于变革时代探寻破局之光 | LeaTech全球CTO领导力峰会圆满落幕

引言

2023 年 3 月 4 日,腾讯云 TVP 与 51CTO 联合主办的 LeaTech 全球 CTO 领导力峰会于上海扬子江丽笙精选酒店圆满落幕。

本届峰会聚集了腾讯云 TVP 技术专家、TVP 行业大使、CTO 训练营导师、CTO 训练营历届校友,以及来自各个领域和行业的技术领导者。会中,300 余位参会者与十余位演讲嘉宾围绕变革时代下的科技趋势、技术管理、创新增长等话题进行了深入的交流与探讨。希望通过彼此间的思维碰撞,一同探寻指引产业前进的微光,驱动各产业经济的持续增长。

大咖分享

▲51CTO副总裁杨文飞致辞

峰会伊始,51CTO 副总裁杨文飞在开场致辞中表示,数字经济是继农业、工业经济后的主要经济形态。创新是数字时代的核心标签,而技术与人才则是创新的两大核心要素。

作为中国最大的IT技术社区和中国领先的数字化人才在线学习平台,51CTO 将持续坚持技术信仰,保持技术引领能力;将技术进步的价值传播给每个企业和个人;不断创新“学习”服务模式。利用 51CTO 的专业优势以及多年来所沉淀的宝贵数据与实践经验,帮助企业弥补数字化人才鸿沟,建设数字时代企业人才体系的总体架构。

▲腾讯云副总裁黄俊洪致辞

作为峰会主办方,腾讯云副总裁黄俊洪带来了《云原生时代下,应用全生命周期管理之道》主题致辞。黄俊洪提到,在新经济的推动下,企业上云用云已进入崭新发展阶段,云原生技术也已步入发展成熟期。而技术管理者所面临的主要挑战,是如何将云原生技术红利充分释放。

黄俊洪向广大参会者分享了腾讯云原生布局全景图,并结合应用建模、应用交付、应用运维与基础设施交付四个关键环节详细介绍了以应用为中心的云原生应用管理之道。黄俊洪表示,未来腾讯云将继续坚持以云为基,助力全行业数字化转型;腾讯云 TVP 也将持续促进腾讯云与各领域技术专家与用户间的沟通和交流,共同帮助全行业构建更加优质的数字化生态。

▲腾讯研究院高级研究员刘莫闲发表演讲

接下来,腾讯研究院高级研究员刘莫闲为与会者分享了腾讯《数字科技前沿应用趋势》报告。详细介绍了高性能计算、泛在操作系统、云计算、时空人工智能、能源互联网、Web3、机器人、数字人、数字办公以及产业安全等不同行业及相关领域技术的现状与未来发展趋势。

刘莫闲表示,人类文明的演进,就是一部科学技术进步的历史。腾讯希望携手全社会的科技生态伙伴,一起洞察未来科技趋势,助力更多创新,共同推动科技趋势从方向成为现实,并通过以数强实,与大家共建更美好的真实世界。

▲腾讯研究院高级研究员刘莫闲发表演讲

赛博英杰科技董事长、腾讯云 TVP、CTO 训练营导师谭晓生在演讲开始便为大家介绍了数字化转型的整体趋势以及企业网络安全防御所面临的主要困境。谭晓生表示,将 EA 方法论应用于网络安全领域,通过规划实现从零散建设演进到体系化建设,是建设“能力导向、架构驱动”的新安全体系的重中之重。

随后,谭晓生为广大观众介绍了多种经典的网络安全模型以及滑动标尺+CDM体系化梳理网络安全能力构件的模型方法。谭晓生认为,未来 10 年以上的安全体系逻辑架构,应从运营、整合、韧性、敏捷、服务化角度出发,重点关注扩展检测响应、入侵与攻击模拟、攻击面管理、云原生应用保护平台、API 安全防护等多维度问题。

▲ 元航资本管理合伙人张志勇发表演讲

“中国式现代化的核心基础,是实现高水平科技自立自强。”元航资本管理合伙人、CTO 训练营导师张志勇在演讲中重点介绍了全球视野下中国所面对的经济和产业发展趋势以及未来产业的发展趋势。在张志勇看来,创新已被置于发达经济体的核心议程,未来产业将朝着智能、低碳、健康的方向演进,通过加速 5G、ABC 新兴技术与传统产业的融合以发展未来产业。从重视技术创新到同时重视技术创新、研发模式、生产方式、业务模式和组织结构的革新,而整体的创新趋势也将从单项创新发展到集成创新。

▲ 彩食鲜CTO乔新亮发表演讲

在下午的第一场演讲中,彩食鲜 CTO、腾讯云 TVP 乔新亮分享了带领技术团队穿越寒冬的经验与方法。乔新亮表示,寒冬之中企业重心要从做大转向做强,而当下时代提升极致效率的武器正是数字化。

作为技术管理者,更应在这个时代修炼内功,打造自身极致领导力。在这一过程中,要确保领导力认知正确,充分发挥个人魅力,使团队认可且发自内心追随领导者。一个优秀的领导者应具备卓越的判断力;能够不断带领团队实现进步;并且善作决策、敢于聚焦。演讲末尾,乔新亮郑重强调:带领团队不断取得胜利,才是凝聚团队的最好办法。

▲ Kyligence CEO韩卿发表演讲

Kyligence CEO、腾讯云 TVP 韩卿为参会者带来了《跨越鸿沟—— To B 产品转型之路》主题演讲。分享了 Kyligence 从开源技术到企业及产品的进化历程。韩卿表示,跨越鸿沟是技术采用生命周期中的必经之路。

早中晚期市场,用户不同、市场不同;不同客群对产品在需求与态度上的差异都是企业在发展周期中需要思考的问题。从技术到产品,各阶段的成功要素不同,需要对症下药,而不只是单纯将过去的经验是复制于不同客群。只有抓住客户的核心需求,采取最恰当的战略才是取得最终成功的关键途径。

▲ 旭辉集团副总裁兼首席数字官徐斌发表演讲

数字化转型的顶层设计该如何进行;数字化时代的组织新模式有哪些特点;数字化时代人才新模型该如何确立;数字化时代合作新生态应如何构建?在接下来的演讲中,旭辉集团副总裁兼首席数字官、腾讯云 TVP 行业大使徐斌分享了自己对数字科技时代的趋势思考。

演讲中,徐斌对数字化转型解决的企业问题;数字科技时代组织能力的提升路径;决策层、管理层的新能力需求以及数字化时代合作新生态的构建和运营等问题进行了详细的分析与解读,帮助参会者更加充分地认识到了数字化转型背后的组织痛点与破局之道。

▲ 思码逸CEO任晶磊发表演讲

ChatGPT 作为现阶段综合能力最强的对话式机器人,自发布以来便快速改变了众多行业的传统运作模式。对此,思码逸 CEO、腾讯云 TVP 任晶磊分享了自己对于 ChatGPT 时代软件研发数据与效能提升的理解。

任晶磊表示,在 ChatGPT 时代想要持续提升软件研发效能,企业需要打造更高质量的研发数据基础,避开数据积累、数据夯实、自主分析、系统洞察与智能交互等阶段可能出现的陷阱。利用优质的效能数据分析平台及解决方案对研发团队进行持续赋能,是取得技术变革周期中先发优势的关键所在。

▲ 乐凯撒CTO黄道泳发表演讲

乐凯撒 CTO、腾讯云 TVP 黄道泳为参会者介绍了乐凯撒通过提前布局数字化、加大私域流量建设等方式于疫情期间实现逆势增长的经验与方法。

黄道泳表示,修炼内功,实现全链条数字化是乐凯撒完成突破的先决条件。面对疫情所带来的压力,缩减成本、精益生产则是保障企业可持续发展的核心手段。尤其是在受到外界不可抗力影响时,企业更应该探索更多增长模式,并坚持精准营销。无论何时,团队能够实现快速跟进式响应,才能帮助企业构建足以应对各个挑战的极致韧性。

▲ 金山办公高级副总裁庄湧发表演讲

金山办公高级副总裁、腾讯云 TVP 庄湧则为广大观众带来了《技术立业,金山办公 30 年的坚持与创新》的主题演讲。介绍了金山办公用户第一、坚持创新、诚信正直、乐观坚韧的核心价值观。

庄湧提到,当用户利益与企业利益发生冲突时,将用户置于首位,善于平衡多方利益,才能实现用户与企业的共赢。而在技术与业务创新方面,企业则需要从意识上打破原有经验和思维模式,并在行动上始终结合用户场景。坚持技术立业,于关键赛道持之以恒,重点突破是每一家技术驱动型企业的立足根本。

▲ 中智关爱通产品研发总监梁齐良发表演讲

在峰会的最后一场个人演讲中,中智关爱通产品研发总监梁齐良分享了 BANI 时代科技企业的破局之道。梁齐良表示,后疫情时代的来临,即是危机后的重启时刻,也是新的生机。

企业战略及团队需要在这样的时代背景下与时俱进,保证自身持续的竞争优势,从不确定性中练就反脆弱、韧性发展基因;提升组织效能、激活人才和战略,持续吸引并引导人才发挥自身能力。对于整体组织而言,则不仅要稳定企业环境,还需要创造正向竞争的企业氛围,力求在激烈的竞争中做到游刃有余。

▲圆桌论道环节

峰会末尾的圆桌论道环节,丁香园 CTO、腾讯云 TVP 范凯、乐凯撒 CTO、腾讯云 TVP 黄道泳、金山办公高级副总裁、腾讯云 TVP 庄湧以及中智关爱通产品研发总监梁齐良就企业逆势增长策略、技术价值体现、前沿技术应用与发展趋势以及各行业现状与发展前景等话题进行了深度交流,为广大参会者提供了诸多宝贵的经验与思路,也为各行业、各企业加速数字化进程描绘了前进路径。

在全天的领导力峰会后,腾讯云 TVP 四周年、CTO 训练营校友联合庆典也在晚上盛大举行。各位嘉宾欢聚一堂,共同庆祝腾讯云 TVP 四周年生日。开怀畅聊,举杯共饮,欢声笑语汇聚为今宵难忘的美好,大家共同期待着下一次相聚在 TVP 的五周年,十周年。

▲TVP四周年生日庆典

现场花絮集锦

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: TVP专家夜聊:不用ChatGPT的开发都该被炒掉
下一篇: 项目总延期?需求乱插队?程序员如何做好项目管理
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