摇滚开源人CC:热爱足球音乐,做工业互联网生态构建者

精彩专访回顾

嘉宾简介

范维肖,网名 CC,现任 Allegro 熹乐科技 CEO,腾讯云 TVP。1998 年开始做开源 BBS 产品,2006 年加入 优快云,后曾作为首席架构师负责飞信 SNS 业务。2011 年进入移动互联网领域,打造社交音乐 App、音乐版权交易平台等。2019 年起,创立Allegro熹乐,打造开源低时延边缘计算框架 YoMo,为行业提供物联网 IoT 开源实时数据计算框架,并参与了中国工业互联网相关标准的制定,致力于推动云计算和边缘计算生态的融合。

前言

中国互联网经过 20 余年的发展,早已与当年大不一样。但在这变革之路上,无论是从 PC 时代到移动互联时代的转变,还是从消费互联网到产业互联网的升级,技术人员的赛道选择却永远是亘古不变的话题。在产业互联网蓬勃发展的当下,技术人应该如何尽快适应时代浪潮?应该如何调整自身,寻求转型突破?而在这变化中,又有哪些该是不变的坚守?2022 年 2 月,国内低时延边缘计算企业「Allegro熹乐科技」宣布获得 300 万美元天使轮融资,踏上了加速发展的快车道,而作为该企业创始人,也是腾讯云最具价值专家(TVP)的范维肖老师,将从自身经历出发,为你带来一场关于赛道转型与物联网生态的专业解读。

资深程序员的转型之路

“我觉得一个新技术的出现一定是会让人们看到革新的。但是,我们总是会在短期内高估技术的影响,却会低估技术在长期内带给我们的价值。”

提起范维肖,很多人可能更熟悉他的网名「CC」 。作为中国互联网发展阶段最早期的一批参与者之一,CC 可谓是跟随着中国互联网的发展一起成长起来的。

1998年,还在念高中的范维肖就对互联网技术产生了浓厚的兴趣。回忆起当年的经历,他的言语中透露着自豪与骄傲,他提到 “当年我最初关注起互联网,是从电脑报的杂志上看到了关于编程的东西,当时就开始觉得 Web 非常吸引人,同时开始学习 ASP 的技术,做在线论坛。到了 1999、2000 年左右的时候,国内有非常多的 ASP 语言写的 Web 的论坛都是我做的。就是这段经历,又促使着我后来开始给各种各样的论坛写插件,一直到 2006 年大学毕业之后,就开始做 优快云 开发者社区。”

但从大学毕业后,范维肖的互联网之路不再像之前那样“一成不变”。骨子里的冒险性格也在促使着他一直在寻找最有前景、最有挑战性的技术领域去突破。

博客论坛我当时一直在做,直到 2008 年社交产品出现,我当时就加入了中国移动飞信项目开始做中国的社交网络。2010 年后,伴随着移动互联网的兴起,我也非常坚定地跳到了移动互联网的洪流里。当时我们就认为,IM 的未来一定是在在移动互联网里的,还有音乐也是这样,音乐流媒体应该具备社交属性,应该是放在人的口袋里的。所以我就开始出来自己创业,陆续做了手机端的 ARM,还有社交音乐项目,后来又做了 To B 的音乐版权交易平台,AI 平台等等产品。

到了 2015 年的时候,我觉得这是我人生的一个大的转折,有过三次创业经历,并且当时我最想做的产品也成功在创业板上市了。这个时候我意识到,自己一直以来只关注技术和产品,很多东西都还不懂,但是技术要为社会创造价值的时候,它一定是要综合多种因素的,整个经济、商业结构都是需要关心的。所以 2015 年的时候,我也参与创立了一家 VC 公司,希望能够换一个角度去理解技术创业,去学习和理解更多技术和商业化之前的关系。

2015年之后,伴随着我对这个行业越来越了解,所看到的角度越来越多,我也开始注意到了中国的 To B 市场飞速成长的事实。我当时在想,如果能将技术变成一种数字化的方式,为这个社会的发展助力,我觉得这对我的人生是一个更有冲击和挑战的事。

所以在 2019 年的 3 月份,我和我的合伙人一起创立了熹乐科技,我们当时看到的是云计算在过去十几年的发展过程当中连接了全球 70 亿的人口。同时,物联网领域越来越多的智能设备也在出现,这是一个几百亿的设备连接。这些数据的产生需要被实时地计算,需要被存储。今天的云计算我们认为将来一定会有溢出,目前它是无法满足未来需求的。所以我们瞄向了一个叫边缘计算的市场,这是整个熹乐科技在做的事,在今天我们用边缘计算服务物联网 IoT 相关行业。

在不断地寻求突破的过程中,范维肖也经历了从架构师到 CTO,从 CTO 到投资人,再从投资人到 CEO 的转变。每次身份的变化,带给他的,都是对所从事行业与自我事业发展的一次全新审视与思辨。曾经在参加TVP技术创业闭门会时,范维肖曾提到“技术人是猎人,CTO是酋长,CEO是国王”,而如今,面对三种身份他如何权衡的问题是,范维肖坦言:

我觉得比较让我兴奋的是一天的三个状态,早上起床的时候你要像 CEO 一样的去思考所有的问题,晚上大家都下班了,你要像 CTO 一样的去回顾、复盘整体问题。当关了办公室的灯,半夜在回家的路上,看着夜晚的路灯,看着天空的繁星,你还要跳出你是公司的一员,从外部的视角再看待自己在做的这个事和这个行业的变化,来纠正自己,每天三个视角三个身份的不断转移。尽管每天都是在纠结和怀疑中睡去,但是每天早上醒来的时候,这种自省,仍能使我特别坚信地继续向前迈进。

在范维肖 20 余年的互联网生涯中,中国的互联网技术也在不断地升级、迭代,一个又一个的风口轮番出现。面对这些新兴的风口,该如何抉择?作为赛道选择“过来人”的范维肖,也提了十分中肯的建议。他认为:

我觉得一个是新的技术的出现一定会让人看到革新。但是,我们总是会在短期内高估技术的影响,却会低估技术在长期内带给我们的价值。往往在市场环境里面,大家总是今年热 AI,明年热代码,一个风口接一个风口的来。但是技术真正的落地是需要上升期的,当热度到达高点的时候就会开始慢慢下降,但是它的成熟度、参与的人以及产业对它的接受程度这时才会慢慢出现。在这个时期后,再经过三四年这个行业才会真正地成熟。

像今天的 AI,2015、2016年的时候非常火,大家都在求。今天 AI 这个词没有那么热了,但是 AI 已经进入了千家万户各行各业。近两年的疫情,AI 就起到了非常多的作用,不管从医疗品的制造,还是从健康码到疫情的追踪,都能看到它的价值。

我自己是认为新的技术需要更长期的时间来陪伴他,而更长期里面需要不断地融合新的技术,把技术的价值转变成商业的价值,为这个社会服务。与此同时,也要把技术跟整个行业的上下游都要连通起来。让技术变成无形,以润物细无声的方式把它表达出来,其实这也是国家在提的数字化转型,我认为数字化的转型就是再也没有数字,大家感受不到数字化,因为一切都会让人很流畅地去接受。

2019年,范维肖创建了Allegro 熹乐,在中国产业互联网蓬勃发展的当下,范维肖自然敏锐地捕捉到了国内物联网 To B 市场的未来前景。他所提出的“构建全行业数字化生态链”的愿景,也正在促使着他向着未来稳步前行。

做工业互联网的生态构建者

“今天借助于数字化我们可以把工业流程中的各个核心环节全部连接起来。连接起来的整个工业互联网生态链,对社会的价值才是最大的。”

作为目前重点关注的领域之一,对于中国工业互联网的未来发展,范维肖可以说是充满了信心。而作为工业互联网生态构建者,他也在与更多工业企业的联动过程中,发挥着越来越举足轻重的作用。他不仅担任了腾讯云 TVP,更与腾讯云展开了越来越多的深度合作,在过去几年间,他的企业与腾讯云一起在大型的工业企业中有超过 4 亿人民币的数字化转型工作落地。针对这一合作,范维肖也提出了殷切的期盼。

在加入到腾讯云 TVP 组织的这一年多的时间里面,我感受到了非常大的力量,在过去的一年,我们 YoMo 跟腾讯云 TVP 的 5 个合作伙伴一起合作的产品,现在已经落地到了工业服务中。这些合作使得我们能够帮助众多工业企业在交付他的工业数字化时,成本降低70%,这在工业行业中是非常难做到的,这也是任何一家公司自己难以完成的事情,这是大家的分层协作换来的。特别期望在未来的时间里能跟腾讯云 TVP 和工业这个小生态一起,去融合更多的解决方案,更多的数字化的协作,能够为更多的工业企业带来更多的助力和赋能,共同构建起一个完备的工业互联网生态。

在之前的 TVP 技术创业闭门会中,范维肖也同样在分享时重点谈到了关于「生态」话题,他当时提出“在一个企业中,CEO是国王,而国王更应该在乎的是一些疆域、版图等更宽大的内容,更关注的应该是整个行业生态应该如何构建。” 落地到工业互联网中时,范维肖再次谈到了生态的话题,面对“工业互联网的生态建设应该向何处去?”这一问题,他也给出了自己的答复。

我认为,工业互联网发展到今天,在国内还是非常地火热,但是,随着跟工业企业这两年的深度交互,我们越来越多地感受到整个大的生态结构里面,通过数字化去融合进去的成分还是太少了。今天我们应该用数字化的手段把他们都连接起来,进而更高效地表达出来。我认为这是数字化对于传统行业已有的一个很大的价值,我把这个事叫存量市场的数字化优化。借助于数字化,能有新的组织方式、新的管理方式、新的协作方式。这是能够提升整个行业效率的举措,这一点我觉得除了数字化,用其他的方式很难做到。

第二点,就是因为数字化带来了新的手段,比如说工业质检、设备的预测性维护等,这些都能借助于技术手段将数据的价值表现出来,这给工业行业带来了一层新的机会。之前工业里的人不知道的事,可以通过大数据量化了。之前只能通过经验和猜测看天吃饭的事,变成了用机器学习去预测未来,这是机器学习能够带来的新的东西。

最后一层如何借助数字化的能力,使得我们的业务进一步升级,之前生产和销售是两个割裂的环节。而今天我们看到越来越多的人,在借助于微信这样的平台,非常直接地触达最终消费者。作为一个工业企业,你可以非常快地判断你的消费者喜欢什么,迅速收集反馈,形成一个非常好的正向反馈循环,进而不断地去加速新品的研发过程。中国有一个超大的内需市场,我们在内需市场中借助于数字化的手段能够很快地加速循环,这也是我们看到的数字化的价值。

因此我认为,今天借助于数字化我们可以把整个工业里面的各个核心环节全部都把它连接起来。连接起来的整个叫工业互联网,这个完整的生态链对社会的价值才是最大的。

同时,在技术层面,范维肖也提出了自己的期待,他认为:

工业在中国是需要更丰富的 PaaS 层服务的。因为中国的工业企业数字化进程普遍都起步比较晚。而今天在工业领域上层还没有丰富的 PaaS 生态,各家对自己的业务理解也都不一样,每一家在自己的行业中的位置和压力都不一样,所以各家对自己的数字化进程都有独特的方式。在这个场景下,就很难有几款普适的 PaaS 产品能够规模化地服务市场。

现在我们看到一个变化,越来越多的工业企业自己也有研发实力,都有 20 到 50 人的研发团队,核心的应用他们自己都可以做,但他们缺乏更多的配套服务。而反观我们的互联网科技行业像云计算、SaaS、PaaS,分层非常清晰,在每一层上都有可以结合的点,虚拟化、容器,甚至整个成熟的 SaaS 生态,大家可以分层而至,每一个人都专业地去做自己这一块,整个行业就是非常结构化的,大家能够协同在一起。

现今的工业行业就像是一个个垂直的烟筒,我管这个行业叫大风车模式,你去一片很美丽的草原就是一个个孤立的大风车在这里,如何将他们有效地连接起来,我觉得这是现在亟待解决的问题。云提供了硬件,SaaS 也要加速提供软件和开发者的服务,这样这个生态才能变得更加的良性和高效。

作为国家级的重点战略,工业互联网、新基建的发展也在国家层面不断受到重视。自中国 2035 年远景规划提出后,国内工业互联网建设更是加速迈向快车道。在这一背景下,注定未来几年的国内工业互联网会呈现井喷式的发展样态。针对工业互联网的未来,范维肖同样抱有极其乐观的期待。他提出:

过去几年在国家和政策的强力推行下,我看到自动化在这个行业里面推广的速度越来越快,这是一个数字化很好的基础,有了自动化之后我们就可以有很多地方可以采集数据,把以前未知的事变得已知了,非常好的基础。

而自疫情爆发以来,众多工业行业进一步意识到了数字化的重要意义。2020年,我们看到很多工业企业上下游产业链都遇见了问题。而在重建整个工业链的时候,大家都在借助数字化的手段来完成。这时大家都会发现,数字化的手段是如此地高效。我认为2020年可以称作工业开启数字化的元年。

再加上现在我们中国对疫情的控制非常好,内需市场蓬勃发展,这也带动着工业企业继续大踏步地往前走。而且,从整个的行业发展来看,不管是国内还是国外的,2023、2025 大家都认为这是两个重要的节点。到 2025 年中国的工业互联网很有可能占到全球整个工业互联网的 25% 以上,这是一个新的增长期,我个人也非常看好这件事。中国在这一点也是有着非常强的优势,我们现在在全球处于生产的核心环节,工业制造数字化的提升速度也很快,在这个过程中,我们的大数据和 AI 技术从应用的角度来讲,在全球是领先的。

所以种种这些我个人看好的是未来 5 年是一个非常高速的成长期,会有越来越多的互联网技术的溢出到工业里面来。我非常看好工业互联网的未来。

非典型程序员的技术坚守

“在技术行业里面,一定不能离开一线,一旦我们离开一线的时候,就像把脚从水里拿了出来,再也没可能感知水温了,只有把脚放在水里,才能及时感知技术的变化。”

在中国众多的技术人员中,范维肖绝对是属于资深的那一批。无论是其所涉及行业之广,亦或是所从事的时间之长,都在互联网圈中极具代表性。但对很多第一次见到他的人而言,却都会被他与传统程序员不符的外表惊诧到。

作为一个热爱足球和音乐的技术人,范维肖的身上带有一种明显的「摇滚范」,飘逸的长发和健谈的性格,使得很多人都会误以为他在从事文艺类工作。而如今随着开源YoMo在物联网IoT领域不断地推进,范维肖也走出办公室,开始越来越多地去工厂进行实地探访与考察,他曾对我们戏称目前又多了一个“车间男工”的身份。但当我们问到他,在如今众多的身份中最喜欢什么哪一个时,他仍会不假思索地说到:

我自己最喜欢的角色还是程序员,尤其是当晚上夜深人静的时候,可以打开电脑去写代码的时候。最兴奋的时刻就是当我去看邮件,看到有社区的人给你提出我想要这样的需求,我觉得我们应该这样去改代码。你跟每一个社区里的人去沟通,下一个版本我们这里这样做好不好,然后别人的产品你也会去提意见,往上去贡献内容。每天的这两三个小时是我觉得这一天中自己最开心的时刻,就是完全忘我地在做自己喜欢的事。

因为我写了20年的代码,我认为作为一个技术创业者,在技术这个行业里面,一定不能离开一线,一旦我们离开一线的时候,就像把脚从水里拿了出来,再也没可能感知水温了,只有把脚放在水里才能感知技术的变化。同时,我一直认为知觉来自于感觉,感觉来自于实操,实操来自于你在一线处理问题时遇到的点。

所以这也是造成了我每天需要很长的工作时间,每周总要有 10 个小时以上的时间在看新技术、研究新技术、测试新技术。而这一段的时间也是最快乐的时间,因为没有人打扰,完全沉浸在你自己很专注的事里面。

作为热爱程序员这一身份的资深技术人,范维肖也对于当今新的年轻技术人提出了自己的建议。

我还是挺建议能够去看一些底层的东西,像我们刚开始接触编程的时候,开发工具不多,开发语言也少,相关的文档资料也就很少。所以很多问题遇到的时候,你是没法去问的,只能自己去研究,这使得那个时候我们看到很多老程序员都能够建立自己的去寻找问题和解决问题的方案。比如我看到这个框架不好了,我找到他的核心问题是这个,我会想的是我该如何聚焦这个框架。而今天我看到的一个不太好的现象,大家发现有问题的时候就会去问,问了之后去等,没有人解决问题的时候,这个问题我们就绕过去了,这样长时间下来我觉得大家会离技术的核心会越来越远,这不利于去建立一个解决问题的思路,更不利于去让我们创新。

今天的云计算、开源都给我们带来了非常好的开发者工具和开发者底层技术实践经验,大家可以学一个月,然后就能做很好的产品出来了,这是今天技术世界的优势,但是另一面,就是我们再去创新的时候,整个思维过程就会断掉。如果今天这个行业也慢慢地变得有一些功利了,我觉得这一点是非常可怕的,做技术还是要去创新,还是要看一些更深层次的东西,然后建立自己的一个解决问题的技术思维体系,这是非常重要的事,而这些事是我们的课本上很难学到。你在每天的工作过程当中,你的环境也不会带给你这些,这是需要很强的自驱力和对代码的热爱才能走下去的。

所以我也希望大家首先就是永远不要停下创新;同时,一定要胆大,不要过度关注眼前的风口,要更喜欢去做长期的挑战;另外,一定要把握非共识,往往在社会的非共识体系里面的东西,一定要花更多的精力去关注它、学习它、研究它,这是我觉得三个非常重要的点。

而在产业互联网飞速发展的当下,我也希望 10 年后有更多新的科技出现。中国有众多优秀的技术人,这么一帮优秀的人,聚在一起去做的技术一定能够遍布全球,服务全球。同时,我们也在想改变现在这种 Cloud Centric 云架构的模式,我们认为全球只有一个 Region 应该叫地球,那么这种分布式的云(geo- distributed cloud)它是更高效的、更便捷的。也特别欢迎喜欢创新的朋友们一起加入熹乐科技。

寄语TVP

作为腾讯云最具价值专家(TVP)的一员,范维肖始终关注着技术生态与行业数字化生态的建设,始终在此之中践行着自己的努力。在采访的最后,谈及腾讯云TVP,他也送上了自己最真挚的祝福。

我觉得 TVP 大家庭特别的温暖,也非常的包容,我很期望能跟 TVP 大家庭一起,把 TVP 的活动办到更多传统企业当中,一起为这些传统企业传递数字化的理念、数字化的方案、数字化的案例。我更希望我们能一起在未来的几年里面走遍全国,真正地做到用科技影响世界。

同时,我也特别期待我们能够真正突破技术人这一层,在行业中去融合、引入,大家一起去完善这个生态。真正能够做到把工业的核心元素全部都融合起来,以数字化的方式去表达。这需要一个强有力的组织不断地推动,长期来支持这个事,我特别希望腾讯云 TVP 能够往这个方向去进一步助力。

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 402

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 1160

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 714

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 1122

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 706

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 820

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 2629

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 583

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 872

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 417

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: 从中心走向边缘——解读边缘计算解决方案!
下一篇: 作为Gopher,你知道Go的注释即文档应该怎么写吗?
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