一句话

DAG = Directed Acyclic Graph，中文常叫有向无环图。它是一种图：边有方向，且沿着方向走永远走不回起点。

先说「图」

图（Graph）由两类东西组成：

  • 节点（Node / Vertex）：事物本身，比如「编译模块 A」「跑测试」「部署」
  • 边（Edge）：节点之间的关系，比如「A 完成后才能做 B」

边如果没有方向（A—B 和 B—A 一样），叫无向图；边有方向（A → B 表示从 A 到 B），叫有向图（Directed Graph）。

Directed：边有方向

在任务依赖、数据流水线里，方向通常表示「先后」或「依赖」：

  写接口 ──► 写单测 ──► 跑 pytest

意思是：写接口完成之后才能写单测；单测就绪之后才能跑 pytest。反过来走没有意义——不能「先跑 pytest 再写接口」。

Acyclic：不能有环

「无环」是说：沿着箭头走，不会绕回已经走过的节点。

有环的例子（这不是 DAG）：

  A ──► B
  ▲     │
  └─────┘

A 等 B，B 又等 A，两边永远等不到对方。包管理里的循环依赖、构建系统里的互相引用，本质都是环带来的死锁。

无环的例子（这是 DAG）：

       ┌──► B ──► D
  A ───┤
       └──► C ──► E

从 A 出发可以走到 B、C、D、E，但没有任何一条路径能回到 A。因此一定存在至少一个「没有入边的起点」，以及至少一个「没有出边的终点」。

为什么工程里爱用 DAG

因为无环 + 有向，天然对应「可调度的依赖关系」：

  1. 找出当前没有未完成依赖的节点（入度为 0，或依赖都已完成）
  2. 执行它们（可以串行，也可以在无相互依赖时并行）
  3. 完成后解锁下游节点
  4. 重复直到全部完成

把节点排成一个「不违背任何依赖边」的线性顺序，叫拓扑排序（Topological Sort）。DAG 一定能拓扑排序；有环的有向图则不能（至少对成环的那部分不行）。

这也是为什么 Airflow、Makefile、包管理器、CI pipeline、以及 Graph Engineering 里用任务队列当图 时，都爱用 DAG 这个词：它们要的不是随便一张网，而是「有先后、无死锁」的调度结构。

常见出现场景

场景 节点大致是什么 边大致表示什么
Makefile / 构建 目标文件、产物 依赖哪些输入
包管理 库 / 模块 依赖关系
Airflow / 数据管道 一个 Task 上游 Task 完成后才能跑
CI pipeline job / stage 阶段依赖
Agent 任务编排 一个专职步骤 阻塞 / 被阻塞

注意：很多「图编排」框架（例如 LangGraph）在运行时允许带环——比如失败后回到修复节点再试。那是状态机 / 有向图，不一定再强调 Acyclic。叫 DAG 时，通常已经假定调度结构本身无环；重试、循环往往落在「某一个节点内部」或「边上的条件回到上游」，实现细节因框架而异。

和「树」差在哪

树也是无环的，但更严：通常有唯一根，且任意两个节点之间至多一条路径。

DAG 更松：可以有多个「源头」，也可以多个上游汇到同一个下游（如 B 和 C 都完成后才能做 D）。任务编排里这种「多依赖汇合」很常见，所以用 DAG 而不是树。

  树：每个节点（根除外）只有一个父
  DAG：一个节点可以有多个前驱，也可以有多个后继

小结

记三个词就够：

  • Directed：关系有方向（先后 / 依赖）
  • Acyclic：不能绕圈（否则调度会死锁）
  • Graph：用节点和边把整张依赖关系画清楚，再按拓扑顺序执行

碰到「任务队列当 DAG」「pipeline 是一张 DAG」这类说法时，指的就是：步骤是节点，依赖是有向边，整张图无环，因此可以安全地按依赖解锁推进。