DAG
有向无环图，是AI工作流编排中常用的数据结构模型，用于描述任务节点之间的依赖关系和执行顺序，是LangGraph、Dify等工作流平台的核心抽象基础
核心事实
时间轴 (近 90 天)
DAG 的每个节点内部可以是一个循环（DCG），例如代码评审节点中执行步骤、判断是否足够好、不够好则吸收反馈迭代重来。
判断 DAG 中节点是否适合自动化，应问：能否容易对照政策检查、能否在有限循环内运行、能否被追踪、出问题时能否回退到人工；若答案都是“是”，则相对适合自动化。
Kestrix 的 HCL 声明会被解析成一张 DAG，任务之间的先后依赖由图的拓扑结构决定。
React Flow、X6等库本质上是DAG的可视化编辑与渲染引擎，提供了节点拖拽、连线、校验等交互原语。
前端编辑器侧需要搭建DAG（有向无环图）扩展结构以支持复杂流程，React方向可选用React Flow或X6，甚至基于Canvas自行绘制。
DAG 证明的是顺序，不是真实性。
DAG（有向无环图）在3DCodeVerse中是一种任务编排方式，每个节点代表一个智能体或一步操作，有向边表示依赖关系，不允许形成循环，因为循环可能让修正陷入无限自我迭代而无法收敛。
Phloem 不采用一次性求解完整 commit DAG 的布局算法，而是沿着提交之间的连接逐步生成图形。
传统 Git 图形工具（如 git log --graph 或各类 GUI 客户端）的核心逻辑是先把完整 commit DAG 塞进二维画布。
Workflow本质是有限状态机或DAG（有向无环图）的工程化表达，路径在运行前已被开发者穷举。
还有 40 条时间轴事件
全部知识事实 (20)
LangGraph支持带状态的循环图（Cyclic Graph），区别于纯DAG，这对需要反复迭代的Agent推理循环至关重要
80%已验证ComfyUI是一个基于节点式工作流的Stable Diffusion图形界面工具，用户可以通过拖拽和连接不同功能节点来构建自定义的图像处理流程
80%已验证Apache Airflow和Prefect等数据编排工具都基于DAG模型
80%已验证LangGraph基于有向图的状态机模型，提供更精细的流程控制能力
80%已验证DAG的有向无环特性保证任务按拓扑顺序执行且不产生循环依赖，是Apache Airflow、Prefect等工作流引擎的核心设计
75%已验证LangGraph将Agent执行逻辑抽象成有向图，支持含环图，而传统工作流工具如Apache Airflow通常只支持有向无环图（DAG）
75%已验证Apache Airflow以Python定义任务依赖关系，将DAG本身作为代码进行版本管理
70%已验证有向无环图（DAG）是一种图论结构，节点代表任务单元，有向边代表依赖关系，无环特性确保任务执行不会陷入死锁
70%已验证n8n的核心架构基于有向无环图（DAG）模型，数据以JSON格式在节点间流转
70%已验证ComfyUI采用有向无环图（DAG）架构，用户通过连接不同功能节点来构建处理管线
70%已验证并行任务编排的权衡在于并行推进提升速度，但某节点失败时需协调机制避免兄弟节点浪费算力及实现精确回滚
65%已验证Git采用有向无环图（DAG）来组织提交历史，每个提交节点指向其父节点，分支是指向某个提交的可移动指针
65%已验证DAG的无环特性通过拓扑排序算法确定性地推导出唯一合法的执行顺序，从根本上杜绝死锁
65%已验证工作流是一种将多个处理步骤串联成有向无环图（DAG）的编排机制
65%待验证n8n的工作流模型基于DAG（有向无环图）数据结构，流程结构在执行前就已固定
85%待验证工作流在技术层面对应DAG（有向无环图）任务编排，定义了智能体完成任务的步骤序列
85%待验证自然语言驱动的工作流构建本质上是意图理解、任务分解、节点编排的三阶段过程，节点编排成有向无环图（DAG）形式
85%待验证Workflow Agent基于有向无环图（DAG）或状态机将业务流程拆解为节点，每个节点可调用LLM推理、API接口或数据库查询
85%待验证Dify 的工作流编排采用有向无环图（DAG）结构，以节点连线方式定义数据流转逻辑
60%待验证ComfyUI采用有向无环图（DAG）架构，其执行器会自动分析图的拓扑结构，只重新计算发生变化的节点分支（增量执行）
60%