借助云能力,小游戏开发过程是如何升级的?

导语 | 9月21日,云+社区技术沙龙“小程序·云开发”北京站圆满落幕。本期沙龙腾讯云联合猫眼、即速应用、白鹭引擎等企业,将从小程序·云开发后台技术、云开发实时数据推送实践、云开发AI智能客服实践等方面揭秘云开发应用实践,带来更多技术实战分享。本文是张宇老师关于如何使用白鹭引擎开发和实时数据推送能力更好的为小程序服务的内容分享。

 

张宇,白鹭科技高级产品经理,多年页游及 HTML5 游戏开发经验。负责白鹭引擎研发,主导开发了 Egret Launcher 等 IDE 工具。

本文分三个部分:

第一部分认识白鹭引擎

第二部分实时数据推送能力实战项目

第三部分是小游戏+云能力

认识白鹭引擎

白鹭引擎是最早的游戏引擎,如果做H5游戏或者微信小游戏的朋友都认识我们,我们不光可以做H5游戏还可以一键发布到iOS、安卓上的云上应用,所以是跨平台的游戏引擎。我们有非常完整的开发工作流,比如说龙骨动画编辑器还有3D游戏编辑器,这些都可以对开发效率有很大的提升。

这些是用引擎做的比较出名的小游戏,比如说早期的2014年的“围住神经猫”,当时微信刚刚推出了转发分享的功能。南京两个开发者用一天半的时间做出这个游戏,通过分享功能一下就火了。大家多使用腾讯和微信推出的新功能,可能对大家的开发有很大的帮助。现在引擎里已经集成了云开发能力,在新建项目的时候已经默认开启了这个功能,就不需要手动配置了,就更方便了。

实时数据推送能力实战项目

   

做游戏肯定要涉及到服务器和游戏端数据交互,传统的方式一般分为短连接和长连接。

左边轮询方式是短连接里常见的方式,游戏端向服务器发送一个消息,服务器返回一个消息。游戏端再发一个消息,服务器再返回一个消息,这样一问一答。这种模式下,服务端是不能主动地给游戏端推送消息的,必须游戏先发请求服务端才能返回消息。一般对数据实时性要求不高的游戏一般都用短连接的方式,因为对服务器的压力比较小。比如之前常玩的网页游戏“开心农场”都是短连接,你点一块田地,游戏端会向服务器发送一个收粮食的请求,服务端计算以后告诉前端收100个粮食,然后播放一段收粮食的动画,最后把这个粮食给加上,这就是一个短连接的方式。

   

还有一种是长连接的方式,比如说Websockets,这是H5里面比较常用的长连接方式。长连接的方式是游戏端和服务端一直保持着同时状态,游戏随时可以给服务器发消息,服务器也可以随时给游戏发消息,这个对数据实时性得到保障。比如说对战游戏“王者荣耀”对实时性要求比较高都用长连接,两人互相攻击如果不是用长连接就产生延迟,我先打你反而我先死了就出现了问题,这种实时性比较高的都使用长连接的方式。

   

这是数据实时推送能力,在使用的时候可以把它理解成新的方式。我们使用手机的时候每天都会收到各种各样推送的消息,微信、钉钉等等。

 

实时推送的消息跟手机里的消息推送是很类似的,它的工作流程是在服务器和数据库里面我们会存着各种各样的数据,比如说金币、生命值、各种道具。在进入游戏的时候,游戏端先向服务器发一个消息说我要先监听哪些数据,然后这个数据只要一发生改变,在游戏端就会通过推送接收到改变后的数据。举个例子,比如说游戏里面有一个排行榜,里面储存的是前10名玩家的分数,第一名1000分,第十名100分。现在有100人玩这个游戏,他们进游戏的时候都会主动告诉服务端说要监听游戏排行榜。然后有一个玩家玩这个游戏,他得了100分,游戏会通过调用云函数把玩家的分数发送给服务端。服务端收到分数以后一计算,他比原来第十名分高了,这个人就成为了新的第十名。这时候后端服务就会把数据库里的排行榜改变掉,改变之后就可以通过数据推送把新的排行榜推送给玩家,这就是整个数据推送的流程。

   

排行榜怎么做呢?

右边是游戏常见的排行榜,包含几个信息:一个是玩家的名字,一个是来自哪个区,哪个家族,最后是战斗力分数,通过战斗力分数实现排行榜。

   

制作这样一个排行榜使用数据推送能力的话,分为四步就可以实现。

第一步骤是在数据库里创建排行榜数据,存一些信息。游戏端监听这个数据的变化;

第二步在游戏端通过调用云函数,把玩家的战斗力分数、玩家信息发送给服务端;

第三步是服务端接收到发送的数据以后再重新计算排行榜,储存到数据库里;

第四步游戏端通过监听排行榜,收到服务端推送来的新的榜单,改变游戏里面的内容就OK了。

   

具体来说一下这四步怎么来做。

 

1.数据库里创建排行榜数据。

现在云能力已经跟微信深度绑定,打开微信开发者工具在左上方有一个云开发按钮,点击以后就可以看到云开发控制台。点击数据库,进入数据库面板,看到左、中、右三个区域。最左边有集合名称,点绿色加号创建一个叫rank的名称,可以集合各种的排行榜;中间有一个添加记录,添加一个top10的 id 记录,就可以存放前10名玩家的数据。在游戏里监听的就是这个rank和top10;最右边有一个list的字段,这是一个数组,里面是前10名玩家具体的数据。我们可以看到每条数据里包含着family、name、score(分数),数据就在数据库里创建好了。

   

2.游戏端通过调用云函数,把玩家分数发送给服务端。

通过调用云函数实现的就是WX.cloud.callfunction。其中name字段就是调用云函数的名字,这个是调用的是addScore的云函数,addScore后面会说到它具体功能。下面是data字段,发送的是玩家数据,包括在数据库里看到family,来自哪个区、哪个家族,一个是name,玩家名字,然后score就是分数,这样通过函数把玩家数据发送给服务端了,是很简单的。

   

3.云函数addScore的具体功能。

这里简单地说一下,它实际上是在服务端运行的js脚本,可以理解为是node服务器运行的小功能,每个云函数就是小的node js的项目。在游戏端通过调用addScore以后,在服务端会运行这段代码。这段代码实现的几个功能,第一个是把top10的数据先拿出来。通过

"await db.collection(rank).doc(top10).get"的方法,其中rank和top10就是在数据目录里创建的数据。然后调用数据以后取出list(数组),里面放的前10名玩家具体数据。然后再通过push方法把newData放到数组里。newData就是刚才在游戏端调用云函数发送过来的数据,就是family、name、score这三个数据。然后再通过sort的方法,按照score(分数)从大到小的方式把11条数据进行排序。原来有10条又放了一条现在有11条。然后通过splice的方法取出前10,最后通过await方法更新list,这样数据就更新掉了。这就是云函数addScore的具体功能。

addScore主要实现了三个功能:

(1)接收到游戏端发的newData数据

(2)对排行榜重新进行排序

(3)分析把list重新更新到服务端

   

4.游戏端监听排行榜数据变化。

通过watch方法监听rank里面的top10。这时候服务排行榜的数据已改变,就通过onChang的方法接收到服务端推送过来的新的榜单,然后在游戏里面更新榜单就OK了。这是制作排行榜的具体流程。

在做微信小程序比较多,微信小程序里有一个单向数据流的概念,在前端框架里都会有这个概念,比如说Actions、View,State都会有这个概念,这是一个简单地框架示意图,前端View通过一个行为Actions,然后改变数据的状态State,根据改变后的数再据刷新页面,这是单向数据流的概念。

我们在做游戏的时候如果使用的是数据推送的话,这跟单向数据流的概念非常类似,可以把游戏端当做View,云函数当做Actions,数据库当成State。在游戏端通过调用云函数改变数据库的数据,然后再通过推送把数据发送给游戏端,游戏端来改变数据内容。这样就形成了循环,我们在游戏的时候可以使用数据驱动的思想来制作游戏。

   

比如要做一个卡牌游戏,一般都有游客观看的功能,可以做一个出牌记录。传统的的方式做记录都是“轮询”方式,每隔一两秒钟向服务端发一个请求,问一下服务端有没有人出牌。比如服务端告诉第三个人出一张小王,你收到消息以后就把牌给第三人加上,这种方式一般是基于逻辑的制作方式,就是服务器告诉什么事情就做什么事情。

   

现在使用单向数据流的概念,就是用数据驱动的概念做游戏。通过实时数据来做这个功能比较简单的,使用数据驱动的概念制作游戏,通过实时数据来做是比较简单地。

首先在数据库里创建一个Cards的数据,里面存放四个人的出牌记录,游戏端然后通过Watch监听Cards数据变化。只要你收到推送的消息,比如说有人出牌了改变了出牌记录,这时候不需要知道谁出牌了,只要知道有人出牌就OK,把四个人的牌全清掉,按照出牌记录全部摆一遍就OK了。利用数据驱动的思想使用实时数据流推送的功能制作这种游戏还是比较简单的。

小游戏+云能力

营销类小游戏里面最常用的功能是抽奖,很多时候抽奖都是假的,只能抽小奖,然后把它记录在小游戏本地。我们跟一些开发者聊过,很多时候不是不想做抽奖,由于成本原因或者其他一些原因没有后端服务器和后端工程师配合,没有后端是肯定做不了抽奖的。我们现在有了云能力就可以做这种功能了,前端通过调用云函数就可以实现后端常见的功能,所以开发用户体验会好很多。使用实时数据推送能力给小游戏会带来很多玩法,比如说可以增加互动性的玩法。

我们一个开发者给餐厅做了一个小游戏,顾客在等餐的时候可以通过扫码玩游戏,钓鱼、挖金矿、打地鼠,他不能一个人玩必须几个人合作完成,到了多少分给一个十块钱代金券。餐厅非常欢迎这种游戏,我们使用实时数据推送就可以做这种互动性比较强的玩法。

   

另外还有一些实时性的玩法,比如说营销类游戏或者其他游戏都会鼓励玩家分享,转发完之后就可以继续玩这个游戏,这时候屏幕上会跳出你的好友谁谁谁在玩这个游戏,可以增加金币,这时候玩家的感觉会好,这是使用实时性推送的实时性的玩法。所以充分利用好云能力带来的帮助,可以给小游戏带来新的玩法和新的功能。

   

云能力对于开发过程会带来很大的改变。

   

1.不需要服务器

它没有服务器意味不需要域名备案,现在域名备案要实名认证,还要牌照,有时候两三个星期都走不了这个过程,现在利用云能力就变得简单了;

   

2.不需要后端

如果做H5游戏或者微信小游戏做的比较火赚了很多钱,一般都会遇到被黑客攻击,有的是竞争对手眼红导致的,包括我们网站都被攻击,花了很多钱才搞定了。现在使用云能力不需要担心,晚上可以踏踏实实睡觉不担心被老板叫醒了。因为没有服务器,黑客怎么攻击呢?黑客要攻击你的话得把腾讯云搞挂了,这个太难了。这是使用云能力潜在的特别好的好处。

   

另外对于开发来讲,它用的云能力没有服务器是不需要后端工程师,可以减少人员成本开支;没有服务器也不需要再配服务器,这个成本也会省下来;不需要前后端联调,做游戏都需要前后端联调的。开发初期前后端工程师坐在一块儿对接口、支付接口、反馈数据,定好以后前后端再各自开发自己的功能。前端因为后端功能没有做好,一般前端会返回一些数据,这样可以优化流程。前端功能都做好以后,两人就对接口进行联调,这时候会出现各种各样的问题,最常见的是数据格式不统一,比如说前端是一个对象,后面返回一个数组,甚至接口都可能不一致,比如说前端要6个数据,后端只返回来4个数据,另外两个在另外一个接口里。

   

我们使用云能力就没有麻烦了,因为没有后端工程师,没有联调阶段了,开发者在前端直接调用云函数从服务器拿到最终的数据,也没有这个过程了,所以周期也会少一些

   

另外在做游戏的时候都区分开发环境和生产环境,开发环境是在公司内部署一个服务器,在上面开发功能然后进行前后端联调,功能做好以后再把代码部署到线上。在上线的过程中也是各种各样的问题。在上线过程中最常见的是配置端有问题了,游戏端的代码也要改,最起码线上的生产环境和开发环境服务器地址不一致。如果用到云开发这个过程是比较简单,因为区分开发和生产环节利用小游戏的appID就可以区分了,这个ID是开发环境,那个ID是生产环境,改一下就OK了。游戏端的代码都是不需要修改,这个过程也会变得很简单。

   

刚才我们看到如果使用云能力的话还是需要前端写代码来实现功能的。白鹭引擎现在做的事情是把常见的组件封装起来,有聊天室组件、排行榜组件、公会组件等等。这些组件包括基本的UI展示、游戏端的逻辑、服务端云函数的代码逻辑,这些都写好了,开发者只需要把界面改成自己的就可以了,可以减少开发工作量,这是白鹭引擎跟云结合的发展规划。

    

Q:关于白鹭引擎有三个相关的问题请教一下。白鹭引擎对数据实时分送做了哪些工作?第二,数据实时推送如果失败了的话,比如说断网3分钟以上白鹭引擎如何重新进行监听的?第三白鹭引擎如何实现单向数据流,有什么好的方案?

A:我们刚开始做这个事情,第一步封装就是聊天室的,要实现一个周边的功能比如说给客户一些公会、服务器登录这些,我们会先做一下之后会再推出。断网的话,这个就是自己的逻辑。比如说你收到消息定时再发一遍。

   

单向数据流是做游戏的思路不是具体的方案,可以用数据驱动的思想来做,有两种,传统的是基于逻辑的思想,这是前端开发的比较火的思想,它是思想并不是具体的方案。封装组件的时候比如说收到消息以后,内容就刷新一下就OK,重新定位一下。

 

----------END----------

关注云加社区,回复 3 加读者群

点在看,让更多人看到

相关推荐

大模型的Agent Skill功能,在LLM HTTP底层交互流中是怎么承载的?

网络文章文本的 skill,昨天我实现了之后也就开始好奇起 Skills 的底层原理了——相比起各种花里胡哨的 agrnt 应用,我一直以来都很对大模型在纯粹的 HTTP 交互层面是如何交互的更感兴趣。Skill 的全部"魔法"都发生在 system prompt 的措辞和 SKILL.md 文件的编写质量上——本质上是一种 prompt engineering + 文件系统的组合。但是各种天花乱坠的 skills,是如何在底层的 HTTP 中,与大模型——这个只会嘴遁的工具交互的呢?

QcloudCommunity的博客 406

万字入门AI Infra:深入理解大模型中的数学与Infra优化

关注腾讯云开发者,一手技术干货提前解锁👇AI Infra科普、入门或者进阶 ~~ 不到 5 万字,带你融会贯通理解大模型的数学、算法、硬件到系统工程。任何问题欢迎沟通交流。可怕,我竟然有点认同这句话。当然大概率是因为姚顺宇太懂AI了,而我则是因为无知者无畏。不过仔细想想,大模型推理中的数学逻辑确实不复杂,很多原理只需要高中数学知识就能看懂。但是为什么像 vLLM 这种推理系统这么复杂呢?本文将拆解大模型中几个核心操作(RMSNorm、Softmax、Causal Mask、Sampling)背后的数学与

QcloudCommunity的博客 1166

平平无奇的源码,竟藏着Agent的核心秘密?

System Prompt 是剧本,Skill 是剧本的扩展包,Agent Loop 是演员按剧本行动。欢迎留言,我们将邀请作者针对性回复你的评论,我们将选取1则优质的评论,送出腾讯云定制文件袋套装。,让 Agent 能主动"巡逻",而不只是被动等待用户消息。OpenClaw 的 System Prompt 分层结构。的"行为底线",任何 Skill 或用户命令都无法覆盖它。精华 2:Skill 的"按需加载"避免 token 浪费。精华 1:System Prompt 是"分层乐高积木"

QcloudCommunity的博客 426

QQ音乐Harness Engineering实践

一个看似简单的需求,背后可能牵动服务调用链、配置、灰度、埋点、错误码、接口契约和历史兼容性。当 AI 开始快速生成大量代码,真正的瓶颈就不再是"写不出来",而是"看不完、想不清、管不住"。在对话式编码阶段,一种典型的工作模式逐渐流行:开发者把需求丢给 AI,扫一眼输出"看起来对"就直接采纳,不审 diff、不追问逻辑、不验证边界。以音乐商业化业务为例,一个需求可能从 TAPD 单开始,经过需求评审、技术方案、服务影响面分析、IDL 契约变更、业务代码实现、测试验证、CR、灰度上线,最后才进入稳定运行。

QcloudCommunity的博客 713

从Prompt、Context到Harness,工程的三次进化与终局之战

同时,强制要求散落各处的决策记录(Slack、邮件、文档)全部迁移至代码仓库,确保 Agent 的唯一信息来源是可信的、版本受控的仓库。更坑爹的是,研究表明,当上下文过长时,模型会出现"中间遗忘(Lost in the Middle)"现象:它对开头和结尾的内容记忆较好,对中间大段内容的关注度大幅下降。这篇文章,我想带你完整走一遍这三次进化的逻辑:它们分别解决了什么问题,它们之间是什么关系,它们的边界在哪里,以及:当三者融合,AI 工程师的终极形态究竟是什么?大语言模型的本质,就是这位金鱼助理。

QcloudCommunity的博客 718

让Skill自己训练自己:8阶段Loop、3层评测、5维AND门控,从此实现自进化

所以每一轮改动都是有据可查的,不是「感觉这里可以优化」,而是「Case 41 挂了,因为 agent 把离职问题路由到了邮箱分类,但正确答案在通讯录,所以我改 root_index.md 加个易混淆提示」。但让我最后决定把它记录下来的,不是这的个「吸收」过程,而是它真的在替我探索我不想费脑力触达的边界,这看起来更像是一个机器智能应该有的样子。不准跨层,每轮只改一层的东西。但我经过这 19 轮之后觉得,更准确的描述是互补——你在明处看着,AI 在暗处替你试错,你看不见的那一半就是 AI 能贡献的地方。

QcloudCommunity的博客 1127

只加两行代码,为什么要两天?一文深度理解业务系统的复杂性

关注腾讯云开发者,一手技术干货提前解锁👇业务系统复杂性一直是令开发者头痛的问题。复杂的不是增加一个需求需要耗费多少时间,而是在增加一个需求后带来的蝴蝶效应:其它功能会不会受到影响、要如何去找到这些影响,最终如何实现系统正常运行......功能之间隐秘增加的耦合、不可避免的代码腐化在导致业务复杂性增加。大家都在说的软件开发提效到底在提什么?程序员日常工作中应该如何提升开发效率?敏捷开发、瀑布流式开发孰是孰非?欢迎阅读。业务背景与目标我依然非常清晰地记得某个时候,我所在团队 Leader 曾讲过一段话:“我担

QcloudCommunity的博客 712

从零设计生产级 Multi-Agent Harness:架构、评估、记忆、成本与 MCP 工具接入全拆解

在 AI Agent 领域,Multi-Agent Harness 指的是把多个 Agent 的能力、工具、状态、通信、编排、监控统一收束在一个运行时之内的框架。第三,Agent 路由。一个输入框,一个大模型,几个工具,一段写得很漂亮的 System Prompt,再配上一个炫酷的前端,看起来就像一个能干活的“数字员工”。Multi-Agent 完全不一样——它有计划、有中间步骤、有工具调用、有 Agent 协作、有重试、有反思、有最终合成。增加 Budget、权限、重试、压缩、轨迹评估、审计、回归测试。

QcloudCommunity的博客 710

拆完Hermes源码,我发现Agent的“自我进化“根本不需要训练模型

两个月 5.2 万 Star,Hermes Agent 用一个"LLM 审判官"机制实现了 Agent 的自我进化——不改模型权重,只改"怎么用模型"的策略。OpenClaw(社区昵称"龙虾"🦞)是 2025-2026 年最火的开源 Agent 框架,30 万+ Star,插件市场 ClawHub 里有数千个插件,能接入 Telegram、WhatsApp、Slack、飞书、企业微信——几乎是一个"个人 AI 操作系统"。Skill 是英语写的,Memory 是英语写的,审查 Prompt 也是英语写的。

QcloudCommunity的博客 909

AI Infra 其实没有多少新东西

传统 Infra 追求横向扩展,而 AI Infra 呈现 “AI 大型机”特性,是因为传统后台服务的可以容忍毫秒级延迟,但 AI 集群不行,GPU 的算力是 CPU 的数百倍,微秒级的延时等待也会造成很大的算力损耗,需要硬件的高度集成。在可预见的1-3年的未来,这样的专用硬件+网络的集中式架构很难发生比较大的改变。与之相似,模型推理的批处理就是将多个输入样本打包(batch),将原本串行的 N 次轻量的推理计算,合并为 1 次重量的计算,实现单位时间内处理更多的请求,提高了 GPU 利用率。

QcloudCommunity的博客 824

程序员越早想通这些越好

永远没有正确架构,你永远无法偿还完所有的技术债务,如同你永远不会设计出完美的界面,请避开完美主义的陷阱,永远没有完美的代码,能够满足当前需求,又为未来不管是自己还是他人留有扩展空间,就很好了。我们努力的方向就是将现实世界映射到有限的数据结构中,这就需要用户自定义类型,如果你的代码中包含类似 trader portfolio 这样的概念,你就可以使用他们的名称来建模,而不是使用基本数据类型复杂嵌套表述你的目的。从另一个角度看,代码里的注释都是补丁,是碎片化的,局部的注释很难推导模块整体的顺序及耦合关系。

QcloudCommunity的博客 465

RAG已死?不,是Grep回归了!

这样一来可以直接复用已有的计算缓存,只为新增的增量部分付全价,前面累积的大头按约 1/10 的缓存价计费。所以实际的工具组合方式是灵活的:Grep(默认模式)→ Read 是最常见的路径,但 Grep(content 模式)可以独立使用,LLM 也可以直接调 Read(如果已经知道文件路径),或者一次同时发起多个 Grep 并行搜索。它从零开始构建自己的对话历史,不继承主对话的消息,这意味着它搜索过程中产生的大量 grep 结果、代码片段都留在自己的 context 里,主对话只收到一段总结性的文本结论。

QcloudCommunity的博客 576

深入浅出Harness Engineerring之核心模式与理念

在智能体生命周期的关键节点(如会话开始、工具调用后)自动触发预设动作(如代码格式化),由系统确保关键流程被执行,不依赖可能被模型遗忘的指令。简单讲就是利用向量存储这个技术,来实现模糊检索,原理是:即使字面不同,但语义相近的文本,其向量在数学空间中的位置也很接近。根据命令类型、参数和影响,自动评估其风险等级(安全、有风险、危险),并采取自动执行、请求确认或直接拦截等不同策略。关键特性是可隔离、可重建、可扩展。不是一次判断就定终身,允许你改变、允许情况复杂,通过不断观察、思考、调整,越来越懂真实的你。

QcloudCommunity的博客 623

Harness Engineering实践心得:如何高效驾驭AI?

但如果这些经验被拆成一条条 Rule、一个个 Skill、一项项 Script 检查——"XAML 不能有中文"、"编译要用这个路径的 MSBuild"、"SVN 命令必须带认证参数"——AI 就能在秒级时间里"吸收"十年的踩坑经验。然后可以看到下方的图,我的PM会很顺利的调度其他agent分别负责不同的事项,遇到问题的时候也能准确的找到合适的agent。MCP 本质上是在扩展 AI 的"感知范围"——Rule 管"该怎么做",Skill 管"怎么操作",MCP 管"能看到什么、能碰到什么"。

QcloudCommunity的博客 841

从第一性原理思考 Agentic Engineering

需要注意的是,这一结论是有条件的:如果 AI 缺乏领域知识,过早介入反而可能引入 1.2 节所述的"似是而非"损耗——因此上下文供给(实践 1)是 AI 全链条参与的前提,而非结果。通过一个专门的自迭代 Skill 实现——当 AI 在协作过程中识别到自己被纠正(用户否定了 AI 的输出并给出了正确方向),它自动评估这个错误的根因,搜索现有的 Rules 和 Skills 中是否已有针对该类问题的处理规则。事实上,越是复杂的项目,工程师的认知负担越重(公理 3),AI 分担认知负担的潜在边际价值也越大。

QcloudCommunity的博客 757

万字干货!Harness Engineering如何工程化落地?

关注腾讯云开发者,一手技术干货提前解锁👇Harness Engineering 的概念已经火了有一阵了,全网很多文章基本都是在讲理念,讲为什么今天做 AI 开发,不能只靠一段提示词,也不能把模型当一个“更聪明的代码补全”。但与此同时,一个问题也在持续地发酵:这个问题特别重要。因为 Harness 这个词听上去很大,很像一个抽象的方法论,但它如果不能落到工程、目录、文档、脚本、工作流里,那它最后就只是一句漂亮的话。事实上,不同项目落地出来的 Harness,表面上可能完全不一样。有的项目是 CI 很强,有的

QcloudCommunity的博客 1169

全方位对比:Hermes VS OpenClaw

多账号矩阵运营 如果你的业务涉及同时管理多个社交媒体账号、多个平台的内容分发、多渠道的客户互动——OpenClaw是目前市场上的"无可替代的底座"。一个有专业背景的个人,现在可以快速构建一个垂直领域的AI助手:比如"财务分析Hermes"、"法律咨询Hermes"、"技术架构Hermes",直接通过微信提供服务,积累自己的专业IP。跨平台生态融合 如果你的工作流涉及飞书、Slack、Discord等多个平台的深度集成,需要这些平台之间的数据流转和联动——OpenClaw的生态支持是强大的。

QcloudCommunity的博客 1217

一文讲透:Harness Engineering即控制论!

而研发模式的升级我认为将会是一个飞跃的过程,之所以现在我们仍然需要需要参与编码,一个非常大的原因就是缺乏传感器和基建,仍然需要人来串流程,比如需要人来验证UI是否正确、需要人来告诉AI代码不符合代码规范,因此在有些场景我们仍然感觉 AI 完成的很吃力,但这不是 AI 能力不行,而是我们并没有为 AI 提供友好的环境……控制论中的突变理论介绍了矫枉过正和飞跃现象之间的矛盾,如果质变中经历的中间过渡态是不稳定的,那么他就是一个飞跃的过程,如果中间过渡态是稳定的,那么他就是一个渐变的过程。但是这些阶段要解决的。

QcloudCommunity的博客 1203

神级开源插件!一句话让QClaw变3D小镇,Agent工作可视化,赛博云监工

这个架构是翻了几次车才想通的—原有AI的实现机制是用 setTimeout 猜动画时长导致了幽灵 NPC、工位撞车、越改越崩,后面我停下来换了思路,推翻原有的架构,按照“意图+回传”的架构进行重构,之前的问题一次性全部解决。15 天,我和 AI 吵了 185 次架, 4.5 万行代码,开发了一款 QClaw / OpenClaw 的UGC游戏插件,这可能是人类跟 Agents 交互的新范式,插件已完全开源,有需要的欢迎自取~我天天用,用着用着我就在思考,Agent 产品现在的交互体验,基本都一个样。

QcloudCommunity的博客 1196

一文搞懂Hermes:新顶流Agent如何从经验中自我进化

Voyager 是一个能在 Minecraft 中自主探索、学习技能、无限积累能力的 AI Agent,它提出了 "Skill Library"(技能库)的概念——Agent 将成功的行为序列编码为可复用的技能函数,存储在一个持续增长的代码库中。如果 Skill 的名称和描述不够精准,或者用户的任务描述与 Skill 的触发条件有语义差距,Agent 可能会错过相关的 Skill。如果进程在写入过程中崩溃,目标文件要么是旧内容(还没被替换),要么是新内容(替换已完成),绝不会出现写了一半的损坏文件。

QcloudCommunity的博客 2634

自掏腰包一万元,拥抱AI这一年,我的工具、实践和思考

其实也很好理解,过往的每个领域(比如前端、后端、设计、测试等等)都主要是这个领域的从业者在为它添砖加瓦,但是大模型时代的 AI 应用领域却几乎是所有使用 AI 的人类一起在迭代,无分领域,无分文理,无分老少。因为每个时期的 AI 都有着不同的特点,很多时候当我费尽心思去钻研,自以为有点弄明白 AI 应该怎么玩的时候,基座模型和行业范式常常就会迎来颠覆式的变革,很多过往的经验都会倾覆,然后只能从头再来。过去一年多,被热议的 AI 范式大概是沿着四个阶段递进演化,每一个阶段其实都在解决前一个阶段的核心问题。

QcloudCommunity的博客 627

办公Agent的CI/CD时刻到来了

核心观点是:企业给员工配了一堆 AI 工具,试点跑了几百个,但真正拖慢 AI 转型速度的瓶颈不在模型能力,在"最后一公里":AI 输出和实际工作流之间的那道鸿沟。代码写完,打个 tar 包,开 FTP 传到服务器上,SSH 进去解压,改配置文件,重启服务,刷一下页面祈祷别 500。你复制,切窗口,粘贴到腾讯文档里,发现 Markdown 格式全乱了,手动调标题层级,代码块重新标记语言类型,表格散架了重排一遍。模型是越来越聪明了,但"生成"到"落地"之间那段路,还是你自己在走,一步一步,手动搬运。

QcloudCommunity的博客 608

4亿token买来5个教训:让6个AI Agent连写4天代码发生了什么?

Watchdog 检测到崩溃 → 启动诊断 Agent 分析原因 → 诊断 Agent 跑满 20 轮没搞定 → Watchdog 判定“已修复”,重启系统 → 重启的系统因为诊断 Agent 留下的环境变量被继承,连续 3 次拒绝启动 → 触发连续失败保护退出 → Watchdog 第 3 次巡检,发现进程和记录文件都没了,尝试手动重启,自己也停了。启动前我翻了论文、做了架构设计、写了监控+修复异常的脚本。这个发现让我的情绪从沮丧变成了兴奋——不是那种"终于修好了"的释然,是"我找到根因了"的快感。

QcloudCommunity的博客 584

赛博斗蛐蛐:9大模型决战三国志,天命在谁?

我猜是这样的,当Gemini面临决策的时候,一系列关键词比如 守城,劣势,粮草,三国等等,在语义层面的关联性中LLM发现了竖壁清野这个关键词概率非常高,所以以此为策略,然后再根据这个策略完美执行操作。MiMo 的外交是三方中最精明的。Kimi作为国产模型,也同样颠覆了我对他的看法,最后的比赛他甚至一度是优势者,存在很多夺冠的可能性,要知道他的对手可是claude和gemini,而他经常出兵慢,回过头来想想或许正是他的策略,毕竟中后期他的优势都来自于稳健的发展和较少的战斗频率(和claude比).

QcloudCommunity的博客 874

Claude Code是怎么知道你在骂他的?这 12 条发现值得关注

确实存在——5,500+ 行,集成了消息队列、工具装配、MCP 编排、会话状态、权限、分析、文件持久化和优雅关闭,基本上一个文件干了所有事。对抗虚假声明——"不要在输出显示失败时声称所有测试通过,不要压缩或简化失败的检查来制造绿色结果"。完整的 KAIROS 是一个持续驻留的守护进程,能感知你在不在电脑前、主动寻找有用的工作做,更像是住在终端里的全职同事。源码里藏着一个叫 "Buddy" 的电子宠物系统,完整度令人惊讶——这不是一个 TODO,而是一个从数值系统到 ASCII 动画都实现了的完整功能。

QcloudCommunity的博客 701

逆向深扒Claude Code源码,我发现了什么!?

Anthropic 内部用户获得更严格的质量控制 prompt、更好的验证机制(独立 Verification Agent)、以及针对 model 弱点的专门对策(如 Capybara v8 的 29-30% 错误声明率对策)。这不是代码混乱的标志——它是整个 Agent Loop 的心脏,所有的流式处理、工具调度、上下文压缩、子代理管理都在这个文件中协调。这种"胖核心"设计是刻意的:保持核心循环的原子性,避免分散到多个模块导致的协调复杂度。核心价值:Fork 代理的工具输出不会回到主代理的上下文窗口。

QcloudCommunity的博客 892

一文讲透如何构建Harness——六大组件全解析

本文将从"裸模型的四个硬伤"出发,逐一拆解 Harness 的六大组件——文件系统、Bash + 沙箱、记忆(AGENTS.md)、Web Search + MCP、上下文工程、编排 + Hooks——带你看清 AI Agent 真正的竞争壁垒,不在模型层,而在 Harness 层。如果你用过 Agent 做复杂任务,你一定有过这样的体验:一开始 Agent 的表现很好,但随着对话变长,它开始"变笨"——遗忘之前的约定,重复之前犯过的错误,甚至对同一个问题给出前后矛盾的回答。对于简单的问答场景,这无所谓。

QcloudCommunity的博客 761

Harness Engineering 来了,SDD 还有意义吗?

他们的解法是把「品味」编码进规则,然后用一个定期运行的「doc-gardening」Agent 自动扫描漂移、发起修复 PR——「技术债务就像一笔高息贷款,不断地以小额贷款的方式偿还,总比让债务不断累积要好」。代码仓库本地的、已版本化的工件,才是 Agent 所能看到的全部。在 Vibe Coding 模式下(即不做规划、随意向 AI 提需求的开发方式),大量设计决策、跨服务约定、「为什么不选另一个方案」的讨论,全部停留在一次性的 AI 对话里——下一个人,或者下一次 AI 会话,完全无从获取。

QcloudCommunity的博客 419

零废话!一文讲透从0构建AI Agent

每个工具都要写一套"定义→解析→执行"的胶水代码。上下文管理就是在"记住足够多"和"别超标"之间找平衡,常见策略包括滑动窗口、摘要压缩、RAG 检索增强。上下文窗口是 Agent 的"工作记忆",但它有硬性限制。LLM 负责"动脑"决策,代码负责"动手"执行。这是从"聊天机器人"进化到"Agent"的关键一步。每次调 API 都把完整对话历史发过去,LLM 本身是无状态的,"记忆"完全靠客户端的数组模拟。这样 Agent 一开始就知道自己"在哪里"、"手头有什么",不需要先花一轮工具调用去探索环境。

QcloudCommunity的博客 711

距离AI把小编我裁掉还有72小时

这是一个基于 OpenClaw 开源生态打造的本地化 AI Agent 助手,已于上周开启全量公测,无需复杂配置,三步即可上手,自带安全防护,支持微信直连绑定,内置多款优质国产大模型,现阶段也是完全免费使用,基本上前面提到过的痛点都可以靠它解决。对了,这里特别强调一点,上面的截图让产品同事汗流浃背,再三找我确认 QClaw 思考过程中优美的“草”字说法,不会是默认出现的吧?AI 好,AI 得学,但更重要的是,在你的工作和生活里,哪些东西是能结构化地被 AI 所接入的,不要死守着那些脏活累活不放。

QcloudCommunity的博客 673
上一篇: 5G风起:技术演进背后,标准必要专利扮演着怎样的角色?
下一篇: AI智能客服小程序·云开发实践
腾讯云开发者
腾讯云开发者 企业官方账号 企业官方账号
博客等级 码龄10年 6291粉丝 1962原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值