标读者是构建多步骤Agent的工程师，尤其是希望提升Agent并行度和可靠性的实践者。