如何快速构建一款联机游戏?

导语 |近日,云+社区开发者大会(苏州站)圆满落幕。本次开发者邀请了腾讯内部及业内行业大咖就物联网、小程序、微服务等当前互联网领域的热点技术的落地实践问题进行了深度探讨。本文是林洁文老师的分享,关于如何利用小游戏联机对战引擎快速构建一款联机游戏,为游戏提供房间管理、在线匹配、帧同步、状态同步等网络通信服务,帮助开发者快速搭建多人交互游戏。

本文概要:

  • 联机游戏开发新模式

  • 游戏联机对战引擎介绍

  • 快速构建联机游戏

  • 案例分享

一、联机游戏开发新模式

什么是联机游戏?一个概念是联机游戏是通过一部分或者大部分都是通过户互联网或者其他电脑网络进行的游戏,通常有两种,一种是终端的直联,还有服务器的中转,其实终端直联也是选一个终端做服务器对数据进行中转,按平台分为PC/网页/手游/小游戏,还有主游戏常见玩法有多人游戏比如说现在很很多FPS、 moba、还有休闲的IO类游戏,还有回合制多人游戏多个玩家轮流发出指令如棋牌策略,还有大型多人游戏,现在市场上游戏很多联机游戏也很多,如moba类,《王者荣耀》还有吃鸡类的游戏,所以市场上是百花争艳的,老板要求你做一个联机游戏,你要怎么做呢?

首先对这些功能需求进行分解,然后进行设计开发。第一步要让游戏可以玩起来,要解决两个问题,游戏怎么玩?还有解决数据问题数据同步,还有要把玩家组织进行游戏,要做一些房间管理模块,在线匹配的功能,随着需求的丰富,要有一些通讯,或者登录的需求,我们就要做一些聊天系统,大厅服等,整个游戏上线后慢慢再扩大,要对这些系统进行维护和运营,要构建一些监控系统,数据系统,随着慢慢往后走可能有其他需求支撑游戏场景。

下面是一些运营支撑类需要做的事情,初期的话有游戏设计出来,开发出来要怎么跑起来?咱们就需要服务器、需要网络,还有数据库,第二阶段为了更灵活管理游戏,还有一些稳定性的考虑,有一些接入网关,还有调度路由;第三个要有一些系统要做比如说扩缩容的来支持运营部署,到后期可能成本有点高要考虑成本优化,有没有跟监控联动起来等等。

所以完全构建联机游戏后方系统是有很多工作去做,那么这些工作需要多少人力?多少时间?包括多少经费来做这些事情呢? 大概需要三个以上经验,比较资深的工程师,花费大概有1000+进行研发才能把这一套系统做好,除此以外,系统上线以后还至少 需要 一1名研发人员和一名运维工程师持续维护。这样大家可以想象,包括你的老板可以根据自己公司的情况来估算,这么多人用这么多时间进行研发,还有这么多长期投入的成本,这需要花多少钱?

所以我们一直在思考, 能不能为开发者节省一些成本, 去帮助开发者更快速完成游戏的研发, 去帮开发者减少各种烦锁的运维事情, 让联机游戏的研发更简单。于是, 我们推出了小游戏联机对战引擎解决方案, 把联机游戏的后端 的通用能力以服务的方式提供给开发者,开发者只要直接使用就可以了。

二、游戏联机对战引擎介绍

通过对战引擎将给联机对战后端的研发带来一个新的开发模式。可以看到上面的图,左边是刚才有介绍在旧的模式下需要做的很大一堆的事情,在新模式下就变得只有几个框框,当然在新的模式下,游戏玩法设计,还有游戏业务代码开发,还是需要开发者自己完成,这个谁都帮助不了,除此以外开发者都可以通过使用我们SDK,调用一些简单的API可以实现左边灰色部分的能力,通过云开发能力可以很简单实现登录、存档等大厅服的能力。甚至有一些功能我们不需要写一行代码,只需要写一些简单配置,在控制台提交生效就可以实现一些后端能力,,还有可以通过dashboard看一些日志、监控与运营数据, 如DAU、CCU等。

接下来我们介绍一下游戏联机引擎,游戏联机引擎是基于云原生技术 构建的,支持wss 、TCP 、可靠UDP,为什么第一个是wss,因为小游戏今年比较火,在很多小游戏平台,包括微信也好,一开始是不支持其他协议,必须要通过wss,所以我们对这个做了支持。

第三个可靠的udp,我知道tcp的可靠性比较好,但是本身的协议特点可能会导致游戏卡顿、不顺畅,所以我们以对可靠的udp的支持来解决这个问题。使用protocl buffer协议编解码, 多地域部署,给开发者提供了房间管理,在线匹配,消息发送,数据同步等等游戏后端的一些能力,还有开发者看不到的一些后端自动化行为的能力。

但是刚才所说的这些,其实开发者是不需感知,我们提供给开发者两个,两套SDK,一个是客户端SDK,还有服务框架的SDK,刚才说到可能不需要怎么关心后端开发,但为什么又说有一个服务框架的SDK,因为我们知道数据同步有两种,一种是帧同步,游戏是在客户端进行,正常来说不需要服务器,状态同步不一样,状态同步它的计算逻辑都是在后端游戏服务器,所以它需要把游戏的服务器,所以引入服务器框架的SDK,帮助开发者更加简便的把游戏服务端开发出来。开发者只需要同步SDK,用几个简单的API就可以拥有后面灰掉的这些能力,所以不需要为这些能力去做太多的工作,真正帮助开发者把这些时间放在游戏设计和游戏开发上。

这是引擎的业务架构,咱们可以看到后端第一点,是一个高防服务,我们给每个游戏都会提供一个基本的防护保障,匹配服务负责在线匹配的计算、规则管理等等,房间服务提供了创房、加房、退房、踢人、信息更新、房间属性管理等API。

大厅服通过云开发, 让开发者很简便的使用云函数、云存储、云数据库和ai等能力, 轻松实现登录 、排行、存档、游戏逻辑计算等等需求。

自定义服务逻辑集群是用来部署和管理战斗服, 基于k8s进行集群管理。但由于原生 的k8s不支持有状态的调度, 我们自研了一套基于有状态的调度、部署、运维管理系统。

同时我们整个也有考虑到开发者,可能在云上有一些业务系统,或者有一些后端能力,我们提供一个通道,可以让开发者访问到他自己的一个服务能力和云资源,只需要在我们的控制台把VPC跟我们游戏进行绑定就可以。

在线匹配,我们把整个匹配过程设计为一个API部分,还有配置部分,配置部分可能是研发不需要怎么关心,对策划也是非常好用的工具,在线匹配支持自定义的配置化,开发者可以在配置页面下根据自己需求去做各种配置,然后保存即可,支持多数匹配,还有重权,还有机器人匹配,为什么做机器人匹配?有两个场景,游戏新上线没有推广,或者是先试一下看看数据,刚上线玩家量级比较小,所以要分配一个机器人。

第二个在游戏策划合理的某个阶段,革些等级,配置的可能不太合理,在这种情况下也会经常出现不平衡,所以这个情况即使出现也是可以以机器 人来解决问题,所以看上面匹配的配置。

这主要有三部分,第一个队伍节点,队伍节点可以配置,这是一个节点里面有一个队伍,然后一个队伍里面有多少个玩家,然后第二个玩家属性的节定,玩家属性节点,是把配置他关心的维度,这里是可以配置多个,所以我们这里只配了一个。第三个是规则节点,规则节点是告诉匹配规则,匹配服务是怎么针对游戏进行匹配计算,这个整个下来的意思是这个游戏,一个里面有两个队伍,每个队伍有五个玩家,然后是根据玩家的等级来进行匹配,匹配算法通过分段式匹配,一些玩家的等级 坐落在某个区间里面就可以进行匹配成功。

帧同步,帧同步是采用非锁帧的方式,因为相比传统的锁帧方式,非锁帧会给整个游戏带来好的体验,可以看上面这个图,看红线部分,红线看得清楚吗?红线玩家A在往帧同步的时候可能是因为网络,本身他在帧同步的时候到帧同步服务器,但是到帧时间才到,如果是采用传统的可以看这上面两个线,上面有两个黑线,往两个客户端发送,这时候导致玩家受到影响,他的帧数据要等很久才到游戏客户端上,但是采取非锁帧方式,每个帧服务以每一个固定周期都往客户端发,这时候就不需要等,所以这种情况下玩家操作以后等一下动,过一会儿动,但是对玩家是很顺畅,如果这个游戏有更多玩家,玩家是完全感知不到任何卡顿不流畅的地方。

还有随机数的问题,我们知道不管是单机游戏还是联机游戏,这里面也一些技能打出多少伤害、或者爆击、或者捡道具都会使用到这样一个随机数计算,但是因为我们知道帧同步是在客户端进行计算,客户端各种各样,虽然安装是同一个客户端包,但是系统不一样,比如说安卓平台可能都是安卓系统,可能是华为、可能是小米,可能是oppo,所以里面API各方面会也所不同,通过帧数据带随机种子到客户端,所以按照相同的随机数算法可以算一个相同的随机数出来,从而保证在各端游戏数值的一致性。

还有第三是支持补帧,补帧场景,在当游戏玩家掉线,或者退出掉线的时候,这部分就要进行补帧操作,可能在PC游戏或者是网页游戏可能会少一些,手机游戏可能会相对多一些,但是小游戏场景可能会比较多,因为小游戏是里面再开出的一个进程,你在玩游戏的时候突然一个信息出来,一切换到看信息,这个程序的运行的权利被拿走,网络就断了,后台感知这个断线的情况,所以切出去再切回来的时候客户端有感应就要采取补帧,快速回到当前的游戏状态。

支持自定义帧的设计,所以方便网络开发者去设定自己的帧率,或者在某个运行情况下,有的情况我们也知道,有的时候不太清楚这些游戏可能帧率是多少,所以需要跑一段时间有一个反馈,所以通过这个配置就很方便。

接下来我们来介绍一下状态同步的流程,这个图大家看得清楚吗?有点小。我们先从右边开始看吧,其实状态同步在我们状态系统里面主要就是一个实时服务器这一方面,因为实时服务器部署和管理游戏服务的先看创建房间,在创建房间的时候实时服务器就会收到一个创建房间的一个请求回调,开发者可以在这里面处理的代码就可以,比如说一般创建房间会拉一些创建的信息,如果是一个级别创建玩家,在这里不仅仅拉一些游戏信息,还有各个玩家信息拉出来放到内存里面做准备。

还有在创建房间就需要触发一个Createroom这个API,这时候是还没有形成,但是调用这onCreateroom就是成功的,还有后面也是一样,修改房间信息或者自定义数据的改变会推送到实时服务器里面,开发者都需要在自己游戏服务器的代码里面往框架里面提供对应的行数里面填上自己的业务代码,倒数第二是网络状态也是很重要的事件推送,刚才说了在小游戏场景这是很频繁的触发,这可能是说有的游戏情况下,玩家掉线会把它标记起来,或者玩家掉线以后标记其他会有一个定服器,如果过二三十秒以后玩家没有进来就自动踢出去,其他玩家可以进来了。

我们介绍一下实时服务器集群,这个实时服务器集群,是有一个有状态调度管理的,开发者可以根据自己关心的一些系统或者业务者指标,比如说通常来说比较常用的是用对局数,房间数来进行调度,还有为了更好的游戏的体验,我们也提供了一些不停更新的能力,还有多地调度的模式,系统也支持一个弹性的扩缩容,这个在有状态情况下比较复杂,但是它确实解决两大问题,第一个是成本的问题,我们先不说游戏,可能整个互联网用户形成了习惯,应该是一天有三到四个波风的体现,其他都是平的,游戏用户也不例外,如果取中间值提供服务器资源,那用户卡顿,或者是各种玩不了,那高峰期的话会造成大量资源浪费,所以有的团队专门雇几个人人为去运维。

第二是一对一些运营活动,比如说在有一些渠道买广告推动的时候,流量方面也需要找一些人去做准备做扩容,但是有的弹性扩缩容这些都不需要操心,流量什么时候想来就来,想走就走,我们根据开发者设置的合理值调度提供资源上的使用。

流程图大概说一下,开发者在开发完游戏图之后,会把它上传,上传到游戏里面,然后会根据服务去注册服务,然后会定时上游戏的状态数据,看左手边看玩家,客户端发起匹配服务,进行匹配并且成功会到这个服务器去请求战斗服务,就是游戏服务器来进行游戏,这个时候布局模块会把这个游戏都拉扯出来,会进行适合的指标进行游戏,到我们的客户端,会开始一些游戏的战斗,但是要退出的时候游戏服务会向调度中心去做注销服务的上报,这个服务器会放销毁队列里面,因为我们知道游戏服务器有状态没有办法销毁,也是取决于游戏的策略,像《王者荣耀》这种实力相当差不多二十分钟,甚至四十分钟也有,什么时候结束也不知道,所以会放在销毁队里面,还有会检测这个点,检测什么结果?这个服务器上状态数据认为是空的状态才会把它消掉,同时扩缩容服务也周期也会扫描整个集群状态,如果发现整个集群低负载就会把它进行回收。

三、快速构建联机游戏

接下来我们分享一下怎么快速构建一个联机游戏。先看一些这里主要分享数据同步的流程,首先这是帧同步的例子,一个API就可以完成匹配,当然前面也说要匹配配置规则,三个API可以实现帧同步,上面有代码片段,是匹配API的,就是这个API只需要传入为玩家信息,玩家信息里面要带匹配的属性,匹配属性就要对应刚才前面所讲的匹配规则的例子,里面配置的有几个维度,多少点,这里要配多少点,其次这里有一个code,要告诉使用规则进行匹配,就会根据code找到最匹配的规则,接下来就开始怎么解决这个API,这是第二步sonsole有了就可以对帧同步发射器还有对数据终端进行同步。那它要做什么?就是要监控帧广播,调onrecvframe这个API,还有更新状态,这个我们没有深入太多,要根据不同游戏有不同逻辑,有的要直接计算,有的复杂游戏,还要等一会儿要再维护一个点,我说的话根据我所说的这些进行数据计算然后进行渲染。

这是一个状态同步的例子,需要4个API就可以实现。为什么是4个?比帧同步多了一个?因为跟帧同步不一样, 它有一个服务端的部分,匹配这个刚才介绍了就不说了,它也是调用一个sendToGamesvr,进行广播,再进行更新,因为它是在服务器进行计算的, 所以客户端进行渲染就可以,还有服务器首先监听然后再更新状态。

配置匹配规则、上传GS代码,还有配置客户端SDK,然后就可以开始游戏,这是到SDK里面的,还有上传包,通过这里进行上传,这里选择不停服更新也可以停服更新,完成以后有一个运行状态可以进行察看,在这里可以察看清楚服务器的信息和游戏日志。

在这里可以看一些简单的应用数据,比如说房间数,统计在线数,每天的一个日活。


四、案例分享

下面我们来看一个案例,这是一个射击类的游戏,在各个平台数据比较好,找我们后就可以快速游戏上线了,因为它完全不需要后端,把它弄到联机里面去,前端的开发,节省后端人力3名,对战逻辑由1名前端开发搞定,接口简单,在开发上面节省了50%。

作者介绍

讲师介绍:林洁文,腾讯云专家工程师。2010年加入腾讯, 参与过QQ服装店的前后台研发工作, 主导QQ情侣的前期研发, 曾在创业公司负责过游戏、社区及电商后台的研发管理, 16年加入腾讯云后负责过开发者服务、高防的研发, 现在负责泛互游戏行业的游戏服务引擎的研发管理。

好文推荐

(点击图片即可跳转)

同程艺龙小程序性能监控系统的探索与实践

关注云加社区,回复 加群 加读者群

点在看,与朋友联机

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 403

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 1162

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 424

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 715

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 1125

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 710

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 707

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 905

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 821

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 464

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 574

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 621

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 838

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 756

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 1161

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 1202

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 1195

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 2631

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 626

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 607

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 873

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 889

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 760

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 418

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: 同程艺龙小程序性能监控系统的探索与实践
下一篇: 腾讯云IPv6私有网络及负载均衡最佳实践指南
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