AI智能客服小程序·云开发实践

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。本文是高文飞老师关于即速应用对云开发价值的解读以及云开发AI智能客服方案实践的内容分享。

 

高文飞,即速应用后端负责人,2014年加入即速应用,负责过微页H5、即速应用、即速云开放平台、插件Docker微服务、OpenResty网关应用等设计与实现,目前主要负责即速应用基础架构设计与优化工作,多年互联网架构设计经验。

 

本文分三个部分:

第一部分即速应用简介

第二部分小程序云开发价值解读

第三部分AI智能客服云开发方案

第四部分未来展望

即速应用简介

1.即速应用介绍

即速应用2014年成立于深圳,2016年首次推出小程序即速应用平台。即速应用首家同时支持微信、支付宝、百度、QQ、今日头条、抖音等六大平台的小程序开发制作服务平台,面向用户主要是普通没有开发能力的用户,没有开发资源又想做自己的小程序可以在我们平台通过拖拽的方式上传发布他们想要的小程序。目前帮助商家做了15万款小程序,拥有100万企业用户,覆盖260座城市,近一年有两轮融资。

   

即速应用是可视化的小程序开发工具,通过拖拽的方式快速生成一个小程序,现在有30多种小程序功能组件,支持6大平台,100多个行业解决方案,也有非常多个性化制作的模式,普通用户在我们的平台在不懂代码的情况下可以一键生成制作自己的小程序。

2.多种个性化制作模式   

 

通过一些模板套用方便用户快速制作小程序,不仅是通过拖拽的方式。我们有各行各业的模板可以让用户选择,也有非常多的组件,比如说文本、图片、标题可以让用户像制作PPT一样的去制作自己的小程序。

3.高效后台管理   

即速有自定义的后台,可以把自己想要的功能通过编辑的方式放到后台,也会有全方位的数据统计,包括全方位统计实时运营的数据,也可以构建用户多维度的画像,追踪用户在小程序端的行为。

4.即速应用核心功能

   

现在即速应用核心功能有电商预约、到店、资讯、外卖等等核心主要功能,也会有社会化的营销工具包括会员卡、拼团、秒杀、分销等等商家用的工具。

   

我们也做了开放平台,就是商家应用的开放平台,把所有商品、订单、优惠券、用户的接口开放给商家使用,这样方便他们对接自有系统,比如说ERP、收银系统。也做了类似微信插件的应用,可以把用户制作的小程序以分包的方式存在用户打包的小程序里面,这样可以集成其他开发者的功能插件。所以开放平台也是针对有开发能力的开发者,把他自己的功能也可以集成到即速应用小程序里面。

   

我们现在也有一些热门的插件是自己去开发的,后续很多功能是以插件的方式去实现,像智能客服就是以插件的方式去做。

小程序云开发价值解读

   

1.小程序云开发核心能力

小程序云开发是微信团队和腾讯云联合开发的集成于小程序控制台的原生serverless云服务,有云函数、云存储、云数据库、云调用四大核心能力。通过云函数、云存储、云数据库、云调用可以减少服务器的成本,不用关心服务器怎么去跑的,直接使用就好了。只要去调用跑业务逻辑代码就可以,不需要关心服务器。云调用也是我们实现智能客服核心,可以通过免鉴权调用小程序开放接口的能力。

2.云开发推动下开发模式演进

在传统开发模式需要关心弹性伸缩、负载均衡等等很多运维配置项,云开发模式只需要关心数据库、文件存储、云函数就可以了。

   

3.云开发&即速应用

即速应用在云开发已经接入的模块,有智能客服、独立模板、功能插件(完全基于云开发)、定制模块。可以看到共同点就是如果要做云开发,还是一些独立功能才适合做,如果跟自身业务结合比较多的话目前来说还比较复杂,无法用云开发处理。如果业务逻辑比较独立的话,我们用云开发去做就非常简单,也节省了很多的开发工作量。

   

4.即速应用如何接入云开发

   

我们现在帮客户实现的这一套流程是基于微信开放平台权限集,就是开发管理与数据分析权限,能够把用户的小程序代码打包发布到微信后台,也可以实现微信登录、数据分析等等,这是即速应用代理发布小程序的实现逻辑。

   

5.即速应用SAAS服务云开发模式

(1)即速应用云开发管理权限集

这在微信开放平台是可以看到的,主要帮助用户小程序代管理云开发的资源,包括客户端开通云开发,上传配置、管理云函数等。当前这个还在内测阶段,我们的智能客服也是跟云开发合作的项目,所以我们提前试用了这个权限集,后续会很快开放出来。

   

云开发管理权限集有代开通、代部署、代管理的职能,可以帮助用户直接开通云开发,管理包括数据库、云函数、配置文件等等,也能够集成在PC端后台进行管理。普通用户如果想用云开发的话,我们可以帮他实现这整套云开发流程。这样做以后云开发对普通用户也是无感知的,他们不需要关心后台怎么运作,只需要点击部署就可以了。

  

(2)服务商和独立开发者的区别

服务商做可能会把云函数分为公有云函数和私有云函数。为了复用云函数,很多功能会使用云开发,但有些云函数比如日志记录是公共的,多个功能里都有这个云函数,不可能每次都进行上传部署,上传云函数就会先判断有没有部署公共部分,再判断有没有部署私有部分,已经部署的就不会再部署。主要是代码复用性。

   

还有一个就是需要批量更新代码,当功能更新时候需要把所有的云开发小程序批量更新代码,包括bug修复。云函数的代码也不是很大,一个用户现在更新大概就15秒左右,多任务处理的话应该半小时到1小时之间能跑完;

   

代码保护私有化,这是我在开发过程中的一些建议和想法,当然现在还没有去做。就是服务商上传的云函数和数据库不能被用户修改,因为我们针对使用的是小白用户,如果他上去改云函数,会导致这个功能直接崩溃。实际上他可以到微信开发的控制台去查看这个云函数,如果他把云函数的某一个点改了程序就会崩溃了。所以服务商在做云函数是希望它受到保护,不能修改;

   

私有化,我们每次上线都需要批量代码更新,现在用户量比较少只有几千几万的用户,到后面用户规模越来越大,如果还是这样批量更新服务器压力会比较大,我们希望服务商能有私有化的空间,能把云函数和数据库传到服务商的域里,可以授权用户去访问和使用,这样我们就不用再去批量更新代码了。

6.借力云开发,提供了更高效的小程序开发服务

它是低成本的,服务器、人力资源也会减少,效率也会更高;之前我们调很多接口都是通过各种授权、API,但是我们在云函数写几行代码就解决了,开发时间就没有那么长。免运维更稳定,不需要去处理服务器运维的问题。开放功能也更多,比如智能客服和智能图像,在云开发能够快速接入这些服务,这次的AI智能客服对接也是通过开放的API进行的。

  

AI智能客服云开发方案

1.腾讯智能对话平台TBP

现在具体讲智能客服云开发的方案,首先我们用的AI能力是腾讯云开放的叫做腾讯智能对话平台。它专注于“对话即服务”为愿景,全面开放腾讯对话系统核心技术,主要是提供机器人中间件能力,作为普通的开发者也能够使用AI机器人。

   

如果要实现AI机器人的话就要创建机器人,配置它的语义模型,然后再发布机器人,我们就可以在云开发直接调用机器人就可以了,非常简单方便。

   

首先我们要了解语义模型,它需要配置词典、配置意图、配置问答。“意图”就是用户与机器人进行对话交互背后的目的,是用户希望完成的事情;“词典”是用于意图中槽位的识别和填充;“问答”是预先设定好的问题答案,帮助机器人去识别。

   

重点是讲“意图”,就是理解用户的意图,想问什么,想做什么,想查什么。比如说用户文想问订单什么时候发货,机器人理解了用户的意思就告诉他什么时候发货。或者说用户想预约服务,机器人就请求API进行预约再告诉用户结果。或者是查订单、物流的情况,了解到这个意图就请求API告诉用户物流已经到了哪。这是AI需要识别的用户的意图。

   

2.AI智能客服需求功能设计

AI智能客服需求功能分为PC端和小程序端。PC端包括代开通云开发、代部署云函数、TBP设置、自动回复设置、关键词回复、数据统计。小程序端主要是云函数处理,代码就比较少主要是云函数,把客户消息转到AI机器人去处理,机器人处理不了再转到人工客服去处理。

   

3.一键代部署云开发环境

   

首先要开通云开发环境,再创建云环境,创建云数据库,上传云函数。用户使用智能客服的功能,点击进来会判断是否开通云开发,没有就弹窗提示开通云开发。用户只要点击立即开通,就会跑后台任务去帮他开通。开通完之后会选择云开发环境,选择之后点确认后台创建环境,然后创建数据库再上传云函数,智能客服就已经部署完成可以使用了,用户是没有太多感知,只是弹窗点击页面客服功能就上传了,就已经在云开发部署了智能客服的体系。

 

4. PC端后台管理实现

   

PC端后端代码的实现,主要是做关键词设置、自动回复、数据统计。通过微信授权API触发云函数,云函数上传之后可以通过API操作数据库增删改查。机器人主要通过腾讯云SDK来操作TBP平台,相当于把TBP那一套功能搬过来了,实现了服务系一体化,如果个人开发者想设置AI的话,就不需要做PC端的机器人设置,直接去腾讯云后台操作是一样的,我们只是把TBP搬过来改进了一些让普通用户更易用。腾讯云TBP那边主要还是针对开发者使用,普通用户使用起来的话还是有一点复杂。

 

5.小程序端实现

小程序端实现会用云函数做,比如客户入口的云函数,获取关键词、获取开场白或者获取统计的云函数。

   

设置开场白云函数的实现,先判断有没有开场白,如果没有就设置,有就直接更新数据,这个逻辑实现比较简单。

   

核心云函数是客服入口云函数的实现,用户首次进入会话我们会回复开场白,如果收到用户消息的话我们判断是否转人工,如果输入转人口就转人工客服处理,转到腾讯自带客服。

6.小程序端体验

(1)开场白

我们体验一下智能客服,如果用户首次进来就会回复开场白,比如说告诉你可以回复数字,这些都是用户事先设定好的,如果转人工的话就会转到人工客服那边。

(2)关键词回复

如果用户消息是关键词的话就关键词回复,当然是特殊关键词否则的话会跟AI之间有冲突。关键词回复如果没有就转到AI机器人处理,AI机器人会理解用户的意图或者直接回答问题或者调用API告诉用户,查物流或者预约服务。如果用户再次发送消息就再次回到判断是否转人工处理,这是小程序实现的逻辑。

(3)接入智能对话系统

用户想要预约理发服务,我们就会回请问预约到什么时间,然后用户说今天,客服会问几点钟,然后回复下午4点,然后机器人就调用API请求并告诉用户已经帮您预约成功下午4点。

(4)转接人工客服

  

我们可以看到通过AI智能客服可以很方便的和业务进行接轨,也更好识别用户的意图,能够减少人工客服的工作量,智能客服接入处理后就能减少很多人工的成本。

未来展望

我们后面会继续迭代智能客服,在AI模板上做一些东西,对于用户来说要配置意图和问答有点复杂,希望预先设定好问题以及各行各业的模板,用户只要选择这些模板就好了。然后更多接入信息查询的任务,现在是预约,后面会有和更多业务深度结合;还有就是更多组件用云开发去做,定制服务是用户特殊化的需求,我们也可以用云开发做,这样相当于我们的服务是部署在用户那边;目前PC端云开发也是开放的,PC端网页也可以用云开发去实现。后续也会有更多的业务接入。

   

通过这次跟云开发团队的合作,看到云开发对服务商各方面的优势,未来能够低成本高效率的帮助用户开发、发布小程序,也希望小程序云开发后面越来越好。

 

Q:我前一段时间看了一篇文章,自己也动手做了一个,相当于微信bate,用户会给我发一张图片,我有一个训练集在里面识别这张图片源于哪。我刚才看了AI智能,我想问一下AI客服,当你给他发一些其他东西他会自己学习吗?

 

A:应该是会的,我们用的是腾讯云的能力,具体还是要看腾讯云TBP平台,它目前主要是基于文字对话,图片识别暂时是不支持的,后续如果TBP开放图片识别我们也会深度结合。

 

----------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 407

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 1167

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 714

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 713

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 825

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 624

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 842

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 1204

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 2635

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: 借助云能力,小游戏开发过程是如何升级的?
下一篇: 【报名中】【5G探索】深度揭秘5G核心技术与挑战,云+社区开发者大会北京站等你来!
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