一文说尽Golang单元测试实战的那些事儿

导语 | 单元测试,通常是单独测试一个方法、类或函数,让开发者确信自己的代码在按预期运行,为确保代码可以测试且测试易于维护。腾讯后台开发工程师张力结合了公司级漏洞扫描系统洞犀在DevOps上探索的经验,以Golang为例,列举了编写单元测试需要的工具和方法,然后针对写单测遇到的各种依赖问题,详细介绍了通过Mock的方式解决各种常用依赖,方便读者在写go语言UT的时候,遇到依赖问题,能够快速找到解决方案。最后再和大家探讨一下关于单元测试上的一些思考。

一、前言

单元测试,通常是单独测试一个方法、类或函数,让开发者确信自己的代码在按预期运行,为确保代码可以测试且测试易于维护。另一方面,DevOps里提倡自动化测试,并且主张越早发现代价越小。关于单元测试的更多思考,可以看看本文最后一节。

本文结合了公司级漏洞扫描系统洞犀在DevOps上探索的经验,以Golang为例,列举了编写单元测试需要的工具和方法,然后针对写单测遇到的各种依赖问题,提出相应的解决办法,并展示了自动化单元测试的结果。最后再和大家探讨一下关于单元测试上的一些思考。

二、测试工具与方法

1.测试框架

相信大家都熟悉go内置了go test测试框架来执行和管理测试用例。通过文件名_test.go结尾来表示测试文件,通过函数以Test开头并只有一个参数*testing.T来表示一个测试函数。例如:

// sample_test.go


package sample_test


import ( "testing" )


func TestDownload(t *testing.T) {}
func TestUpload(t *testing.T) {}

而其中测试框架testing的类型*T提供了一系列方法,例如主要会用到的下面三个方法:

  • t.Fatal:会让测试函数立刻返回错误

  • t.Error:会输出错误并记录失败,但任然会继续运行

  • t.Log:输出 debug 信息,go test -v参数下有效

除此之外,还有其他用的比较多的测试包。例如断言包"github.com/stretchr/testify/assert",比如如果想判断返回的错误是否是空,如果用原生方法会是:

if err != nil
 t.Errorf("got error %v", err)
}

但用assert包只需要一行代码就可以实现上述功能,而且可以输出具体错误代码行:assert.Nil(t, err)。另外还有封装了testing的测试框架https://github.com/smartystreets/goconvey,里面包含了子测试断言等功能。

2.表格驱动测试

表格驱动测试通过定义一组不同的输入,可以让代码得到充分的测试,同时也能有效地测试负路径。 例如下面函数会判断参数类型,如果是int就乘以二,如果是string就先转成int然后乘以二,如果是其他类型就返回错误:

func twice(i interface{}) (int, error) {
 switch v := i.(type) {
 case int:
  return v * 2, nil
 case string:
  value, err := strconv.Atoi(v)
  if err != nil {
   return 0, errors.Wrapf(err, "invalid string num %s", v)
  }
  return value * 2, nil
 default:
  return 0, errors.New("unknown type")
 }
}

可以看到该函数有多个分支,如果要覆盖到不同分支,就需要不同类型输入,那么这就很适合表格驱动测试:

func Test_twice(t *testing.T) {
 type args struct {
  i interface{}
 }
 tests := []struct {
  name    string
  args    args
  want    int
  wantErr bool
 }{
  {
   name: "int",
   args: args{i: 10},
   want: 20,
  },
  {
   name: "string success",
   args: args{i: "11"},
   want: 22,
  },
{
   name:    "string failed",
   args:    args{i: "aaa"},
   wantErr: true,
  },
  {
   name:    "unknown type",
   args:    args{i: []byte("1")},
   wantErr: true,
  },
 }
 for _, tt := range tests {
  t.Run(tt.name, func(t *testing.T) {
   got, err := twice(tt.args.i)
   if (err != nil) != tt.wantErr {
    t.Errorf("twice() error = %v, wantErr %v", err, tt.wantErr)
    return
   }
if got != tt.want {
    t.Errorf("twice() got = %v, want %v", got, tt.want)
   }
  })
 }
}

上面还用到了go test的子测试功能t.Run(name string, subTest func(t *T))。如果想在一个测试函数里面执行多个测试用例,例如要同时测试一个函数的返回成功和失败等各种情况,那么可以使用子测试来区分不同情况。

另外,上面表格测试代码框架是用Goland自动生成的,自己只需要填写tests数组就行了。点击函数名然后右键,选择generate,然后选择test for function就会自动生成测试函数了。不过上面生成的函数没有校验返回的错误内容,如有需要可以自己稍微修改一下。

三、解决常见的依赖等问题

解决常见的依赖等问题目前有两种思路:


  • 通过mock方式替换实际依赖,并通过打桩操作其返回内容。

  • 通过本地启动一个模拟依赖环境,比如模拟redis服务等,然后直接访问模拟服务。


下面几小节详细介绍了上述两种办法在不通场景下的应用,其中替换函数或方法、依赖接口类型和mysql数据库依赖对应了第一种思路;访问访问http接口、mysql数据库依赖和redis依赖对应了上面第二条思路。

四、访问 http 接口

代码里经常会遇到要访问http接口的情况,这时如果在测试代码里不做处理直接访问,可能遇到环境不同访问不通等问题。为此go标准库内置了专门用于测试http服务的包net/http/httptest,不过我们这里并不用它来测试http服务,而是用来模拟要请求的http服务。


基本流程是先创建一个路由器,然后注册一个响应函数用来模拟要请求的服务:

mux := http.NewServeMux()
mux.HandleFunc("/", func(writer http.ResponseWriter, request *http.Request) {
 writer.Write([]byte(`{"code":0,"msg":"ok"}`))
})

接着启动这个服务,httptest会真的在localhost启动它,然后这个URL就是要访问的服务地址了。

server := httptest.NewServer(mux)
defer server.Close()
url := server.URL

五、替换函数或方法

大家用的最多的应该就是monkey补丁库了,可以用它来替换各种函数和方法,使用起来非常方便,这类库原理大致相同,通过运行时用unsafe包替换函数地址来实现。比如https://github.com/agiledragon/gomon

key,不过这次我们用公司内部同源测试团队封装的monkey库来演示ngmock。


首先是替换函数,新建一个函数mock对象,参数有*testing.T和要mock的函数。比如被测函数需要调用db.New新建一个DB,那么下面就mock了db.New函数。

dbNewMock := ngmock.MockFunc(t, db.New)
defer dbNewMock.Finish()

然后在执行被测函数之前,设置mock函数接收什么参数,并且要返回什么,比如下面指定接收一个任意参数并且让db.New返回指定错误。该设置默认只会生效一次,如果要生效多次或者一直生效可以配置次数。

dbNewMock.Mock(ngmock.Any()).Return(nil, errors.New("fake err")).AnyTimes()

接下来就是执行被测函数函数来验证是否生效了,这里用到了上面提到的另一个测试框架convey,convey.Convey同*T.Run(),convey.So是 assert。

func TestNewDBs(t *testing.T) {
 convey.Convey("TestNewDBs", t, func() {
  dbNewMock := ngmock.MockFunc(t, db.New)
  defer dbNewMock.Finish()
  convey.Convey("TestNewDBs failed", func() {
   dbNewMock.Mock(ngmock.Any()).Return(nil, errors.New("fake err")).AnyTimes()
   dbs, err := NewDBs(DbUrl{}) // 执行被测函数
   convey.So(dbs, convey.ShouldResemble, &DBs{})
   convey.So(err, convey.ShouldNotBeNil)
   convey.So(err.Error(), convey.ShouldEqual, "fake err") // 验证是否生效
  })
 })
}

可以看到,mock依赖函数之后执行被测函数,会返回我们设置的错误fake error,在调用完成获得返回错误之后可以判断一下是否是我们设置的错误。还可以mock结构体方法,使用方式和上面类似,第二个参数传结构体或者指针,第三个是mock模式:

execCmdMock := ngmock.MockStruct(t, exec.Cmd{}, ngmock.Silent)
defer execCmdMock.Finish()

mock模式主要有两种:

  • Silent结构体内没有mock的方法返回类型默认值,调用没有mock的方法不会报错,最后对调用方法的统计不会报错。

  • KeepOrigin结构体内没有mock的方法按照原方法逻辑返回数据,调用没有mock的方法不会报错,最后对调用方法的统计不会报错。


在mock方法时,需要指定方法名,比如下面就mock了该结构体的Output方法,方法如果有参数的话,可以在后面加上参数。其他的就和前面一样了。

execCmdMock.Mock("Output").Return([]byte("1"), nil)

如果在MacOS上执行测试遇到了permission denied的错误,这是 MacOS保护机制导致的,具体解决办法见https://github.com/eisenx

p/macos-golink-wrapper 。

六、依赖接口类型

如果依赖的数据是接口类型,那么可以很方便的通过依赖注入的方式传入测试用的接口实现来替换原始依赖。go 官方出品的gomock 可以根据接口定义自动生成相应实现的mock桩代码:https://github.com/golang/

mock。gomock库会有个二进制文件mockgen用来生成代码, 比如文件里有一些接口定义:

// interfaces.go


// Encoder 编码器
type Encoder interface {
 Encode(obj interface{}, w io.Writer) error
}
//go:generate mockgen -destination=./mockdata/interfaces_mock.go -package=mockdata -self_package=./mockdata -source=interfaces.go

‍

可以执行mockgen来生成上述接口,具体命令如上,-destination指定生成文件名,-package是生成文件包名,-self_package指定生成的包路径,-source就是源接口文件路径名。如果最后不指定接口名的话,会生成所有接口或者可以指定要生成的接口,多个用逗号连接。 当然也可以读取标准库的接口:mockgen database/sql/driver Conn,Driver桩代码生成好了之后,就可以调用代码里类似 NewMockXXXX(ctrl)方法来创建mock对象,如下所示,这样创建的encoderMock实现了上面的Encoder接口,接下来就用这个encoderMock来初始化被测函数依赖的接口即可。

ctrl := gomock.NewController(t) // *testing.T
defer ctrl.Finish()
// mockdata 是上面生成的桩代码目录
encoderMock := mockdata.NewMockEncoder(ctrl)

在调用被测函数之前,需要先打桩:我们希望如果encoderMock在执行Encode方法时传入会两个指定参数,那么就执行指定的函数并返回:

codecMock.EXPECT().Encode(gomock.Any(), gomock.Any()).DoAndReturn(func(obj interface{}, w io.Writer) error {
 w.Write([]byte("test_data"))
 return nil
})

接下来执行被测函数,当实际调用到Encode方法时,就会执行我们设置的函数。看起来和上面一节的替换函数和方法类似是吧?这种希望当调用函数Encode()并且参数一致,那么就执行指定逻辑的方式,就是打桩(stub)。打桩过程还可以配置执行次数和执行顺序等,如果不知道打桩函数具体会被传入什么参数可以用gomock.Any()来代替。通过打桩可以控制依赖接口的行为,解决测试时接口依赖的问题。

七、mysql 数据库依赖

数据库依赖也是经常要遇到的一个问题,如何解决测试过程中的依赖呢?我这里总结了两种办法: 首先是sqlmock:https://github.com/DATA-DOG/go-sqlmock。看到mock字眼大家大概也知道它是怎么使用的了,也是通过对执行sql语句打桩来完成测试。首先初始化mock对象,返回第一个是*sql.DB,用来传给被测代码依赖的db,第二个就是mock对象,用来设置打桩代码。控制sqlDB的行为。

sqlDB, dbMock, err := sqlmock.New()

具体使用项目文档里有,我这里简单说一下:比如下面一个函数执行一些sql语句,先调用Begin创建事务,然后分别Query和Exec执行sql,最后如果返回错误则Rollback否则Commit。

func testFunc(db *sql.DB) error {
 tx, err := db.Begin()
 if err != nil {
  return err
 }
 defer func() {
  if err != nil {
   tx.Rollback()
  } else {
   tx.Commit()
  }
 }()
 rows, err := tx.Query("select * from test where id > 10")
 if err != nil {
  return err
 }
 defer rows.Close()
 for rows.Next() {
  // 省略
 }
  if _, err := tx.Exec("update test set num = num +1"); err != nil {
  return err
 }
 return nil
}

那么针对上面函数,编写测试用例如下。其中打桩代码按照上面顺序,希望先执行Begin;然后执行Query,并且希望sql语句满足正则select .* from test并返回两行结果;然后执行Exec,希望 sql 满足正则update test并返回错误;最后执行Rollback。接下来执行被测函数,如果被测函数按照打桩代码的顺序执行相应sql的话就会返回指定内容,否则就会报错。

func Test_testFunc(t *testing.T) {
 convey.Convey("Test_testFunc exec failed", t, func() {
  sqlDB, dbMock, err := sqlmock.New()
  convey.So(err, convey.ShouldBeNil)


  dbMock.ExpectBegin()
  // sql支持正则匹配
  dbMock.ExpectQuery("select .* from test").
   WillReturnRows(sqlmock.NewRows([]string{"id", "num"}).
    AddRow(1, 10).AddRow(2, 20))
  dbMock.ExpectExec("update test").WillReturnError(errors.New("fake error"))
  dbMock.ExpectRollback()


  err = testFunc(sqlDB) // 执行被测函数


  convey.So(err, convey.ShouldNotBeNil)
  convey.So(err.Error(), convey.ShouldEqual, "fake error") // 验证打桩是否生效


  // 确认所有打桩都被调用
  convey.So(dbMock.ExpectationsWereMet(), convey.ShouldBeNil)
 })
}

有时候我们的代码不会直接使用*sql.DB,而是用到一些第三方 ORM 框架,那么需要想办法让这些框架使用我们的 mock db,比如对于 gorm 框架,可以这么配置:

sqlDB, dbMock, err := sqlmock.New()
// "gorm.io/driver/mysql"
// "gorm.io/gorm"
db, err = gorm.Open(mysql.New(mysql.Config{Conn: sqlDB}), &gorm.Config{})

谈到gorm框架,那么问题来了,如果我不直接操作*sql.DB而是用的框架,但我不知道最后生成的sql是什么那该怎么办?或者说被测函数有一堆sql语句,一个一个打桩起来实在是太麻烦。那么对于这种情况如果能有一个本地数据库环境就好了,省去了打桩的麻烦,但是如果是mysql这种DB的话,本地建一个最快也是用容器跑才行。那么有没有更轻量化的办法呢?

可以本地临时创建一个sqlite数据库来代替当前依赖的数据库比如mysql等,sqlite是可以在本地直接跑的轻量级数据库,常见sql语句增删改查什么的和mysql区别不大。不过需要注意的是目前所有的go sqlite驱动都是基于CGO的,因为sqlite使用C写的。所以引用这些驱动会导致测试前程序编译速度变慢和跨平台支持问题,不过目前测试在MacOS和linux上是没有问题的。

如下所示首先创建一个临时的sqlite gorm框架DB,其中连接地址置空,这样在关闭db之后数据库也会自动删除。之后就可以正常使用了。它底层使用的是这个驱动github.com/mattn/go-sqlite3。

import(
 "gorm.io/driver/sqlite"
 "gorm.io/gorm"
)
db, err := gorm.Open(sqlite.Open(""), &gorm.Config{})

如果使用场景只是增删改查什么的,问题不会很大,我目前遇到的和 mysql 不兼容的就是create table a like b这种 sql。而且如果不直接执行 sql 而用框架取调用相关函数的话,兼容性会好很多。

八、redis 依赖

很多项目还会依赖redis数据库,那么这种怎么解决依赖问题呢?可以使用miniredis库解决问题:https://github.com/alicebob/miniredis 。

miniredis是一个纯GO写的测试用的redis服务,它支持绝大多数redis命令,具体可以看项目介绍。使用起来很简单,直接调用Run函数启动一个测试服务,服务对象的Addr()方法返回服务连接地址。接下来可以就可以拿着这个地址替换当前依赖了。

import "github.com/alicebob/miniredis/v2"
import "github.com/go-redis/redis/v8"


mr, err := miniredis.Run()
addr := mr.Addr() // redis服务的tcp连接地址


// 比如创建一个客户端
opt, err := redis.ParseURL("redis://:@" + mr.Addr())
cli := redis.NewClient(opt)

九、执行测试用例前后设置

有时需要在测试之前或之后进行额外的设置(setup)或拆卸(teardown),为此testing包提供了TestMain函数作为测试文件的入口。如下所示,该文件的测试用例都会在m.Run里运行,如果成功返回0否则非零,因此可以判断执行是否成功。值得注意的是最后应该使用code作为os.Exit参数退出。

func TestMain(m *testing.M) {
 code := m.Run()
 if code == 0 {
  TearDone(true)
 } else {
  TearDone(false)
 }
 os.Exit(code)
}


func TearDone(isSuccess bool) {
 fmt.Println("Global test environment tear-down")
 if isSuccess {
  fmt.Println("[  PASSED  ]")
 } else {
  fmt.Println("[  FAILED  ]")
 }
}

十、忽略指定目录

有时需要忽略指定目录,例如自动生成的桩代码,proto文件等,以提高覆盖率,那么对于下面的测试命令:go test -v -covermode=count -coverprofile=coverage_unit.out '-gcflags=all=-N -l' ./... 如果要忽略掉mockdata目录的话,后面加上grep -v mockdata即可:

go test -v -covermode=count -coverprofile=coverage_unit.out  '-gcflags=all=-N -l' `go list ./... | grep -v /mockdata`

然后可以运行go tool cover -html=coverage_unit.out -o cover.html,生成网页版报告,查看覆盖率情况。当然还有一个比较tricky的方法,如果生成的桩代码仅限于某个包内使用,那么直接把桩代码文件名改成_test.go后缀的就行了。

十一、关于单元测试的思考

1.单测的意义

首先必须承认有了单元测试之后,增加了代码质量的保障。而且在做修改和重构的时候,也能降低心智负担,相信大家都体验过对一堆没有单测的代码做修改时心里都会有点打怵,生怕改出什么问题。


但是对于没有单元测试的人来说,刚开始写单测无疑是让人非常头大,简直寸步难行。因为已经维护的代码可能在设计上就很难测试,各种耦合各种依赖没有抽象混在一起,一行代码成百上千行,这些都加深了接入单元测试的难度和工作量。而由于没有质量保证又不敢动这些祖传代码,从而导致陷入死循环。


但总得想办法改变现状,最近看了公司内部技术论坛的测试专题,之后也是跟各路大神学习到了一些东西。首先可以先让重要逻辑代码有测试。其次就是关注代码设计问题,对新增代码坚持写单侧,我在码客上看到有前辈说,**UT 不是用来找BUG的,而是通过UT来改良设计,从而提升代码质量,降低BUG数量。**反之如果UT不好写,说明代码结构混乱,出现BUG的概率也变高。

2.不能为了单测而单测


单元测试覆盖率高真的可以确保质量吗?是否能消除BUG?这个按我个人经验其实是不能完全保证的。首先得考虑单测覆盖代码分支是否完备?有时候为了偷懒只测了主路径,对于其他负路径等没有测试,那么肯定会有问题的。其次测试环境和线上实际环境的潜在差异可能也会导致代码BUG没测试出来。我遇到过在写打桩代码的时候,懒得校验参数,直接用mock.Any代替,导致做集成测试的时候发现参数传错了,写这种单测除了浪费时间之外基本上也发现不了什么问题。

3.有没有更好折中方案

有时候函数逻辑比较复杂导致插桩过程繁琐,或者有些依赖不方便 mock,那么是否能在执行测试用例的时候创建一个本地测试环境,里面包含了各种依赖,这样或许会方便很多。比如上一节介绍解决依赖的办法里有提到为了解决DB依赖,可以临时创建一个sqlite数据库,或者启动一个容器来模拟执行环境。

作者简介

张力

腾讯后台开发工程师,负责高危服务扫描系统建设。

推荐阅读

燃爆盛夏 | 腾讯极客挑战赛正式开启!

你一定听过这些不太标准的技术圈发音...

系统如何设计才能更快地查询到数据?

前以色列国防军安全技术成员教你做好 Serverless 追踪

替代Docker,登上顶刊,这款开源沙箱牛在哪里?

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 1169

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 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 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 1218

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 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 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: 前以色列国防军安全技术成员教你做好 Serverless 追踪
下一篇: Serverless 在大厂都怎么用?
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