求索NoSQL的现在与未来,第五届 Techo TVP 开发者峰会圆满落幕

引言

日益剧增的数据洪流与变革迅速的新兴业务,既引发了互联网企业对数据库技术的重新思考,也带来了传统行业对数据库应用的二次迷思。以灵活、易扩展著称的NoSQL在企业数字化转型的过程中,究竟发挥着怎样的作用?其重要性体现在哪?未来NoSQL数据库又将迎来怎样的发展?

2022年5月14-15日,第五届 Techo TVP 开发者峰会 “数「聚」未来,岂止于快——NoSQL引爆数据效率与价值”正式落下帷幕,12位来自NoSQL领域的知名技术领袖和专家,从性能、效率与数据价值三大方向,与数据库从业者一起共同探讨了面向未来的NoSQL之路。

一、Day1:NoSQL前沿技术趋势

(一)主持人开场

在这里插入图片描述

峰会第一天聚焦在NoSQL的未来趋势分析与新技术解读,由天翼云首席专家、腾讯云TVP 侯圣文老师担任主持人。会议伊始,侯老师提出,大数据时代,数据量持续性爆炸式的增长,数据存储结构的灵活多样,新兴业务的日益变革,这些需求催生出数据库及应用系统的存在形式愈发丰富,也对数据库的各类能力提供了非常多的一些场景和需求,也给技术人带来了极大的挑战和要求。

(二)嘉宾致辞

在这里插入图片描述

腾讯云副总裁林晓斌的致辞,正式拉开了本届 Techo TVP 开发者峰会的帷幕。他指出,数字化浪潮中,数据已成为企业最重要的资产,数据库作为数据存储的重要基础设施,任务重大。过去十年间,基础设施升级、数字化进程加速、云计算的普及,带来了数据库行业的二次高速发展期,云计算服务商在其中发挥了巨大的作用。

随着云数据库服务进入云原生时代,数据库+云的创新模式将进一步推进云数据库技术的革新。NoSQL是数据库中非常重要的一大分支,其在海量并发访问及大规模数据场景下优势明显,在软件架构层面上具备高并发、易扩展、灵活易用等特点。简而言之,NoSQL数据库已经成为现代企业不可或缺的数据库服务类型。

腾讯云在NoSQL领域一直持续着战略级的投入,从产品设计、技术创新、客户服务、再到生态建设,都有着经年累月的探索和实践。腾讯云公有云已经提供了包括缓存、文档、时序、KV等在内的数据库服务,并仍在持续丰富服务种类。与此同时,腾讯云也在积极推动外部合作,比如与MongoDB签署战略合作协议。

他最后总结道,腾讯云NoSQL数据库已经覆盖了包括金融、电力、电商、游戏、视频等数十个典型行业应用场景,未来,腾讯云将在NoSQL数据库领域持续投入,坚持技术创新,以服务企业为根本,助力企业降本增效,提升生产力。

(三)解放生产力:腾讯云NoSQL的顺势而为与变革创新

在这里插入图片描述

腾讯云数据库副总经理罗云带来了题为《解放生产力:腾讯云 NoSQL 的顺势而为与变革创新》的主题演讲。

他首先向与会者介绍了过去十年,NoSQL数据库的发展历程。他表示,随着互联网业务的快速增长,海量用户、海量数据、实时体验、快速迭代的要求带来了NoSQL的飞速发展。腾讯云NoSQL的发展史也是顺势而为,一脉相承,在缓存、KV、文档、图、时序、宽列、表格这系列的场景中,腾讯云都有提供相应的产品服务。

众所周知,Redis在过去5年间一直是最受欢迎的NoSQL数据库产品,但是Redis的应用场景早已突破了缓存的范畴,特别是在存储场景中的应用越来越广泛,但是企业在存储场景中使用Redis会面临着规模、成本、持久化的难题,业界今年多有推出Redis的持久化产品,但是大多数产品通常能够满足业务在性能、成本、持久化、规模4个诉求中的2~3个,很少有4个诉求能同时满足的。罗云老师表示,腾讯云通过创新性的软硬结合提供极致性能、三级存储解决性能、持久化、成本、规模难题的解法,KeeWiDB团队实现了极致的突破,做到了:

  • 性能(单节点):20万读取,18万写入,P99<2ms可水平堆叠,性能线性提升;
  • 成本:三级存储,冷数据成本下降97%;
  • 持久化:命令级持久化;毫秒级稳定写入延迟;SSD提供低成本持久化;
  • 大容量:单节点提供TB级容量空间;集群方式提供100TB容量空间。

分享最后,罗云老师表示,技术人的终极目的是让整个社会的生产效率变得更高,让整个社会的生产力能够变得更好,希望可以用技术的方式去实现这些美好的愿望。

(四)新硬件赋能创新:数据发展趋势及软硬件融合解决方案

在这里插入图片描述

随着技术的发展,新硬件的出现带来了更多可能。英特尔数据库及大数据资深首席工程师、腾讯云TVP 程从超&英特尔数据平台事业部傲腾产品事业部中国技术中心工程部经理吴国安联手带来了题为《新硬件赋能创新-数据发展趋势及软硬件融合解决方案》的主题演讲。

程从超老师向与会者介绍道,数据处理架构领域目前有以下几个非常明显的趋势:从Scale up到Scale out;从物理机到云原生;从share-everything到share nothing再到share everything;内存数据库+对象存储;行存和列存并存。因此,数据处理端到端、系统优化端到端成了其中至关重要的部分。

在这里插入图片描述

吴国安老师接棒讲解了英特尔傲腾新硬件的领先特性,其可以降低数据中心的成本、可以整合工作负载,尝试对数据做更多的事情,在释放数据潜能方面具备强大能力。英特尔傲腾在NoSQL数据库、推荐系统、KV存储等方面均有着杰出的用例。

吴国安老师最后总结道:

  • 数据分析的发展,需要更多的软硬件一体的融合解决方案;
  • 英特尔®傲腾™带来新的内存和存储层,更容易的扩展内存和加速存储;
  • 更加均衡的成本和性能,为你的业务提供更多、更好的选择;
  • 新硬件带来了新的业务创新,让不可能成为可能;
  • 更加开放的生态,更加开放互连的系统,更多的客户拥抱新硬件。

(五)MongoDB应用数据平台技术洞悉与实践分享

在这里插入图片描述

MongoDB北亚区技术总监林涛带来了题为《MongoDB应用数据平台技术洞悉与实践分享》的主题演讲。

分享伊始,林涛老师抛出了一个令人触目惊心的数据:70%的企业数字化转型都以失败告终。究其原因,在于大部分数据基础设施仍然围绕传统的关系数据库构建,无法满足当前企业使用和处理数据、构建程序的需求。围绕这些需求,选择添加专用的NoSQL数据存储,又带来了新的问题。

林涛老师介绍道,改变复杂的数据存储结构、让开发效率变得更高、让架构变得更简单、同时具备安全性和易管理性等特性,正是MongoDB想要实现的。具体而言,MongoDB提供了以下产品能力助力企业腾飞:

  • 提供灵活的文档模型;
  • 提供统一的接口;
  • 分布式的架构;
  • 冷热数据的自动迁移;
  • 客户端字段级加密。

最后,林涛老师介绍了多个使用MongoDB构建数据平台的最佳实践案例,通过数据平台的方式,让开发人员和企业能够以更低的成本加速创新。

(六)直面海量图数据挑战,腾讯在图数据库的业务实践与应用

在这里插入图片描述

腾讯云图数据库技术负责人肖品带来了题为《直面海量图数据挑战,腾讯在图数据库的业务实践与应用》的主题演讲。

肖品老师表示,随着大数据爆发式的增长,数据之间的关系更加复杂多样,对关系数据的关联性计算和分析成为常态需求,由此带来了图数据库技术的腾飞。在腾讯内部,图技术被广泛应用在图数据库、图计算、图可视化等领域。

肖品老师重点介绍了腾讯图数据库KonisGraph的架构、性能及使用案例等关键内容。KonisGraph在架构层面采用的是接口层、计算层、分布式缓存、存储层的模式,设计原则是存算分离,保证部署的灵活性。在优化策略上,也做了异步并行、向量化、批量预取以及计算下推等优化。此外,在缓存、索引等策略上也都有独到的设计理念。

除此之外,肖品老师还分享了GraphIdex图可视化的设计理念及性能效果、Angel Graph图计算及其框架性能,以及KonisGraph图数据库的相关用例。他最后表示,KonisGraph未来将在以下方向持续优化,完善自身。

  • 融合图计算引擎;
  • GQL语法的支持;
  • 自研存储层;
  • 缓存层完善;
  • 完善周边组件及平台能力。

(七)云原生多模NoSQL在特征存储上的应用实践

在这里插入图片描述

腾讯PCG应用架构平台部NoSQL开发负责人赵政,为我们带来了题为《云原生多模NoSQL在特征存储上的应用实践》的主题演讲。

赵政老师介绍道,云原生多模数据库是当前很多公有云厂商提供云托管存储服务的方式。腾讯自研的云原生多模型NoSQL数据库,通过抽象高扩展的数据以及高复用的工作流框架,构建了具备容灾备份、数据分层、多种一致性等能力的通用平台底座,根据业务需求灵活定制可插件化的存储引擎框架和扩展API,提供数据模型的灵活扩展和快速接入能力。

在特征存储的主题上,赵政老师具体分享了“特征”存储的特点、技术挑战,企业需求和当前的解决方案等背景信息。基于这样的背景,腾讯云原生多模NoSQL在系统设计和实践上要考虑关键的两点:首先要支持多级存储能力,第二是存算分离。在存储引擎方面,要考虑到同时适用于内存、持久化存储的需求。除此之外,其他需求则可以靠多模NoSQL的平台来提供支撑。这其中涉及到的诸多技术挑战,赵政老师都非常细致地向与会者做了分析。

分享最后,赵政老师表示,腾讯云原生多模NoSQL平台已接入五大业务,日均调用量超过千亿,TB级全量数据更新低于1H,分钟级GB增量数据更新,显著实现了降本增效的业务收益。谈到腾讯云原生多模NoSQL的未来展望,他向与会者描绘了一幅搜广推场景存储和索引云一体化解决方案的美妙蓝图。

二、Day2:NoSQL技术实践与应用

峰会第二天聚焦于NoSQL数据库在各行各业的最佳实践应用,由CCIA常务理事、腾讯云TVP 韩锋老师担任主持人。

(一)主持人开场

在这里插入图片描述

韩锋老师提出,随着数字化转型的深入,数据越来越得到人们的重视,移动互联网的蓬勃发展产生了大量语音、图像、视频等非结构化的数据,这些数据蕴含了非常丰富的信息,如何把这些数据的价值挖掘出来,如何利用NoSQL来助力创新业务的落地,赋能业务快速发展成为企业数字化转型中至关重要的一环。

(二)金融场景下的NoSQL实战:微众银行Redis应用实践

在这里插入图片描述

微众银行数据平台数据库负责人、腾讯云TVP 胡盼盼带来了题为《金融场景下的NoSQL实践:微众银行Redis应用实践》的主题演讲。

分享伊始,胡盼盼老师为与会者介绍了社区版Redis的痛点。他表示,分片架构主节点异常对集群有影响,权限管理功能有限,资源统计和资源控制功能非常有限,缺少统一的运维与管理平台是微众银行在使用社区版Redis遇到的痛点问题。

为此,微众银行自研了基于Redis的分布式缓存平台WeRedis,除拥有开源 Redis的特性外,还有如下特性:

  • 多租户与细粒度的鉴权;
  • 资源控制;
  • 子系统进行资源控制;
  • 高危操作隔离;
  • 扩展性更高;
  • 可用性更高;
  • 智能分析与管控。

胡盼盼老师表示,WeRedis目前已经应用在全行所有的业务场景,有300+ 系统接入、87套集群、4000+实例数。随后,他具体介绍了WeRedis的跨 IDC部署架构,以及运维过程中在性能、高可用、容量等问题上踩过的坑,并无私分享了从复盘中不断优化来的WeRedis应用开发规范。

随后,他还分享了包括WeRedis管理台功能、鉴权管理及高可用相关的设计与思考。他最后表示,未来WeRedis将在容器化、升级到Redis Cluster 6.0以及持久化架构等方面继续打磨精进。

(三)腾讯音乐NoSQL应用与实践:基于Redis和MongoDB构建社交类业务后台

在这里插入图片描述

全民K歌基础研发后台Leader李革委带来了题为《腾讯音乐NoSQL的应用与实践:基于Redis和MongoDB构建社交类业务平台》的主题演讲。

分享伊始,李革委老师为与会者介绍了腾讯音乐NoSQL的应用概况,据他介绍,腾讯音乐旗下QQ音乐、酷狗音乐、酷我音乐、全民K歌四大App的特点是多媒体社交+多媒体内容,大量应用了NoSQL数据库。

李革委老师表示,从业务架构的层面看,数据库选型需要考虑的是匹配业务模型、扛住海量请求、平衡成本开销三大关键点。在这样的原则出发下,腾讯音乐在Redis和MongoDB两种开源数据库产品下都有深厚的应用实践。

具体到Redis下,实践维度包括:

  • KV读写;
  • CAS解决方案;
  • 分布式锁;
  • 轻重分离;
  • 列表排序;
  • Bitmap;
  • 分布式定时器。

在MongoDB下,实践维度包括:

  • Embed or Reference;
  • 列表存储设计;
  • Replication策略;
  • maxTimeMS注意事项。

李革委老师最后介绍道,这其中自研的很多相关技术方案已经在腾讯云的数据库产品中可以使用。他还特别提醒与会者,不要轻视生产环境下的数据库应用与操作,避免发生影响重大的事故。

(四)Infinity:微信新一代大规模在线存储系统

在这里插入图片描述

微信技术架构部基础平台的Leader郑建军带来了题为《Infinity:微信新一代大规模在线存储系统》的主题演讲。

在微信的大规模体量下,对存储的高可用性、高可靠性、性能、成本、低延时都提出了非常苛刻的要求,郑建军老师首先介绍了微信存储的发展历程。微信存储的发展总体上可以分为四个阶段:第一阶段的QuorumKV;第二阶段是2015年的PaxosStore;第三阶段是2018年期间对PaxosStore的能力增强;第四阶段是新一代大规模在线存储系统Infinity。Infinity是微信新一代大规模在线存储系统,支持多种数据模型,通过一套统一架构应对不同的业务场景,提供线性一致和近实时访问模式。

郑建军老师解释道,Infinity的诞生背景源于业务对可用性/可靠性提升、更加灵活的调度能力、更快的扩展速度、推荐/直播等业务场景单key/单表高性能需求。具体而言,Infinity的核心特性包括以下几个方面:

  • 路由中心彻底去依赖:保持非租约高可用水平提升扩展性;
  • 数据存储与复制日志解耦:灵活支持存储异构/插件化和多种容灾模式;
  • 机器故障自动极速恢复:实现可用性/可靠性的数量级提升;
  • 稳定可控的集群扩展:解决高负载集群的扩容悖论。

分享最后,郑建军老师也介绍了Infinity在微信业务中的运营成效,其中动态负载均衡、模块混合调度部署,利用率提升,3万+台的规模每年节省约数亿成本。此外在除夕零点峰值的更快扩展,视频号奥运期间大量异构机型扩容的案例,也突出展现了Infinity的特性能力。

三、圆桌对话:上下十年,数据库技术的发展与变迁

精彩的技术分享环节结束后,接踵而至的是启发思考、碰撞价值的圆桌环节。本次圆桌对话以《上下十年,数据库技术的发展与变迁》为话题,由CCIA常务理事、腾讯云TVP 韩锋老师主持,英特尔数据库及大数据资深首席工程师、腾讯云TVP 程从超老师,腾讯云数据库副总经理罗云老师,微众银行数据平台数据库负责人、腾讯云TVP 胡盼盼老师,全民K歌基础研发后台负责人李革委老师各抒己见,娓娓而谈,展开了精彩的巅峰对话。

作为一个老牌的技术方向,数据库技术已经走过了数十年,在最近十年间又有了飞速的发展。最受人关注的话题莫过于——未来十年,数据库技术将有哪些新的发展趋势?

程从超老师的观点是,在底层算力没有发生革命性变化的前提下,未来的发展方向是Serverless、内存化、分布式、计算存储分离的形态。而这其中不可避免的是要考虑更多安全的问题,这又会对数据库技术的发展带来制约和新的契机。

罗云老师表示,腾讯内部对于数据库技术的发展趋势早已有过讨论,内部技术委员会比较明确地在几个方向上达成了一致:第一是国产化,第二是多模型的融合化,第三是云原生化趋势下的软硬件结合突破。

胡盼盼老师则从微众银行的业务实践出发,提出了混合事务模式发展的趋势,他表示混合架构的需求一定存在,未来也将成为很多数据库具备的特性。另一个畅想的点是基于新兴开源数据库的一体机产品的出现,满足中小金融机构无力运维的痛点。此外,国产化的趋势也是胡盼盼老师认同的一个方向。

李革委老师则从腾讯内部业务的发展出发,表示了对数据库技术融合的发展趋势的赞同。融合一方面在业务侧可以减少消耗,另一方面也可以促进技术上的推陈出新融会贯通。作为开源文化的拥趸,李革委老师表示开源也极有可能是数据库技术的一大发展趋势,通过开源的协同、社区哺育,必将推动业务的发展。

最后,主持人韩锋老师总结了技术、业务、开源三个方向的理解和认知,从技术侧,资源分离、数据分层、Serverless应用都是数据库发展未来可期的方向;在业务侧,大量差异化的场景会催生数据库走分化的路线,但同时也会有分而治之之后融合的趋势;同时,开源也是一种很好的商业模式,可以通过开源的模式去调动更多的资源来做底层的开发。韩锋老师表示无论是从哪个方向出发,数据库技术的发展都将帮助企业和开发者们受益其中。

结语

数据库技术的发展史,几乎可以视作技术人不断突破极限,追求更高、更快、更强的奋斗史。数据库技术倏忽数十载,既有关系型数据库的独占鳌头,又有NoSQL的异军突起,既有商业数据库产品的强悍稳定,又有开源数据库产品的持续创新,现在又迎来了云与数据库的美妙结合。这一方百花齐放的舞台上,既不缺演员,也不少观众,但对于技术的思考、趋势的判断却总不嫌多。

本次 Techo TVP 开发者峰会,一以贯之的理念正是通过最用心的分享、最前沿的洞察、最实际的观点,为开发者朋友献上“最有料、有趣、且有用”的开发者峰会。在这个时代转型的浪潮下,坚守科技向善的初心和本心,助力企业与开发者一起通往技术发展的理想国。

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: 如何使用 Serverless 做架构和项目管理—— 三年全栈经验总结
下一篇: 图文结合!Redis延迟队列golang高效实践
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