铺天盖地云原生,什么才是真正的云原生数据仓库?

导语 | 分析型数据仓库经历了共享存储、无共享MPP、SQL-on-Hadoop几代架构的演进,随着云计算的普及,传统的数据仓库架构在资源弹性,成本等方面已经很难适应云原生的要求。本文由偶数科技 CEO,腾讯云TVP 常雷在 Techo TVP开发者峰会「数据的冰与火之歌——从在线数据库技术,到海量数据分析技术」 的《新一代云原生数据仓库的应用》演讲分享整理而成,为大家详细剖析新一代云原生数据仓库的架构、原理和实现技术,以及如何充分应用云原生数据仓库的特点来实现云上大数据应用。

点击可观看精彩演讲视频

一、云原生数据仓库的背景与定义

今天的主要内容首先是简单介绍云原生数据仓库的背景,定义云原生数据仓库,然后是讲常见的云原生数据仓库的架构,包括架构的演进及应用场景。

1. 数据平台的技术变革历程

从大数据或数据分析的角度看,数据平台的发展经历过四个阶段,最早期的阶段是最传统的关系型数据库阶段,当时关系型数据库刚刚兴起,做信息化等早期的一些系统。后来在1990年左右,出现很多数据仓库。在2000年左右出现了大数据相关的一些系统,包括现在大家比较熟悉的Hadoop,当年我们做的Greenplum等。2015年之后,随着云的发展,出现了新一代的云原生数据仓库,我们称为智能数据云平台的阶段。每个阶段关注的点其实不太一样,环境、应用出现变化的时候,里面的技术架构也出现了一些大的变革,之后会详细介绍。

这几个阶段的技术有很大的区别,我主要集中于分析型数据库来介绍。现在很多用户做交易、分析,如果数据量不是特别大,用一个简单的交易型数据库就可以,比如传统的Oracle、DB2等。最早期这些基本都是共享存储的系统,共享存储的架构的可扩展性不好,只能到十几个节点,性能相对来说比较差。

后面在八十年代,当时Teradata做MPP的一体机,相当于软硬一体,后面出现的MPP基本都是基于普通的X86服务器的,架构变化不大,基本是一种无共享的架构,节点之间通过万兆网络连接。这一代的特点也很明显,它易于使用,性能也较好,但有一个较大的缺点:计算和存储是耦合的,如果要做扩容,计算和存储必须都得扩,它的可扩展性受到一定的限制,一般只能到上百个节点或者几百个节点,基本做不到再往上扩。

后面出现了Hadoop,当年我做的HAWQ其实是一个SQL-on-Hadoop引擎,其实有很多都可以叫SQL-on-Hadoop引擎,比如Hive、SparkSQL等等。但现在也在演化。SQL-on-Hadoop引擎有好处,它的集群规模可以做得很大,但也有一些缺点,比如SQL-on-Hadoop计算和存储不是完全分离的。在逻辑上它是分离的,计算是计算层,存储是HDFS,但是物理上大家在部署的时候基本还是把计算和存储部署在一起。Hadoop很大的一个缺点是它的并发性不是很好,比如Hive等等,并发高之后导致性能上不去,很难支持非常高并发的场景,性能角度来看比MPP还是差一些。

再之后,在2015年左右出现了云原生架构,随着云的发展,存储在云上转向对象存储,相对HDFS来说对象存储会便宜一些,但性能较差。在云上如果自己再搭建一个HDFS,运维成本较高,所以大家在做云原生架构的时候,存储基本就用云上的对象存储,在私有环境底下当然没关系,在物理机上可以用其他的存储;在公有云上,上面的计算完全是分隔的,这样就可以做到计算、存储可独立扩容。

2. 云原生 ✕ 数据库 = 云原生数据库

现在说云原生的概念,比如CNCF的概念,一般都是偏应用视角的定义。我之前在的EMC是提云原生概念最早的公司,主要是从敏捷开发,DevOps等方面来简化应用的开发,部署和运维等等。云原生火了之后,大家抽象出了很多特性。云原生系统的本质特性主要指在各种不同云环境下可以做到架构上弹性可扩展、松散耦合、易于管理、易于升级、易于运维、易于交付等等。从云原生数据库系统来说,要做一个云原生数据库系统是非常复杂的,要实现大规模计算、存储、事务管理等等,大的集群架构不像只是在容器里面跑一个小的应用。云原生数据库或者云原生数据仓库还没有一个非常好的定义。

我根据多年经验结合现在云原生的一些系统,梳理出了一个简单的定义。我认为云原生数据库是在公有云、私有云和混合云等新型动态环境中,基于存储与计算分离架构的、存储和计算可以独立弹性扩展的、松散耦合的数据库系统。因为数据库并不只是一个云原生的应用程序,它有数据库的特性,不能因为云原生、存储计算分离,就把很多特性都扔了,还是必须保证性能、可扩展性、一致性,包括符合SQL的标准、容错、易于管理和多云支持。多云也是很重要的,这是防止厂商lock in的一种方式。

3. 云原生数据库的特点

简单说说云原生数据库的一些特点,现在很多都说自己是云原生数据库,但其实不是,比如把Oracle直接放到云上的虚拟机跑一下,它是不是就叫云原生?不是,因为它满足不了很多特点。我觉得有几大特点能把云原生数据库区分开。第一个是从数据库用户的角度来看,计算和存储是分离的,有人说Oracle是不是也是计算与存储分离?我底下是EMC的存储,上面是Oracle的数据库,是不是也是存算分离?其实这个不算,因为Oracle整个的软件层次,内部的存储是它自己的软件实现的,EMC只是硬件的支持。

我们一般说云原生数据库基本上是分布式的,如果是分析型的,基本上是分布式的存储,比如底下文件系统或者是对象存储,或者是分布式文件系统,又或者是其他自研的一些分布式存储等等,这是从计算存储分离的架构区分开的,这样存储、计算都可以独立扩容,缺计算的时候可以扩计算,缺存储的时候可以扩存储,节省成本。

存算分离的另一个好处是:一个查询用10个节点需要跑一个小时,如果线型可扩展、加速比做得很好,100个节点可能只需要跑6分钟,就能把这个查询跑出来;但是在云上往往是按照计算使用量和存储使用量来计费的,相当于用同样的成本得到了更加好的用户体验。如果存算是绑定的,要起100个节点一直放着,很痛苦,整个机器都一会儿停一会儿启,数据还要持久化,这不太现实,所以这是存算分离包括松散耦合等带来的很大好处。

在同样的计算环境下还应该保持高性能,因为存算分离后有很多优化工作需要做,比如存储分离之后需不需要使用一些缓存来加速?大家如果用过对象存储都知道它很慢,对象存储的设计是为了放一些小的文件、图片等,并不是为了数据库的工作负载。所以为了达到很好的性能,要做很大的优化,不能把性能给丢了。

高可扩展性可以保证这个系统,数据量越来越大,应用越来越多,可以很容易做到扩展,但是传统的MPP集群就做不到这一点,云原生数据库则可以保证。

大家做交易型数据库都说一致性是必须的,但是做分析型数据库一致性是不是必须的呢?现在一致性的观点是肯定需要事务处理,很多早期的Hadoop上的分析型系统不支持事务,但后来都支持了,为什么?很多应用场景其实还需要更新,比如拉链表等等,在增删改查的时候既能保证好事务,又能保证好分析的性能不变。一致性的要求也是云原生数据库的一个特点。

在出错的环境下可以不中断、易于管理,也是云原生数据库一个很大的特点。传统数据库的管理非常复杂的,而在云上非常简单。

最后一点是多云支持,站在最终用户的角度,他希望只需要一个数据库,因为数据库的黏性非常强,数据量进来之后再转移相对比较麻烦,所以很多客户对多云的要求非常多。

从这些特点很容易判断出一个声称是云原生数据库的数据库是否名副其实,如果只是把Oracle或者MySQL简单搬到虚拟机环境下,它不能称为云原生数据库。

二、云原生数据仓库架构

我以几个实际的大数据相关的云原生数据库架构举例来说明。Snowflake前段时间刚上市,估值很高,巴菲特也投了这个公司,业界一片看好,收入规模涨得很快。下图是它的架构,在这里面有三层,最上面一层是Cloud services,做查询解析、优化、元数据管理,包括安全控制等等,如果你了解分布式,这里指的是他们的主节点/控制节点做的一些事情。

中间这一层叫查询计算层,计算层很有意思,这是这一代数据库的特点,它的计算层可以分成多个小的集群,这是非常好的资源隔离方式,计算和存储分离,就等于可以动态地起很多小的集群,不同的用户可以使用不同的集群,类似于多租户的概念,这样就带来了高并发等好处。底下存储层,Snowflake用的是对象存储,其实他们在创业初期的时候想尝试开发一套自己的存储,但后来失败了,为什么?因为存储还是很复杂的,想开发一套好的存储需要好几年,使用了现在的S3,当然也踩了很多坑。

另外一个例子是现在我们在做的OushuDB。

OushuDB是一个云原生的数据仓库,是这种存储与计算分离、松散耦合的架构。大家可以看到架构方面跟Snowflake有一点点相像,左上边这一块蓝色的部分是主节点做的事情,多个主节点可以管理着独立的元数据,管理资源,做查询的解析、查询的优化等等;右上边那一块是计算,我们叫虚拟计算集群,用户可以动态起一些虚拟计算集群。在云的支持方面,我们不仅支持公有云,也支持私有云,还支持物理机的部署。

在存储支持方面,OushuDB支持多种存储,包括对象存储、HDFS等。在公有云上我们推荐用对象存储,比较简单,不需要独立存储的部署;在物理集群上,我们建议部署HDFS。随着各种各样的混合工作负载越来越多,我们研发了Magma分布式表存储,我们这种新的存储支持混合工作负载,支持高并发、小查询、带索引等等,这些工作负载在对象存储上比较难实现,支持可插拔存储是我们相对Snowflake更好的地方。

另外一部分是我们极速的数据分析能力,大家知道Greenplum性能包括HAWQ性能是很好的,而现在OushuDB的版本里,新一代的执行器性能无论是单表性能还是非常复杂的查询,已经可以比Greenplum快5-10倍,这非常难,但我们做到了。而且完全兼容SQL的标准,如果以前你用了Teradata、Oracle、DB2、Greenplum或者其它数据仓库,应用可以非常容易地迁移到我们新一代的数据库里。

这是几大类产品简单的对比,比较客观,左边两个是新一代的架构,其他的是一些传统的共享存储架构系统,类似于Oracle这种数据库、数仓的一些系统。第二种是传统MPP,类似于Greenplum,Vertica等系统,第三种是Hadoop相关的一些系统。

从数据共享角度来看,比如新一代的云原生架构可以共享同一份数据,不需要因为集群的规模导致要分割很多种小的存储集群,相当于用一个大的存储集群就搞定了。存储是统一的,只需要存一份数据,不会形成数据孤岛。

在事务方面完全支持事务的ACID,所有的特性包括索引等等都可以支持。数据治理方面其实比较简单,性能、可扩展性、SQL标准支持、支持数据类型,包括结构化、半结构化。存储引擎的选择,有的云原生数据库可以支持多种,有的云原生数据库只能支持一种,其它的基本上都是绑死的,比如Oracle不能选别的,Greenplum只能选私有的存储,Hadoop基本上是HDFS。使用难度来看,新一代云原生架构继承了传统数据库Oracle,MPP数据库等的特征,完全兼容SQL包括存储过程、自定义函数等等,运维和实施难度较简单。

三、数据平台架构演进

前面主要说了从架构角度来看云原生数据仓库或者云原生数据库跟传统数据库的一些区别,真正做一个数据分析的应用场景,并不单纯是一个数据库,它是很多系统组合的结果,需要一个好的数据架构。我们从这个角度来看数据架构演进的路线。

这是最传统的数据架构,在2000年之前比较流行,大家都叫传统数据仓库平台架构,这个架构非常简单,有数据源,进行ETL,到传统的数据仓库,上面有多个数据集市,再上面有报表等应用,这是最传统、最经典的数据仓库的架构。

后面等Hadoop出来后,大家开始构建数据湖,很多人对数据湖这个概念的理解不是很一样,那数据湖到底是什么?数据湖解决了什么问题?以前传统数仓的模式,数据从数据源、从ETL加载过来,到数据仓库,再到数据集市,再到应用。数据仓库有着非常好、非常严格的建模方式,比如在金融里有FSDM,还有维度建模等各种各样建模的方法,使得很多数据大家用起来不爽——为什么做一件事情我不能拿到所有的数据,拿到数据还要经过这么长时间才能用,用起来也不是那么灵活,开发一个创新场景比较慢。

引入数据湖的概念,就是把所有的数据,无论结构化、非结构化,都扔进来,没有经过严格的数据建模等等过程,原始数据放在这儿,大家可以去用,用完之后如果形成了一些好的模型,可以转到数据仓库里。数据湖出现之后,大家形成的架构上基本上是这样一种架构:有数据湖,有数据仓库,上面还有数据集市,现在大部分的架构都是这样,当然包含一些流处理等,流数据由不同的组件实现。

在新一代云原生的架构底下,数据架构变得简单了。底下的对象存储或是其他存储是共享的,数据进来之后可以不加整理直接放到存储中(数据湖中),想做处理的时候,可以直接使用,经过加工之后形成仓库里建模好的数据,再到集市,整个的加工处理都在一套平台里,不同的计算场景可以使用不同的计算集群。这种架构我们称之为最新的数据云平台架构。“湖仓一体”基本上也是这个概念,湖和仓可以统一在一套系统中,可以做数据加工、数据资产管理、数据治理、数据科学、机器学习、建模等等,可以非常好地解决传统的需要多个集群、多个系统之间做数据倒腾等各种复杂的事情。

更具体一点,这个架构里其实有非常多的组件,在公有云上可以用对象存储,在物理机上部署的话,还可以使用HDFS。数据可以分为不同的区域,计算可以使用多个集群,比如在做ETL的时候用一个集群,那边要做即席查询,可以使用另外一个计算集群,不同的计算集群做不同的事情,但是数据是共享的,实现了一个完美的架构。

四、云原生数据仓库的应用

最后,我们再来讲一个云原生数据仓库在国有银行的一个应用案例。国内的大行资产规模在世界上非常领先,因此数据量非常巨大,有几十个PB。传统的MPP数据仓库和Hadoop都很难解决高并发,数据孤岛等问题。另外,银行的要求非常高,包括稳定性、功能支持的完备性等等,因此跟互联网公司有一些区别,在互联网公司能凑合用人肉运维使用的系统在银行一般很难用得起来。现在行里大约有好几十个数据仓库集群,云原生架构可以很好地解决数据孤岛等问题,现在我们正在慢慢地将它迁移到新一代云原生架构里。

讲师简介

常雷

偶数科技创始人、CEO,腾讯云TVP

偶数科技创始人、CEO,腾讯云TVP,Apache HAWQ数据库顶级项目创始人,曾任EMC高级研究员、EMC/Pivotal研发部总监,长期专注于AI和大数据领域,曾在国内外顶级数据管理期刊和会议(如SIGMOD等)发表数篇论文,拥有多项国际专利。常雷博士是中国计算机学会数据库专委,中国大数据产业生态联盟专家和中国人工智能百人专家。2017年入选美国著名商业杂志《快公司》“中国商业最具创意人物100”榜单。他于2008年博士毕业于北京大学计算机系。

点击观看峰会的精彩总结视频????

关注云加社区,回复关键词:“数据”,可获取峰会当天全程回顾视频链接

6月5日,Techo TVP 开发者峰会 ServerlessDays China 2021,即将重磅来袭!

扫码立即参会赢好礼????

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 1170

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 716

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 719

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 1128

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 911

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 826

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 466

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 625

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 843

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 1171

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 1219

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 1198

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 2637

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 875

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 702

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 893

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 762

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 712

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 674
上一篇: Oceanus的实时流式计算实践与优化
下一篇: 听说,难于上青天的云原生数据湖能开箱即用了?
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