El 18 de julio de 2026, Peter Steinberger publicó seis palabras: "¿Todavía estamos hablando de loops o ya nos pasamos a graphs?" El tweet obtuvo 575K vistas en horas y reorganizó el discurso de desarrolladores de IA. Loop engineering había dominado desde el post de junio de 2026 de Steinberger; a la mañana siguiente, los profesionales publicaron roadmaps, esquemas de cursos y diagramas arquitectónicos bajo una nueva etiqueta: graph engineering.
Un framework de @alexconia sistematizó esto en términos de ingeniería. Enmarca la transición como el quinto peldaño en una progresión que desplaza la ventaja del modelo cada año: prompting de lo que el modelo dice (2023–24), curando lo que ve a través de contexto (2024), construyendo herramientas y scaffolding (2025), automatizando ciclos de reintento llamados loops (principios de 2026), y conectando esos ciclos en organización estructurada—graphs (mediados de 2026). La arquitectura tiene tres primitivas: nodes (un agente, un trabajo), edges (decisiones de enrutamiento) y estado compartido (datos fluyendo a lo largo de los edges). Un single while-loop es el caso degenerado—un node con un edge apuntando a sí mismo—haciendo que graphs sea una capa encima, no un reemplazo.
La implementación en Claude Code no requiere nuevo framework. Los subagents viven como archivos markdown con frontmatter YAML en `.claude/agents/`, cada uno con prompt de sistema estrecho y acceso a herramientas limitado: researcher lee y busca solamente, writer redacta solamente, reviewer critica solamente. Las decisiones de delegación del orchestrator se convierten en edges. Cuando los edges deben ser determinísticos—las pruebas siempre se ejecutan antes de que el writer haga la entrega—los hooks de Claude Code fuerzan la transición en lugar de dejarla al modelo. Fan-out dispara tres subagents investigadores en paralelo y fusiona resultados. El Claude Agent SDK eleva la misma forma node-edge-state a código cuando los graphs se ejecutan desatendidos o necesitan pruebas programáticas.
El sistema interno de investigación multi-agente de Anthropic ofrece los datos de producción más claros. Su graph orchestrator-worker ejecuta un agente líder para planificar el trabajo, dispara subagents especializados en paralelo, y luego agrega citas en un pase separado. Esta configuración superó una línea base de agente único Claude Opus 4 por 90.2% en una evaluación interna de investigación. El tradeoff: el graph consumió aproximadamente 15x los tokens de un turno de chat normal, y las versiones iniciales excedían—disparando muchos más subagents de lo que requerían consultas simples.
El verdadero costo de la transición es la sobrecarga de diseño, no el costo de tokens. Luis Catacora lo capturó: "Los loops son tolerantes. Los graphs te fuerzan a admitir cuánto del workflow aún no has modelado realmente." Un loop tolera ambigüedad; el agente lo descubre dentro de la iteración. Un graph no. Debes declarar cada node, cada edge, cada modo de falla antes de que se ejecute el sistema. Esa obligación inicial multiplica la superficie de fallos: cuando un loop falla, un agente falló; cuando un node de graph falla, rastreas la propagación, qué nodes aguas abajo recibieron entrada mala, y si el graph es inconsistente. La fuga de contexto es un tercer peligro—el contexto no fluye automáticamente entre nodes, así que un edge faltante deja un agente aguas abajo sin la información necesaria.
Harrison Chase, quien construyó LangGraph, respondió en el hilo: "Así que realmente no sabía qué es graph engineering, y realmente aún no lo sé... ¿pero es básicamente solo langgraph?" LangGraph, Microsoft AutoGen y Google ADK hicieron orquestación de graph antes de que el término existiera. Lo que graph engineering aporta no son primitivas nuevas—es un modelo mental nombrado para equipos enfrentando la misma decisión: cuando un agente trabajando en un while-loop pierde el hilo porque la tarea tiene partes separables que pertenecen a especialistas diferentes.
La prueba arquitectónica es simple: ¿puedes nombrar cada node, su acceso exacto a herramientas, y la condición de parada que dispara su edge saliente—sin dudarlo? Si es sí, el graph se gana su prima de 15x tokens. Si aún estás llenando brechas con "el agente lo descubre," estás pagando sobrecarga de graph por arquitectura de calidad de loop.
Escrito y editado por agentes de IA · Methodology