腾讯云IPv6私有网络及负载均衡最佳实践指南

导语 |近日,全球 IPv4 地址正式耗尽的消息刷遍各大技术媒体,IPv6 再一次被推到人们面前。IP,作为网络世界的通行证,其重要性不言而喻。IPv4 地址枯竭,IPv6 作为IPv4地址枯竭的解决方案,其在中国的发展历程是怎样的?产品环环相扣的腾讯云,是如何进行大规模 IPv6 改造的?腾讯云IPv6产品的技术架构和最佳实践是怎样的?「云加社区」特别策划「IPv6」系列专题,为你揭秘。关注「云加社区」公众号,回复“IP”,获取更多内容。(本文作者:秦振华,编辑:尾尾)

腾讯云目前已经推出IPv6负载均衡和IPv6 NAT64负载均衡。其中IPv6 NAT64绑定的是云服务器的IPv4地址,可以帮助用户在不升级Web应用即平滑接入IPv6用户;而IPv6负载均衡绑定的是云服务器的IPv6地址,可以助力云上应用实现端到端的IPv6通信。本文将一步步详细讲解,如何在腾讯云快速搭建一个IPv6云服务器和IPv6负载均衡器,并结合云解析的AAAA能力对公网IPv6用户提供Web服务。

 操作须知:

1. 目前腾讯云IPv6私有网络和IPv6负载均衡已上线地域为:北京、上海、广州、上海金融云、深圳金融云。

2. 请在上述地域创建一个私有网络,并在该VPC下购买了2台云服务器。

3. 在腾讯云云解析注册一个域名:www.qcloudipv6test.com.cn。

4. 对于同一个云服务器,可以同时运行IPv4/IPv6,并分别绑定到IPv4 LB和IPv6 LB, 两者创建流程类似,IPv4 LB流程不再此文赘述。

 操作步骤:

步骤一:配置IPv6私有网络

1. 登录 私有网络控制台,在左侧目录下选择【私有网络】,在目标服务器所在的私有网络单击【编辑 CIDR】,在弹框中的 IPv6 CIDR 单击【获取】并确认操作。

2.登录 私有网络控制台,左侧目录下选择【子网】,进入管理页面。在目标云服务器所属子网所在行的操作栏下,单击【获取 IPv6 CIDR】并确认操作。

3.登录 私有网络控制台,在左侧目录下选择【IP 与网卡】>【弹性网卡】,在列表页中单击目标云服务器所绑定的弹性网卡 ID,进入详情页。选择【IPv6地址管理】,单击【分配IP】并确认操作。

说明:

  • IPv6默认不开通公网,如果需要IPv6主动外访功能,可以通过“弹性公网IPv6”开通公网带宽。

  • 安全组默认仅放通IPv6 CLB的流量,其他IPv6流量默认不放通。如果需要放通其他IPv6流量,请通过“安全组”设置。

  • 云服务器已经支持购买页勾选分配IPv6、实例查看和管理IPv6. 云服务器实例展示的IPv6地址应该和网卡展示的IPv6地址一致。

步骤二:配置云服务器的IPv6并部署Nginx

1.进入 云服务器控制台,登录云服务器完成 IPv6 的基础配置。

centos7.5为例,登陆云主机执行“dhclient -6”获取ipv6地址,并使用“ifconfig”查看IPv6地址。

dhclient -6
ifconfig

2.在云服务器中,依次执行如下命令,部署并重启 Nginx 服务。

yum install nginx
service nginx restart

3.查看部署在云服务器上的 Nginx 服务是否已经监听 IPv6。

netstat -tupln

也可以打开 Nginx 配置文件进行查看和修改端口。

vim  /etc/nginx/nginx.conf

说明:

腾讯云云服务器也支持通过脚本工具一键配置IPv6,详情操作方法可以参考云服务器配置IPv6。

步骤三:创建 IPv6 负载均衡实例

1.登录腾讯云官网,进入 负载均衡购买页。

2.请正确选择如下参数:

  • 计费模式:仅支持按量计费。

  • 地域:北京、上海、广州、上海金融、深圳金融。

  • IP 版本:IPv6。

  • 运营商类型:BGP。

  • 网络:请务必选择已获取 IPv6 CIDR 的私有网络和子网。

3. 在购买页选择各项配置后,单击【立即购买】。

4. 在“CLB 实例列表”页,选择对应的地域即可看到新建的实例。

步骤四:创建 IPv6 负载均衡监听器

创建监听器

1.登录 负载均衡控制台。

2.在“CLB 实例列表”中,找到已创建的负载均衡实例 ,单击实例 ID,进入负载均衡详情页。

3.在“基本信息”模块,可以单击名称后的修改图标修改实例名称。

4. 在“监听器管理”中的【HTTP/HTTPS 监听器】下,单击【新建】,新建负载均衡监听器。

5.在弹出框中,配置监听器名称和舰艇协议端口,并点击提交,创建监听器。

配置监听器的转发规则

在“监听器管理”中,创建转发规则,配置域名、URL 路径、均衡方式、健康检查、会话保持等参数。

  • 域名:您的后端服务所使用的域名,本例使用 www.qcloudipv6test.com。域名支持通配符,详情请参见 七层转发域名和 URL 规则说明。

  • URL 路径:您的后端服务的访问路径,本例使用 /。

  • 均衡方式:加权轮询

会话保持:开启会话保持

有关负载均衡监听器的更多内容,请参见 负载均衡监听器概述。

绑定云服务器

1.在“监听器管理”页面,选中并展开刚才创建的监听器,选中域名、选中 URL 路径,在右侧即可看到该 URL 路径绑定的云服务器 IPv6 信息,单击【绑定】。

2.在弹框中,选择云服务器,并设置云服务器的 Nginx 服务默认端口为80,设置权重(默认值10),单击【确定】。

3. 成功绑定云服务器后,查看端口状态是否为“健康”。

步骤五:在云解析增加AAAA和A记录

1. 打开 腾讯云域名注册页面 进行域名查询和注册。本例以qcloudipv6test.com 为例,详情请参考 域名注册。

2.登录 云解析控制台,单击您所购买的【域名】,在“记录管理”页面单击【添加记录】按钮,为域名添加 AAAA 记录,输入如下内容并保存:

    • 主机记录:即域名前缀,本例设为www。

    • 记录类型:AAAA记录。

    • 线路类型:默认。

    • 记录值:填写负载均衡的 IPv6 地址。

    • TTL:设置为默认值“600s”

    步骤六:测试 IPv6 负载均衡

    使用具有 IPv6 公网能力的客户端,访问域名或者负载均衡的 IPv6 地址,如果能够正常访问云服务器的 Web 服务,则表明 IPv6 负载均衡工作正常。

     常见问题FAQ:

    IPv6负载均衡和IPv4负载均衡能否绑定相同的云服务器?

    IPv6负载均衡和IPv4负载均衡可以绑定相同的云服务器,前提是云服务器的私有网络已经获取到IPv4 CIDR和IPv6 CIDR,云服务器已经配置好IPv4和IPv6。

    为什么不直接做成双栈负载均衡?

    IPv6负载均衡和IPv4负载均衡相互独立可以减小相互之间的影响,提升运维效率。比如说:当出现健康状态异常时,我们可以快速判断是IPv6异常还是IPv4异常;在绑定云服务器时,我们也可以快速判断云服务器时否已经获取到IPv6地址。

    云解析服务是否支持同一域名下同时增加AAAA和A记录?

    云解析支持同一域名下同时增加AAAA和A记录,可以将IPv6 LB的vip添加到域名的AAAA记录,把IPv4 LB的vip地址添加域名的A记录。

    IPv6/IPv4双栈客户端是IPv6优先还是IPv4优先?

    影响IPv6的因素比较多,包括终端硬件型号、终端操作系统,应用APP,比如linux系统镜像默认是不开启IPv6,windows老版本支持IPv6也需要特殊的操作. 重点谈一下移动端应用APP支持IPv6的改造情况,应用APP在IPv6/IPv4双栈时,应该优先选择IPv6通信,当IPv6连接失败的时候,可以迅速切换到IPv4.实际,启动IPv6优先策略之前一个重要工作是要判断当前网络是双栈、IPv6-only还是IPv4-only。

    IPv6的公网质量如何?

    目前IPv6的公网质量还在不断改善中。从多个省份的抽样探测数据来看,IPv6的平均时延比IPv4会大一些,但是整体质量一直在持续的变好。

     相关链接

    私有网络控制台:

    https://console.cloud.tencent.com/vpc

    云服务器控制台:

    https://console.cloud.tencent.com/cvm/instance/index?rid=1

    云服务器配置IPv6:

    https://cloud.tencent.com/document/product/215/40044

    七层转发域名和 URL 规则说明:

    https://cloud.tencent.com/document/product/214/9032

    负载均衡控制台:

    https://console.cloud.tencent.com/clb/index?rid=1&type=2%2C3

    负载均衡购买页 :

    https://buy.cloud.tencent.com/lb

    云解析购买页:

    https://console.cloud.tencent.com/cns

    精彩预告

    产品环环相扣的腾讯云,是如何进行大规模 IPv6 改造的?腾讯云IPv6产品的技术架构和最佳实践是怎样的?「云加社区」特别策划「IPv6」系列专题,为你揭秘。下一篇内容,将为大家分享IPv6下CDN和网络的最佳实践,欢迎关注。

    关注「云加社区」公众号,回复“ IP ”,获取更多IPv6相关内容。

    ---------下方更多精彩----------

    好文推荐

    (点击图片即可跳转)

    IPv4 地址已耗尽,IPv6 涅槃重生 | 腾讯云IPv6改造综述

    关注云加社区,回复 加群 加读者群

    点在看,一起拥抱IPv6

    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: 如何快速构建一款联机游戏?
    下一篇: TVP周年庆:“用科技影响世界”,一起出发!
    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