TVP专家夜聊:不用ChatGPT的开发都该被炒掉

引言

“可能 ChatGPT 已经有智能了,但就像三体里的黑暗森林法则一样,它不会告诉我们。”

“GPT-4 冲击最大的是 AI 炼丹师。”

“凡是没有自觉用 ChatGPT 的程序员都可以考虑炒掉。”

“ChatGPT 带来的工业革命,其实已经在发生。最快在 2 年内,GPT 将渗透在各个行业。”

“大语言模型接入到物理世界,将带来全新的交互和连接形式,产生巨大的想象空间。”

多模态预训练大模型 GPT-4 一发布,便引发全网关注,在技术圈激起热议。在 GPT-4 发布后的当晚,腾讯云 TVP 专家发起了一场激烈的内部讨论:GPT-4 的发布是否将带来下一场“工业革命级”的技术浪潮?ChatGPT 的终局将在何方?在后 ChatGPT 时代,技术人该如何自保……我们整理了 8 位来自各行业的 TVP 专家闭门畅聊近两小时的精华内容,关于 GPT-4 的未来,你所好奇的问题可能都在这里。

参与对话专家:

宋利:上海交通大学电子工程系教授、图像所副所长

于游:马泷医疗CTO

沈欣:中国信通院低代码/无代码推进中心技术专家

雷葆华:翼华科技联合创始人&CMO

顾钧:EMQ开源社区运营总监

张善友:友浩达CTO

某行业架构师

揭光发:腾讯技术专家

大漠穷秋:前端技术专家

01GPT-4 发布后,你的心情或第一感受是怎样的?

  • 沈欣:唯一的感觉就是太快了,迭代周期从原来一年、半年,现在变成一个月,甚至未来的几周,这个迭代速度是真正 AI 带来的指数级增长。

  • 张善友:以前的 AI 都是高高在上的,GPT 让 AI 平民化了,我们使用的成本越来越低。

  • 于游:第一感觉就是震撼,出乎意料的好。因为大语言模型对于数学公式,代数计算是非常差的,我还以为微软要被 ChatGPT-4 折磨得不行了,但从目前的结果来看,这个问题已经被解决掉了。

  • 宋利:我稍微泼点冷水,可能是前几周的各种宣传铺垫把胃口吊足了,我感觉没有那么惊艳,包括它发的技术报告,虽然有 90 多页但干货不多,大家开玩笑说这个报告可能就是 GPT 写出来的。我的观点是要让子弹飞一飞,再给它打一打,看看它能不能抗的住各种攻击。

02ChatGPT的态度是全面拥抱,保持观望还是拒绝?

  • 沈欣:我们在普遍地拥抱 ChatGPT 这样的成果,本质上它是很好的内容生成工具,内容生成完毕后还需要和流程、业务数字化模型相融合才能在企业内真实发挥作用,目前把 ChatGPT 整合到企业整体体系中的工作还是一个非常大的蓝海。

  • 于游:我认为ChatGPT 是一个杀手级,甚至操作系统级别的应用。它一定会改变我们的日常生活,因此这个趋势是一定要拥抱的。

  • 宋利:我的态度是一致的,也是全面拥抱它,ChatGPT 可以帮我们干 80% 常规的事,而且效率更高,能够给我们更多的时间去完成剩下的创新的部分,而这部分才是更有创造性的。

  • 某行业架构师:有些关键行业,在生产级环境对技术的运用非常审慎,一项技术应用到生产环境需要考量安全、合规等众多因素,我们目前还是选择保持一定距离观望它。但我个人从 ChatGPT 体验者的角度看,我认为
    它非常有趣,也非常有潜力,比如我会用它来读文档,它极大地提升了我的阅读效率。我也会用它的插件 Code Review 去 Review 代码,会有一种我跟 AI 在结对编程的感觉。

03ChatGPT是否会是下一场“工业革命级”的技术浪潮?它需要多长时间才会对我们的生活产生全方位的影响?

  • 雷葆华:ChatGPT 确实给我类似“iPhone 时刻”的感觉。每一次工业革命都提升了工作效率,ChatGPT 在人机交互方面做了很大的突破,极大地提升了效率。我把 ChatGPT 当工具来写个人的文档,用起来很高效。我也看到大家在积极探索它的用途,每天都有人说用它满足了哪些需求。

  • 某行业架构师:前沿技术往往会在短期内被高估,在长期内被低估。一种技术是否真的形成革命,有很多影响因素。我们还是跟踪它,观摩它,作为个人拥抱它,给它一点时间。现在没有办法去下结论。但是从工业革命到大机器时代,再到互联网,每一次浪潮的侵蚀其实越来越快,工业革命一百多年,互联网几十年,AI 是不是会在十年内影响到我们生活的方方面面?也有可能。作为从业者,更务实的态度是去想怎么应用它,或者身体力行做一点有用的东西。

  • 于游:一项技术,只有当所有人去参与它,真正去使用它,才有可能去改变我们的生活,如果没人去用,也不可能成为工业革命。ChatGPT 是最快达到 1 亿用户的应用,原因在于它用最简单的人机交互方式,解决了大家原本以为解决不了的问题,解决了普适 AI 的问题。在这个趋势下,我认为它的速度可能会比我们想象中要快。
    举个例子,微软用 GPT-4 的模型改进它的搜索引擎,紧接着 Google 发布 Bard,导致微软股价上涨 6%,Google 下跌 8%,三天之内引起了一千亿美金价值的波动。要知道资本市场和金融市场应该是最冷静的,他们看到的问题,可能比我们所有的人看到的都多。微软才占整个搜索市场的 3%,但 Google 的市场占有率是 92%。像这么多人,这么多工程师,这么多资本的流动,坦白来讲,我还没见过同等规模的浪潮,包括当初安卓与 iOS 之争都没有这么剧烈。所以我觉得 GPT 会形成一波巨大的浪潮,而且它的速度可能会远超我们的想象。

  • 沈欣:ChatGPT 给大家最大的震撼是“原来可以用大模型”,这跟以前 AI 的方向有非常大的差异。所以我们未来可能会看到自动驾驶也在新的体系下面,大家也都会做这样的尝试,毕竟这条路被人指出来是通的了,我估计两年之内会看到 GPT 对我们的生活和生产产生全方位的影响。当然这里的前提是算力、电力的成本还要下降,不下降成本还是太高了。

  • 顾钧:我觉得 ChatGPT 这一波的工业革命现在就已经发生了。ChatGPT 给我带来了两大震撼。第一个是它的交互形式非常朴素,就是对话,背后隐含的理念是把人放在 AI 服务的中心。像过去国内做得好的机器视觉,它的应用场景不是以人为核心的,而是希望训练出一个模型来代替人的工作。ChatGPT 完全是一个辅助的角色,但得到了非常好的效果。所以给了我一个比较大的启发:AI 的技术还是应该以人为核心,去服务人。其实我觉得 ChatGPT 已经足够好了,它不是那么完美,但在相当多的任务当中已经超过及格线了。就像公司招聘员工,永远不可能招到全知全能的上帝那样的员工,每个人都有缺陷。
    另外一点比较大的震撼,是 OpenAI 做 ChatGPT 的角度,ChatGPT 发的是一个服务,你直接就可以使用。这种工程能力能够迅速散布到整个世界,从而在短时间内服务大量用户。但 Meta、Google 发的还是模型,这真是天壤之别。当别人有一个更低门槛的 AI 技术服务时,你发再多的模型也没有办法撼动别人的优势。

  • 揭光发:ChatGPT 有两种使用形态:一种就是每个人都能用的聊天界面,另外一种就是开放接口。对于使用聊天界面的普通个人来讲,ChatGPT 已经满足了他们日常写作、内容梳理等工作或生活需求,这部分使用形态下,我们可以说“工业革命”正在发生,未来已来。而从使用 Open API 的形态来看,就需要看各个行业变革的时间,可能两年左右可以看到一些行业被改 ChatGPT 改变。

04ChatGPT 目前是对话的交互形态,那在未来,它还将会以什么其它形态出现呢?

  • 沈欣:我们在内部推演的时候就发现,未来会有大量 AI 生成的内容,而人类的时间不足以去消费这些内容。只有魔法才能对抗魔法,最终可能还是由 AI 来阅读这些内容,帮助人类来筛选处理。所以最终以什么样的形态呈现并不重要,关键在于能够筛选出适合我的结果。

  • 宋利:现在业界都往多模态做,但从另一个角度讲,语言是最根本的,它塑造了人类的思维。之前我们总说 NLP 是 AI 皇冠上的明珠,如果能把 NLP 搞定,处理其他问题应该是降维的,现在看来也差不多。所以 ChatGPT 可能外在表现会有各种形式,图像、文字、声音等等,其实核心的东西应该还是语言知识代表的大模型。外在表现会有各种形式,但根本还是语言,语言是人类交流和思考的基本方式,以语言为代表的知识模型是本质。

  • 于游:宋老师说的,我觉得特别对,NLP 在 AI 领域一直都是很困难的一件事情。我们把语言这个事情再泛化一下,可能是知识和文字,我们会发现 ChatGPT 令人震撼的是新发的模型当中,所有的考试基本上超越了 90% 的人类,它基本上达到了人类的知识水平。

GPT-4 新发的模型当中也支持了多模态,在我看来这是一个必然的结果。多模态的交互,理论上来说应该是下一个人机交互的一个增长点。这一次的 GPT-4 发表的多模态并没有让我惊喜,我以为它会吊打我,让我震撼到五体投地,结果它出来的东西,还是在想象空间之内。

另一个需要关注的是:原来 ChatGPT 里面是 2021 年的数据,没有联网。但是微软已经把它接入到 Bing 上了,实际上它已经接入了互联网,之后会发生什么谁都不知道。但有一个变量需要大家去思考,那就是最近几年蓬勃发展起来的 IoT 生态,大量的物理场景已经联网,这些物理场景一旦和网络数据结合,那可能会诞生全新的交互形式,全新的交互场景,大语言模型接入到物理场景中,它可以改善人机交互的顺畅性和清晰度,让你的体验更加舒适自然。这件事情我觉得也是很快就能见到的。因为在国外已经有个人的开发者做了一些实验了。

05ChatGPT目前已体现了一定的逻辑思维能力,这是否是某种智慧?与「人」的逻辑思维能力是否相同?

  • 宋利:按照图灵对智能的基本定义来看,其实 ChatGPT 早已突破了图灵测试。在我看来,智能的形态可能不止一种,不止我们常规定义的以人为中心的智能才叫智能,我们更喜欢用因果性来解释世界,而 ChatGPT 则是通过相关性进行学习,虽然目前普遍认为相关性不属于高级智慧逻辑,有因果关系才能证明有逻辑,但其实很多问题用相关性可以更好地解决,而且如果相关性变得非常庞大,某种程度上也接近人的联想,因此 ChatGPT 可能存在另外一种智慧形态的涌现,当然目前也只是一种猜想,也有更激进的声音认为 ChatGPT 已经有智能了,但它就像《三体》里的黑暗森林一样,只是不想过早地暴露。

  • 于游:ChatGPT 的底层是巨大的神经网络,其逻辑主要基于一个词来算后面一个词出现的概率,因此很难评估它是否有智能。ChatGPT 像一个黑匣子,一个纯粹的,能够很出色地生成人类语言的神经网络,但没有人能知道生成过程的中间究竟发生了什么,也许它隐含地发现了人类语言的一些规律,我们却无从知晓,因此难以评估它是否具备了人类的智能。

  • 沈欣:在我看来,智能包括两层含义,一方面是学术层面的智能,即智商数值的高低、是否通过图灵测试;另一方面则是社会层面的智能,即人们认为,它是否具有消灭人类物种的能力而这正是许多人所真正担心的东西。其实,我认为我们无需纠结 ChatGPT 是否产生了智能或智慧,只要它不会消灭人类,那么这种智慧我们都应该欢迎,未来它是否会产生这种毁灭性的作用,关键在于人类怎么去运用它。

  • 某行业架构师:有一句半调侃半认真的话是“人类的本质是复读机”,而 ChatGPT 作为高效的复读机在一定程度上超越人类是完全有可能的,它在海量语料的训练后,可以通过算法把相关性和因果性进行归纳和推理,这一方面远远强于人类。但是它主要是基于现有语料进行判断和给出答案,若选择生僻信息的输入则难以得到正确答案,因此 ChatGPT 是否能称为智能还有待商榷。在我看来,检索、归纳、推理能力是它的核心,而这种能力本身是非常宝贵和有趣的。

06未来有哪些行业会率先被 GPT-4 冲击乃至颠覆?作为 IT 行业从业者,又该如何“自保”?

  • 张善友:我认为本来的 AI 行业“炼丹师”受到的冲击最大,原本做小模型的同学会发现 GPT 也同样能做;最受益的是作为工具使用者的程序员,这会让我们非常容易地去处理文本、图象、音频、视频等非结构化数据,而这类非结构化数据基本占据数据的 80% 以上。

  • 雷葆华:我有不同的看法,我觉得对于普通程序员的挑战比较大,ChatGPT 可以保持一个基础的代码质量,原来一个优秀的程序员可以顶十个普通的程序员,但现在一个优秀的,且会用 ChatGPT 的程序员能顶五十个,一百个。这逼迫我们从业者必须要让自己往高进化。AI 工具带来效率提升的同时,对质量的追求也提高了,因此对大家更高端、更有创造性的能力的要求也更高,怎么从机器生产的内容里把创新点找出来,再进行整合,这可能会成为能够形成竞争力的一个重点。
    最近我会经常思考,ChatGPT 出来之后,我们的下一代十年、二十年以后,他们会做什么样的工作?他们需要保持什么样的竞争力,我最近想的最多的反而是这个事情。

  • 沈欣:人类劳动分成体力劳动、情感劳力和脑力劳动,脑力劳动又可分为非逻辑性的黑盒子工作,如艺术创作;和重复性的白盒子工作,如资料整理。由于 AI 会做大量的生产与迭代,且效率非常高,因此这两类的内容生产工作都会被 AI 大量替代。当然,从能耗的角度来看,目前人脑还是比AI划算的,但两到三年后,能耗或许会降到比人脑的功耗更低。
    在对于科技从业者的建议方面,前几天我和一家公司的技术管理者交流的时候,我给他的建议是:凡是不用 ChatGPT 的人都应该炒掉,因为作为一个程序员,没有学习新技术的自觉,不知道如何更好地运用工具来提升自己的效率,又如何保持自己的竞争力呢?当然,可以仁慈一点,先搞一次培训告诉大家这个东西是做什么的,可以怎么用,然后过一个月再看,谁不用的就可以考虑炒掉了。

07ChatGPT的火爆,大量资本涌入 AI 领域,未来 AI 赛道的创业前景如何,是否存在泡沫?创业者又该重点投入什么方向?

  • 沈欣:在投资这个赛道一定是有泡沫的,没有泡沫就是计划经济了,就是在大家相互挤泡沫的过程中,才产生了新的创造力。很多人会质疑 AI 如何产生创造力?大家内心对 AI 还有一些内心的坚守,认为 AI 没有创造力,人类才有创造力。但我从 AI 大模型里推断出的结论是:两个异构的、用独立方式训练出来的大语言模型互相碰撞,再引入第三个大模型来在中间做裁判,像主持人一样引导两个 AI 互相聊天,这个时候真的能产生创造力。
    未来 AI 真正的创造力在于多个大模型之间产生的社交行为。这个可能是一个比较有意思的一个推论。

  • 于游:说句不太好听的,如果现在有投资人要投资从 0 到 1 的初创型的大模型公司,我觉得这个投资人可能不成熟。其实训练一次就知道了,所需的资金不是一般人能够玩得起的,而且不确定性太大了。前面说 ChatGPT 是操作系统级别的技术,我们能用的操作系统一共才有几家呢,所以它一定会是寡头状态,而不会百花齐放。我们作为创业者,可以选择去做一些让我们感动的应用,比如说围绕 GPT 研发的,帮助盲人群体的“Be My Eyes”应用,就是一个温暖的,且具备非常强传播性和实用性的应用。我认为创业者应该从这些角度切入思考,去做 GPT 生态的下游。
    本次 GPT-4的发布,有一个被很多媒体报道时忽略的点,就是众包。苹果之所以是苹果,是因为它有了APP Store,苹果从纯硬件变成服务公司,GPT在号召大家用众包的方式去建立生态,创业者也应该更多在生态中去寻找机会。

  • 雷葆华:赞同,投资必然需要泡沫,培养人员,孵化生态,把声势做起来都需要一些泡沫投资。投资要设想未来的生态是什么样的,它是操作系统级的,但它不可能只是一家,肯定有至少三家,现在为什么投大模型?因为大家都觉得现在第一家出来了,第二、第三家业是很大的机会。
    安卓是跟着苹果起来的,但安卓生态爆发后,也有很多人是跟着安卓起来了。参考过往的安卓生态、小程序生态。我认为未来更多的创业机会还是在细分领域的应用,对于大多数创业者而言,跟着生态走,跟着应用走,跟着消费者走会是一个更好的选择。

08ChatGPT 隐含哪些风险?

  • 张善友:毋庸置疑,安全问题肯定存在,所以 OpenAI 也做了非常多安全方面的工作,比如在 OpenAI 中,
    每个模型都是可以独立私有化部署的,可以比较容易解决数据安全问题。

  • 某行业架构师:我们之前一直做开源,我们知道开源软件是有相对清晰的许可证的,但大数据模型,它的数据许可证并没有清晰的界定。因此,在使用模型时,存在版权、责任和安全等风险,ChatGPT 所生产内容产生的风险该由谁来承担?说白了 AI 不能背锅,但人能背锅。我们知道新鲜事物一开始都是没有建立起明确边界的,无论是技术、法律、合规,各方都应共同努力,为它建立好边界和防火墙。

  • 宋利:我表达一个意思,除了安全、伦理之外,我认为还有一个比较大的社会意义上的挑战:如果不能正确地提问题,可能一部分人会出现无意义感。如果人被智力碾压,被各种碾压的话,或者说某种程度上大模型会不会 PUA 你?你跟它对话对多了,有可能被它 PUA,这个事可能会形成一个社会问题。

  • 沈欣:我觉得整体来看的话,应该先把 ChatGPT 在应用的体系里跑出来,再考虑法律法规的问题。未来可能会出现一种全新品类的公司,它的主要业务就是将各个公司的自动化系统整合在一起形成一个完整的数字化生态系统。做到全 AI、全流程化、全数字化的商品制造、投放和迭代,实现全流程自动化,无需人类参与,可能真正给人类社会带来冲击的就是这样的企业。所以对付他们怎么办呢?只有用 AI 打败 AI,魔法打败魔法,这是我大概的一个意见。
    夜聊落下帷幕,与会专家对 GPT-4 均抱有信心,ChatGPT 所带来的“工业革命级”的技术浪潮已经在发生,充满机遇和挑战的未来正在到来,无论是作为科技行业从业者还是作为普通人,ChatGPT 都值得我们持续关注和探索。

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: 社区硬核福利
下一篇: 于变革时代探寻破局之光 | LeaTech全球CTO领导力峰会圆满落幕
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 1
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