专访乐凯撒CTO黄道泳:看一盒披萨背后的技术之路

当一盒热腾腾的披萨端到你的面前,你是否想过,背后会有怎样一段耐人寻味的技术故事?一块“数字化”披萨是如何诞生的?一家餐饮企业又是怎样做到核心系统完全自研?带着这些问题,TVP技术指针栏目,专访乐凯撒 CTO、腾讯云TVP 黄道泳老师,和他一起探寻一盒披萨背后的技术之路。

一、意外结缘,却打造没有边界的IT团队

乐凯撒,除了大家所熟知的榴莲披萨开创者,它也是餐饮业内少有的投入千万元构建数字化生态系统,实现核心业务系统完全自研的企业。作为这个“没有边界的”自研 IT 团队的掌舵人,乐凯撒 CTO、腾讯云 TVP 黄道泳老师谈及加入乐凯撒时,却直言“真的是个意外”。

图片

其实我从来没有想过要加入一家餐饮企业。我是 2005 年毕业于电子科技大学。迄今为止工作快有 17 年了,前 10 年基本上都在做电子政务、ERP 等 To B 的企业级应用产品或项目的开发。加入乐凯撒后,才正式开始去做面向大众消费的业务。当时加入真的是个意外,我们的创始人陈宁(饼哥)和我是同一届的同学,毕业十周年庆的时候机缘巧合下的一次聊天,饼哥就邀请我过来参与这个事业,过去我在乙方的工作一直是帮别人做信息化系统,就像帮别人养孩子,不如加入甲方企业,自己来养这个孩子。

和 To B 或 To G 按时交付的单一任务型业务不同,在甲方企业最大的差异就是需求永远在变,所以我向团队传达的理念是“唯一不变的就是需求在变”,首先要接受并适应需求变化的存在;同时,在做技术设计、实现时要预先考虑到需求变化可能产生的影响,保持高度的兼容性。

图片

乐凯撒的IT团队在餐饮界里面算是少有的,大部分系统都是自研的团队,自研团队相当于是“没有边界”的:企业需要什么,团队就做什么。目前像 POS、收银、会员等核心系统都是我们自研的。另外我们还做了一个门店的盒子,一方面实现低能耗,一方面也可以作为今后边缘计算的节点,以及智能门店和智能设备的接入口。它属于工业级的工控盒子,功耗很低,大概只有市面上收银机的 20% 左右,1 家门店 1 年省下来的电费可以有 500~1000 元,节省下了一笔不小的成本。

二、疫情危机,成为修炼内功的最好时机

从门店盒子的降本,到核心系统自研的提效,黄道泳老师在采访的诸多细节中,都展现了作为 CTO,对业务的高度关注与敏锐洞察。这也与餐饮行业所历经的疫情寒冬密切相关,对于黄道泳老师和他的团队而言,疫情是危机,同时也是迎难而上,修炼“数字化内功”的最佳时机。

疫情确实对整个餐饮行业都带来了很大的冲击,目前能够扛住风险的可能也只有上了一定规模的企业,比如乐凯撒这种自营的连锁企业。从内控的角度讲,需要有比较强的精细化管理的能力,包括供应链管理、成本管理、商务谈判能力等。另外,是要想方设法提升增长,基本上是通过扩大外卖在整个营收盘子中的占比,可以和外卖平台去要资源做一些推广活动,并且加大私域流量的建设。

面对疫情,风险和机遇是并存的。大家难的时候不是只是我一家难,是每一家都难,那在这个时候如果你能够解决这个难点,那就能得到很好的发展。因为从商业机会上来说,现在有大量的店铺倒闭空出来,只要你能接得住,你就能把这个困难变成一个机遇,但是你也不能跑崩了,忽略了对风险的预估。

图片

有很多企业是一出问题就全盘皆崩了,因为它的内功没有修炼好。这在上升期往往是很难看出来的,但寒冬一来,企业的内功修炼程度就很显而易见了。如果这家企业在每一个环节都管理到位,并且都通过系统互联互通,那么出问题的时候也很容易去发现和定位。但实际上很多企业是只能看到账上还剩多少钱,至于它为什么还剩这么多钱,却可能算不清楚,问题出在哪里也并不了解,直到崩盘了才知道挂了。

其实不仅仅是餐饮企业,所有企业基本上都会经历信息化、数据化和智能化三个阶段。信息化、数据化和智能化不是一个阶梯式发展的过程,而是一个交叉进行的过程。信息化,指的是业务能够在线上流通,也就是实现无纸化。在这个基础之上,再去做数据分析、报告、决策等一系列的数据化工作,所以我们说数据化是在信息化建设到一定程度之后产生的结果。而智能化则是在信息化运行了较长时间后,数据有了一定的积累,基本业务流程可以进行规律预测时,就可以考虑去做智能化。智能化里还包含了自动化,一个是减少人的经验依赖,另一个是减少人之间的交互互动,也就是尽量把业务变成系统可以自动跑完,人只在几个关键节点参与即可。

目前乐凯撒基本完成了信息化建设,数据化的应用达到 70%,实现了所有的核心业务在线化,并且 90% 数据相关的追踪和报表,都已经摆脱了手工做表、手工做统计、手工出 PPT。我们智能化的应用程度在 25%,主要是在成本管控方面,是以营业额预测为基础,产生销量预测、排班预测、订货预测,从而让门店实现合理排班、合理订货,减少产生浪费。

我们规划在未来三年内把智能化加深,做到订货更智能、更自动。各方面异常的预警由原本需要人参与,变成系统自动发单给后台,后台基于发单的结果直接执行到门店,这是我们今后要去做的一个方向。现阶段我们已经做到了基于营业额预测生成的智能推荐,门店的小伙伴会基于这个推荐值再做出判断,准确度有一定的保证。

三、携手腾讯云,不断深化数字化布局

谈及数字化系统的建构,“效率”是黄道泳老师提到最多的关键词之一,这也正是乐凯撒选择携手腾讯云,借力腾讯云函数 SCF、消息队列 CMQ、TDSQL 等现有的成熟的云产品的原因所在:不重复造轮子,通过好的工具有效实现降本增效,不断深化乐凯撒的数字化布局。

企业的业务需求很多时候都是很紧急的,你没有时间去慢慢从头开始造轮子,必须有快速响应的方案。我们内部团队一个大的基本原则就是:除非是非常复杂的系统,正常的功能需求和产品开发,必须在两周之内搞定。那就需要借用很多现有的工具。在我看来,一个真正有能力的人,并不是说你的技术有多牛,而是说你成功解决过多少问题,这些问题给业务带来了多少价值。有的是绕很多圈才能解决问题,有的是直接解决问题,还有的是又经济又简单地解决问题,这就是不同人的水平。我个人还是比较擅长去借轮子,而不是造轮子。我们使用腾讯云,核心也是希望能够用现成的轮子去减少开发成本、提升效率。

就比如消息队列,一开始团队说要自己搭一个,我说,我知道消息队列有很多开源的产品,我们自己搭的会比开源的更好用吗?更关键是搭完之后还有维护的工作,运维谁来做呢?而用腾讯云现成的消息队列产品,这些问题基本上就都解决了,因为腾讯云已经建好了整个基础建设,我们只需要使用就好了,而且腾讯拥有广泛的生态优势,能够连通很多其他的业态。

我们用的链路最长的其实是会员画像标签,我们乐凯撒自己的会员系统在接收顾客订单之后,会把这个订单的计算丢给 CMQ,CMQ 的队列完成之后会丢给云函数,再分发给不同的云函数分别去计算不同的用户画像指标,比如消费频次、消费喜好、复购率等,最终再回到 BI 系统里,去呈现整个的会员用户画像。

如果是我们自己去做的话,可能一个月都不一定能搞定,但是借用腾讯云现成的工具就很简单。而且腾讯云的这些工具都有配套的日志和保障机制,如果出问题都可以直接去看,还可以提工单给腾讯云的后台,我们也和腾讯云的同学建立了微信群,有腾讯云的同学帮我们解决,对我们来说就非常省事。

我们用得最多的应该是腾讯云函数,我们算是最早使用云函数的“小白鼠”了,当时的目的还是想以最低的成本,最快的速度来解决企业的问题。云函数首先是跨语言、跨平台的,它提供了一个相对开放的选择,非常适用于我们当时团队的情况,每个人都可以基于自己的技术特长,选择所擅长的语言去做。其次云函数的优势在于不需要部署,也免去了运维的问题。我们想用的特性,在腾讯云函数里面全都有,云函数团队也一直在不断地迭代优化。

图片

我们用腾讯云函数最早做的是小程序的点单服务,后来逐渐扩大,到门店的云打印、会员标签的计算等等,总的来说包括独立应用、分布式计算和定时任务这三类业务。以门店打印为例,我们的打印是由云端服务来决定的,传统的 POS 在云端只做数据存储,所有的计算都在门店,门店有一台主机,因此它的打印是局域网的,如果这个打印机出问题,就只有本地的店员才能知道。而我们乐凯撒是一个云端的架构,顾客下单会统一进到云端,并根据订单类型同步分发到会员系统、打印系统等,并基于订单生成差异化的打印模板,比如外卖和堂食打印出来的小票就是不同的。我们可以在总部办公室就更改所有门店的打印模板,每一个门店的打印机是否通畅、是否断电、网络是否正常连接,总部都一览无余。

我们基本上与腾讯云深度绑定,用的产品包括云函数 SCF、消息队列 CMQ、TDSQL、MySQL、COS 存储等。

我们选 TDSQL,最大的需求就是解决分库、分表和存储。虽然我们自己搭建也可以,但考虑到整体的稳定性、性能和可扩展性,还是决定选择用 TDSQL 来完成。现在我们的订单、会员标签等大数据的业务都会放在 TDSQL 上,用它来做分布式的存储、查询和计算,解决了系统扩容的问题,也提升了查询的效率。因为腾讯已经有很好的后台基础了,所以对于开发同学来说,他们只需要对接 API 就可以了,屏蔽了很多数据库技术的细节,开发同学只需要专注业务,解决问题。

比如我们在系统运维慢查询的预警上,这个事情我们以前要做是挺麻烦的,需要自己去写很多的代码去检测我们的日志,现在腾讯云有现成的,只要谁写了一个慢查询,立马就会收到一个警告,谁跑了一个什么 SQL,跑了多长时间,查了多少数据,SQL 长什么样就都出来了。

我觉得腾讯的能力一直都在进步,服务意识也很好,会不断听取用户心声和问题反馈,以顾客为中心,而不是以利润为中心,我觉得这一点非常好。

图片

携手腾讯云,乐凯撒在数字化的路上行远至深。展望乐凯撒未来的技术布局,黄道泳老师提出了独到的见解:比起响应需求,更重要的是主动提升业务的水平。

一个企业发展到后期,信息化达到一定程度后,所有的业务都要通过信息化来承载,因此IT部门作为核心的中间部门,必须要对业务有很深入的了解,所以我们部门的同学可能比公司其他部门的同学更懂他的业务,业务更熟悉之后,做出来的东西也就会少走弯路。

大部分的 IT 部门还是以响应需求为主,提什么就做什么,不提就不做,把自己当乙方看。但我们不是,我们在做的时候,首先响应需求,其次我们会评估需求,然后去优化这个需求。我们需要主动跟业务部门探讨,这样做合不合理,是不是有更好的方案?所以通过这种方式,我们也能够提前和产品及业务部门探讨沟通后续可能发生的变化,避免走很多弯路,以及一些不合理的需求,有所为,有所不为。

现在我们不仅是在做响应需求的事情,还在做业务改进的事情。比如说门店盒子,没有人来提出这个需求,我们其实是基于业务的改善,要降低能耗,也为未来的边缘计算和智能化做准备,因此有了这个盒子。我们最近也在做门店的高速生产系统。

在未来,我们会持续加大加深云函数的应用,也会尝试往大数据的计算上去做迭代升级,用 ClickHouse 来做订单和用户画像的计算和分析。

业务到一定阶段后,它是没有需求的,普通的需求已经解决了,剩下的就是我们如何基于自己的思考,通过信息化、数据化的手段提升业务的水平。

四、结语

一盒热气腾腾的披萨背后,是一段精彩又少为人知的技术故事,这其中,有着一位 CTO 对业务的深刻洞察与思考,对技术的准确选型与创新,有着一家餐饮企业对数字化的先行建设与不懈追求,也少不了“上云”这一转型的关键选择。TVP 技术指针,将继续和你一起,探寻技术真相。

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 406

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 1166

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 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 718

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 712

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 909

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 823

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 465

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 623

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 841

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 1168

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 1203

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 1196

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 2634

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 673
上一篇: 10大性能陷阱!每个C++工程师都要知道
下一篇: 数字化底层逻辑揭秘!探寻地产工程行业发展新范式
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