前以色列国防军安全技术成员教你做好 Serverless 追踪

导语 | Serverless 环境给DevOps和开发团队带来了复杂性和可观察性方面的挑战。在分布式系统里,为这些现代环境建立可观察性策略是至关重要的,以便快速识别、排除故障和解决问题。本文由 Epsagon Director of Engineering Gal Bashan 在 Techo TVP 开发者峰会 ServerlessDays China 2021上的演讲《Observability in Serverless Environments》整理而成,带大家回顾可观察性、它的关键因素(指标、日志、跟踪、警报等),以及如何在微服务和无服务器中实现可观察性。

点击可观看精彩演讲视频

一、 监控与日志

大家好,我是Gal Bashan,是Epsagon的技术总监。Epsagon是一家初创公司,专注于现代分布式应用程序的可观测性,无论应用是建立在无服务器、微服务、Kubernetes、ECS还是类似的现代技术上,我们都想帮助你了解你的生产情况如何。在此之前,我在以色列国防军做了很多很酷的网络安全工作,这是我的推特和去日本旅行时的照片:

今天我想和大家讨论无服务器的可观测性和分布式环境。在无服务器之前的世界里——容器、机器和物理服务器的世界里,监控、记录和可观测性是如何产生的?然后,我想聊一下云的演进趋势,以及随着这些趋势的变化,都带来了哪些和可观测性相关的问题。接着,我们将讨论一下分布式跟踪,它是解决这些新问题的一个很好的解决方案。最后,我们将讨论监控的最佳实践,以及让你的无服务器系统具有可观测性的最佳实践。

那么让我们来谈谈传统的监控。回到无服务器被发明和重新被发明之前的日子,在出现任何类型的ECS或Docker之前,人们会基于实际的物理服务器来构建他们的应用程序。应用程序如何运行基本上是由这些服务器发出的不同指标定义的。比如消耗了多少CPU?使用了多少内存?服务器收到了多少请求等等?

因此,如果人们想知道应用程序如何运行,解决方案相对简单,只需在运行应用程序的机器中放置一个代理即可。然后,这个代理可以收集主机数据、不同的指标,将其报告给其他解决方案或本地解决方案,并将其显示给用户,这样我们就可以了解服务器的真实运行情况了。

然而,当故障和问题发生时,只有监控是不够的,人们需要故障排除的能力。仅依赖于这些监控指标是不够的,因为指标只会告诉你存在问题,但是你更希望知道如何解决这个问题。所以我们发明了另一种东西,那就是日志。

现在,你可以在应用程序中打印你想要的任何内容,如请求的上下文、与数据库的交互,或与应用程序有关的任何其他内容。然后,你可以在以后查看这些日志来了解应用发生错误时的实际运行情况,并掌握如何处理这个错误的方法。这意味着,如果我们在托管服务器上运行,我们要做的基本上就是设置另一个代理,让它收集所有日志,以便我们日后浏览。

人们对这个解决方案非常满意,因为这个系统相对简单,它有一个主要组件,所有代码都在里面。如果出现问题,指标会告诉我们,然后我们可以立刻进行故障排除,因为所有日志都在一个地方,所有和这个单体应用相关的日志都汇总在一起,我们可以浏览日志,了解正在发生的事情。

二、云计算带来的现代应用挑战

让我们从过去快进到现在。今天,我们的应用通常不会直接在物理服务器上运行,至少对于云原生的现代化应用来说是这样,我们更希望使用托管的解决方案,无论是无服务器、容器还是Kubernetes、ECS,甚至像Fargate这样的东西,都帮助我们将基础设施的管理负担转移给了云厂商,从而让我们能够专注于构建自己的业务逻辑。

原因是,让我们赚钱的、成为一家公司的东西,是真正可以给世界带来价值的业务逻辑,而不是处理服务器运维工作,也不是管理API网关的动态伸缩。作为一家公司或开发人员,我们的核心价值是为客户带来价值。因此,如果我们能够减少管理基础设施的这些工作,将可以进一步促进业务增长,让产品更加贴近我们的客户,然后,我们可以借助这些现代化的技术加速研发速度,更快地交付更好的产品。我想这也是为什么你们所有人今天都来参加 Serverless Days峰会的原因,因为你想了解如何利用无服务器技术——这项由不同云服务商提供的伟大的技术,以便构建更快、更好的解决方案。但是这种解决方案的问题在于,它们与我们构建的传统的应用程序非常不同,这类解决方案具有独特的特点,使它们更难进行故障排除和监控。概括来说,这些解决方案很难观测,很难让你真正了解应用程序在运行时都发生了什么,也无法让你有足够信心知晓问题发生和问题修复。

这其中有很多原因,如果你在考虑像AWS Lambda或ECS这样的解决方案,基本上会有数千个容器或无服务器功能,它们彼此交互,不管是同步还是异步的。因此,当你想要查看指标或日志时,仅查看特定组件的指标或日志是不够的,你需要把系统作为一个整体来看待,因为每个用户请求和数据都要经过系统很多不同的组件来处理。最重要的是,你可能不仅仅使用了一家云厂商的服务,例如,你可能在亚马逊上运行,使用AWS Lambda(很抱歉,我所有的例子都是基于亚马逊的,这只是我习惯使用的环境。当然,任何云都有类似的服务。),并且想要对应用程序进行故障排除,但是你的应用程序正在接受付款,使用Stripe(海外知名网络支付平台)作为第三方API来处理付款,那么,仅仅解决你自己的代码故障是不够的。

仅仅看Lambda中的代码、日志、监控指标等还远远不够,你需要能够对不同服务提供商的API调用情况进行故障排除,比如这个例子里的 Stripe,这样你才可以完全了解系统中发生了什么。即使是你的服务使用同一个云厂商或软件服务商,也会有类似的问题,因为很多代码不需要你自己构建。这原本是一件好事,因为你不需要重新构建一个队列系统,只需使用SQS(AwS 消息队列服务)即可,甚至你都不需要构建这种队列机制,直接使用Google PubSub即可。但问题是,这部分逻辑原本是你负责的,现在变为由云厂商负责,然后提供给你使用,但是如果你使用的方式有问题,或者云厂商的提供的用法有问题,你仍然需要保持警惕,因为这是你的应用程序的一部分,而不仅仅是一个外部服务依赖,这是支撑业务逻辑正常运行的核心组成部分。

例如,如果你正在处理大量数据,而你的Kafka流或Kinesis流(AwS流数据处理服务)停止工作,仅仅说“这不是我的问题,这是AWS的问题”,这还远远不够,因为你的应用程序正由此而受到影响。你必须尽快排除故障并了解这是根本原因,并尽你所能采取一切措施,以便更快地解决问题并把损失降到最低。

因此,在新的分布式环境中,我们现在面临着许多挑战,当一切都在我们的控制之下时,所有的东西都集中在一个地方时,就没有这样的挑战,指标和日志足以满足我们的需求。但现在我们需要一种新的解决方案,需要一种在现代化的架构中,将各个系统连接起来的方式。它将帮助我们获得可观测性和可见性,以便我们了解应用运行的实际情况。

三、分布式跟踪

这个解决方案就是分布式跟踪。我们希望使用跟踪来查看应用程序中的完整流程,那么怎么才能达成呢?

解决方案相对简单,实际上,有很多专门用于此解决方案的开源工具。最初由Uber开发的Jaeger和Zipkin,我认为早在10年前甚至更久以前,他们就开始意识到这是分布式系统中的一个实际问题,他们想要提供一个很好的解决方案,最初是为公司内部提供解决方案,后来开源给了整个社区。从某种程度上来说,CNCF(云原生计算基金会)实际上决定采用类似的解决方案。在此之前,我们有OpenTracing,这是一个供应商中立的解决方案,还有之前的OpenCensation,另一个供应商中立的解决方案,也和分布式追踪有关。

今天,CNCF实际上正在开发分布式追踪的最新技术 OpenTelemeter,它被认为是OpenTracing和OpenCensus的结合体,为你提供API和SDK,以便以厂商中立的形式将分布式跟踪添加到你的应用程序中,OpenTelemeter 已经对接了多个云厂商。

因此,为了设置这个分布式跟踪系统,你需要两样东西。首先,你需要在代码中嵌入生成Trace数据的能力,你必须深入代码细节,然后进行标识,这个Lambda函数是由HTTP方法触发的;然后这个Lambda函数从时间X运行到时间Y,执行期间做了一个数据库操作,把一个文档存放Dynamo DB中,需要用类似的方式对所有代码进行分段处理。这是第一部分。

这些东西产生了Trace数据,然后它们被报告给了Tracing系统的后端,例如Jaeger和Zipkin就是Tracing系统的后端。然后,后端获取这些Trace数据之后,将它们关联起来,并提供一个UI来显示它们。例如,这是Jaeger UI,如果一切都设置正确,你可以在应用程序中看到不同服务的完整流程。

因此,你可以看到,前端正在发出几个请求,有一个Redis请求,并在之后又发起了其他请求,最后完全设置成功。但是一开始的时候其实很难设置,产生Trace数据是一件比较困难的事情。标识应用程序中正在进行的所有操作非常耗时,还可能导致大量人为错误。

另一件相对困难的事情是关联ID的注入和提取,基本上,你必须自己管理整个跟踪流程。因为分布式跟踪背后的技术逻辑,是在不同计算单元之间传播ID。这样当后端接收到所有不同的数据时,可以将所有内容关联到同一事件。

四、监控的最佳实践

现在,虽然通过使用比使用OpenTelemetry这样的SDK,注入和提取这些ID相对要容易一些,但仍然需要大量的手动工作,你必须更改代码才能做到这一点。所以我认为,我们要找到一种解决方案,可以和不同的云端环境、云端服务集成,可以自动识别不同的应用框架,自动生成大部分Trace数据。此外你还需要一个强大的UI来可视化轨迹,无论是火焰图形还是时间线。另外,在图表中,你希望能够看到应用程序内部使用了哪些资源。最后,也许还有很多重要的因素,因为你一定还希望这些解决方案提供更多的功能,比如监控预警等等。

所以我想说的是,当你达到成熟和大规模的时候,自己管理和开发这种后端可能会有很大的开销。因为这是无服务器峰会,我猜你们中的大多数人都不想关心基础设施,只关心交付商业价值。但你投入开发的东西可能与核心商业价值无关。当你的企业达到一定的规模时,我建议当你考虑分布式追踪的工具时,要进入购买模式,而不是进入维护模式,只是因为它需要大量的维护和在这个特定领域的大量专业知识才能正确完成,这样当你遇到异常或错误时,拥有有效监控和排障所需的所有数据。

简短地总结一下,我猜你们中的大多数人今天在这里是因为关心无服务器环境,如果你谈论的是无服务器思维,那么最好的做法可能是将重点放在你正在尝试交付的价值上,让不同供应商帮助你进行监控,这正是我们提供的价值。

希望你享受这次会议。如果有任何问题,请随时在推特上联系我,在我们的网站上联系Epsagon。希望你能有所收获,各位再见。

讲者简介

Gal Bashan

Epsagon的技术总监

Epsagon的技术总监,常驻以色列特拉维夫。他有网络安全的背景,逆向工程和网络分析的经验。在加入Epsagon之前,他在以色列国防军服役,是一个精英情报单位的成员。

推荐阅读

替代Docker,登上顶刊,这款开源沙箱牛在哪里?

如何优雅地把握 Serverless 和 Serverful 的平衡点?

微服务和 Serverless 如何强强联合?

Function Mesh:Serverless 在消息与流数据场景下的火花


???? 错过了直播懊悔不已?本次峰会所有嘉宾的演讲视频回顾上线啦,点击「阅读原文」即可观看~

???? 看视频不过瘾还想要干货PPT?关注本公众号,在后台回复关键词「serverless」即可获取!

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 1168

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 715

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 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 910

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 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 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 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 1197

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 2636

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 674
上一篇: 系统如何设计才能更快地查询到数据?
下一篇: 一文说尽Golang单元测试实战的那些事儿
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