一句话定义：GraphForge（图锚定工作区合成）是一类给智能体（agent）造训练数据的方法——先把智能体要干活的那个"工作区"抽成一张图，再沿着这张图生成任务、生成参考答案、生成验证信号，让编码或办公智能体在复杂环境里学会可验证的操作和清晰的状态追踪。
图从哪来
所谓"工作区"，可以是一个代码仓库、一套文档、一份大型表格，甚至一个项目的任务清单。把它抽成图，节点就是文件、函数、类、接口、配置项，边就是导入关系、调用关系、继承关系、共同读写同一份状态、测试覆盖关系。这张图不需要多完美，但必须是"结构上真实"的——谁依赖谁，改这里会牵动哪里，图上写得很清楚。
怎么合成数据
有了图，造数据就从"随机抓一把"变成"沿着结构走"：在图上取一个连通子图当任务现场，围绕它生成可判定的任务——改一个函数签名，看哪些调用点会被波及；把某个状态在三条路径上传递，看它在哪一步错位；跨文件重命名，看测试还会不会过。因为依赖真相本来就在图里，答案可以由执行和静态检查验证，不必再靠另一个模型打分。每一步读了哪个文件、改了什么、跑了什么测试，也顺势记成一条带状态追踪的多轮轨迹。
打个比方：随机采样任务，像让装修工人闭着眼睛在屋里随便敲墙；图锚定则是先拿到全套水电图和承重墙图，再派活——"把二楼厨房的水管改道，注意别碰这根主梁"。活儿清楚了，验收标准也清楚了。
和相邻概念的区别
| 对比对象 | 关键差别 |
|---|---|
| 随机挑文件拼 prompt | 后者常造出无解任务、忽略跨文件依赖，答案不可验证 |
| RAG（AI 词典：检索增强生成">检索增强生成） | RAG 是给模型喂上下文，属于推理时供给；GraphForge 是生产训练数据 |
| 单纯合成单元测试 | 测试只管一个判分点；图锚定管的是"整个工作区哪里被牵动" |
| 轨迹蒸馏 | 蒸馏靠老师模型的判断，图锚定靠结构约束和执行结果 |
为什么值得关注
长程任务是智能体最缺数据、也最容易翻车的地方——跨文件重构、bug 定位、多步状态追踪，靠单文件问答练不出来。图提供了一个天然的骨架，能把"改一处、动一片"的真实复杂度规模化地造出来。对从业者来说，这意味着数据质量的重心从"量大"转向"可验证"：一个真实会挂的负例，往往比十个编出来的正例更有价值。评估时也可以专门看状态追踪——智能体能不能说清自己走到哪一步、哪些假设已经被推翻。
对普通职场人，这套思路同样能用：给 AI 派活时，把"依赖关系图"一并交出去（这份表被哪些报表引用、这个流程的上游是谁），比让它自己摸索要高效得多。至于具体项目的命名、接口和能力边界，以各项目官方页面为准。