AI 每換一個難題，代表上一個被解決了

今年 AI 開發圈多了一個詞：Graph Engineering。說的是，Agent 工作流程裡有些步驟已經定型，直接寫成程式碼，不需要每次都交給模型判斷，太貴也太慢。 Prompt Engineering 還沒學完，Context Engineering 出來了。Context 剛搞清楚，Harness 又跟上，然後 Loop，然後 Graph。有人看著這個清單嘆氣：AI 技能到底什麼時候學得完。 但這條路，倒回去看更清楚。 Alexandr Wang 2016 年進 YC 的時候，本來想做醫療照護的 AI 代理。做了兩個月，合夥人說這方向太早，換題吧。他回想在 MIT 訓練模型的事：需要三樣東西，算力、程式碼、還有訓練資料。前兩樣在網路上找得到，資料沒有好方法取得。他因此創辦了 Scale AI，讓人來標記圖片和文字，讓模型有材料可以學。 Scale AI 開始解決資料問題後，模型越來越強，下一個問題浮出來：怎麼把你的需求說清楚給模型聽？Prompt Engineering 的書和教學跟著成長。 Prompt 成熟了，工具和記憶越塞越多，問題移到了怎麼管好丟進去的東西，Context Engineering 出現。Agent 開始真的做事，換成要管權限、驗證和預算，Harness 出現。想讓 Agent 自己持續跑，有了 Loop。定型的步驟不再問模型，就走到了 Graph。 每個新名詞冒出來，都說明一件事：上一個問題，有人解決了。 Graph Engineering 成為一個問題，是因為 Agent 的自主判斷已經做到某個程度，讓人開始有餘裕問：哪些步驟其實根本不需要讓它決定？這個問題在五年前不存在，因為那時候 Agent 什麼都做不了。 Wang 去年說，就算模型今天起停止進步，現有的能力已經夠讓世界改變幾十年。那幾十年裡，AI 技能的清單還會繼續往下加，至於最後長成什麼樣，現在不知道。