🧩 **图表在处理动态控制流时存在根本性缺陷**：AI智能体的应用场景，如LLM根据用户提示动态决定调用工具的顺序和集合，是静态图表难以捕捉的。将真实控制逻辑隐藏在代码块中，使得图表成为代码的薄外套，不如直接使用代码来链接代码块清晰高效。

💾 **图表的数据管理模式脆弱且易出错**：图表系统通常依赖全局键值存储或节点间传递大型JSON数据块，这两种方式都容易导致作用域不清、字符串匹配错误，以及难以调试。而Durable Execution能抽象化中间结果的持久化，无需全局存储。

⚠️ **图表难以处理复杂的错误处理和补偿逻辑**：在分布式系统中常见的Saga模式（补偿机制）本质上是动态控制流问题。当执行路径复杂且数据依赖时，用图表表示所有可能的补偿路径会变得极其复杂和难以管理。代码中的try/except/finally和幂等活动提供了更自然、可测试的补偿方式。

🚀 **代码能免费获得现代开发实践的优势**：将工作流逻辑视为代码，可以利用版本控制（Git）、自动化测试、CI/CD、IDE的智能提示和重构等成熟的软件工程工具，极大地提升开发效率和代码质量。图表则剥离了这些优势，使得代码审查、测试和部署变得困难。

💡 **“可视化”的诱惑是虚假的**：图表声称的直观可视化并不能准确反映真实的控制流和数据处理。隐藏在数据依赖表达式中的逻辑、非类型化的全局映射或脆弱的字符串选择器，使得图表无法代表复杂的现实。通过代码集成标准追踪（如OpenTelemetry）可以生成更精确的执行图。

Graphs break for dynamic AI agents. Durable Execution lets you build resilient, stateful workflows in plain code — with real error handling, retries, and tracing.