专访同程王晓波:探一座古城,寻一位技术大侠的内功心法

引言

俗话说“上有天堂,下有苏杭”,苏州作为一座有着数千年历史的闻名古城,有着和北上广深等一线城市所不同的生活节奏,互联网业态在这座城里也正在勃兴。在这里,有着一位圈内苏州互联网的代表人物:同程旅行出行事业群 CTO、腾讯云 TVP 王晓波老师,他为何选择了苏州,又是如何在这里修炼“内功心法”,从超级程序员到带领上万人团队的技术管理者,进化为“技术大侠”?本期技术指针,让我们跟随王晓波老师的脚步,看技术大侠是如何炼成的。

初识大侠:选择苏州,开辟新天地

王晓波老师先后在北京、深圳、日本东京等一线大城市工作,最后选择定居苏州。在那一份作为苏州人的故乡情怀之外,更是因为与同程旅行的结缘——加入同程,“来了就是梅西”。从技术团队到业务团队的岗位转化,这位“梅西”如何在拿球的过程中始终保持对业务的嗅觉,且听王晓波老师为我们娓娓道来:

在我看来,我的家乡——苏州,它有一线的活力,又有两千多年的文化,在这里,有很多机会帮助我们去实现梦想。我是 2014 年 8 月回来苏州加入同程旅行的,在这之前我也先后在北京、深圳、东京几个城市待过,主要从事互联网相关的技术研发类工作。加入同程之后,我一开始主要是做整个同程的技术架构,包括运维、中间件、机房、混合云,中间经历了一次换岗,转到业务团队来做研发,到现在带领整个出行的技术研发团队,因此从基础架构到业务架构,再到业务应用,各个领域都有涉及。

其实,刚回苏州时我最初的想法是找到一个适合的地方即可,也是机缘巧合之下加入同程。在沟通时我了解到,同程当时正处于爆炸性成长周期,整个同程的基础设施开始重构,真正地变成现在的互联网基础设施。这意味着我可以从零开始打造一家规模和流量都比较不错的互联网公司,这一点于我而言很有吸引力。

因为在成型的公司里很多时候技术人员只能是“螺丝钉”,或在某一个专项区域。我业余喜欢踢足球,用足球来打个比喻,来到这里之后就是“梅西”,拥有一切的开火权、中场指挥权和防守权,这对一个技术人员来说,你的能力是被无限地去扩展,完全有足够的空间和平台供你去施展拳脚。不是每支球队现在都是没有梅西的状态,但如果这里还没有梅西,那么我们就可以成为梅西。

在很多人看来,王晓波老师应该会选择往云或中间件等技术方向深耕,但他却选择了从事业务相关系统的研发,在这一转向背后,是王晓波老师对于“技术人要保持对业务的敏锐嗅觉”这一理念的坚守:

在我看来,每家公司一定会碰到的一个问题就是,当公司规模逐渐变大时,技术发展将会是一个循环性的圆环:在公司刚成立的时候,所有人都在一起做一件事情。随着团队扩张、业务增加,团队便会开始分层,比如有一部分人去做机房,另一部分人去做云,再一部分人去专注业务变现,这些部门便变成了一个闭塞的状态,再也感受不到前端业务本身的信息和感觉了。

当我们的技术架构团队开始远离业务,甚至闻不到业务的味道的时候,那么他做再多的技术架构,和市面上购买的技术架构相比,又有什么区别呢?没有区别,那么这个时候技术竞争力就会下降。因此我认为我们要更多思考如何让技术团队闻到业务的味道。如今常见的方法像 KPI 绑定,或者参观业务,都无法从本质上解决问题,因为团队并没有参与到业务本身之中去,只有实际参与了业务,才能从中感受并了解到我们需要什么样的技术基础来支撑它,这也是我会选择担任业务 CTO 的原因。

侠之内功:“不写周报”,构建技术驱动团队

成为业务 CTO 后,打造一支“技术驱动”的高效团队是王晓波老师首要做的事情。更值得一提的是,在很多技术团队面临日报周报之苦,担忧降本增效压力时,王晓波老师却旗帜鲜明地指出“工程师不该成为 PPT 工程师”、“一味强调降本增效容易走偏”。技术大侠的管理内功是如何炼成的?王晓波老师将为我们一一解读:

在接手业务后,我做的第一件事情就是对团队技术的打通,让业务变现团队的技术能力超过做技术架构的团队,因为技术能力的高低决定了效率,也决定了用技术驱动业务的能力。所以首先需要提升团队的技术能力,与此同时,要去做好技术驱动。

在很多服务于业务的技术团队里,往往技术会变成一个支撑部门,也就是人家说什么你就做什么。在我看来,技术驱动是当问题被提出的时候,解决方案的参与方的技术思维足够强,当我们运营同学提出了一个运营想法或困惑时,接下来的讨论话题不是直接把它变成了某个合作或某个产品思路,最后切成小块了以后,再传递给研发人员说“你可以码代码了”。在这个情况下,技术同学并没有看到原始需求,那么这个解决方案里面的技术味道是弱的,更多的反而是流程的味道。而如果能做到第一时间收到一线的信息,并且研发人员的想法能被正确地反映出来,那么无论是产品经理还是运营人员,他们才能在第一时间听到真正的“在计算机上的想法”。

综上所述,我们需要让团队变成一个技术驱动而非需求驱动的团队,用更懂业务和更懂产品的方式来让整个团队变成一个阵型往前走,让最在一线的承诺传递到最后时不会失真。

当下,写日报周报已成为很多技术团队的日常任务,但是在王晓波老师的团队里,他却明确提出不希望自己的团队每天写这些材料,为什么他不建议技术团队写日报周报?数百人乃至千人的技术团队又应采用怎样的管理之道呢?

首先我认为,本质上来说,程序员这样的一个人群是不需要管理的,他们更多需要的是有效地协作起来工作,在此基础上的管理才是有效的。倘若今天要汇报,明天要做材料,后天要写 OKR,当这些东西压在每一个人身上的时候,你可以想象这个团队是工程师吗,毋庸置疑只能说是“ PPT 工程师”了。

所以在我的团队,我是不希望他们每天都困在日报周报这些汇报材料里,我们能看到这些材料都是千篇一律的状态:重表功而轻问题,把小事写得很大,自己的功劳很多,再按照要求会有一些不痛不痒的问题。那么可以想象,如果一个几百人团队靠这样的材料层层上报,那么管理者对团队的管理一定是失真的,而且团队会为了这份材料而制造出来他所需要的工作。因此我的管理方式很简单——和他们工作在一起,扎根在一线去融入他们,其实从很多细节上就可以发现一些团队的问题。其次,一定要让每一层的下属 Leader 都必须把他真实的工作状态汇报出来,传递这样一个理念:问题再多也是优秀的,如果不把真实的工作情况表现出来,再优秀也是有坑的。当把这个理念层层植入下去,每一个层级都会给你非常良好的展现。

降本增效是如今各个企业热议的话题,技术团队是否也需要降本增效?作为管理者,需要如何带动团队进行降本增效,且听王晓波老师为我们分享他的见解和考量。

让技术赋能更多的业务,让数字化技术能够提升业务的效率,是我们最当前的想法。可能所有的公司都希望降本增效,但是一个研发团队怎么去降本增效,最为直观的现象就是降低研发成本。那这件事情本身是否真的做到了降本增效?这里存在着一个显性成本与隐性成本的问题,也许企业降了一个很小的显性成本,却增加了很大的隐性成本。因此在我看来,本质上研发团队讲降本增效是对的,但是一味只强调降本增效则容易走偏。由于信息技术本身就是增效的,用来提高公司运行效率的,那么技术团队的存在就是在增效,增效的同时其实自然就降本了。

在技术管理者的身份之前,我也是一名“超级程序员”。这个名字的来源首先是因为我代码写得多,产出量特别大;另外就是几乎没有我救不活的系统,目前我所碰到的和我的朋友们碰到的系统宕机或是出问题的情况,一般找到我都能去把它解决。在我看来,程序员的培养和飞行员的培养如出一辙。曾经有一句话叫“飞行员是用黄金堆出来的”,其实,程序员也是一样,好的程序员本身是用失败来养出来的,你工作经历中的那些失败项目,其实正好是在给你创造成长的机会。此外是在某些点上的深挖,不一定是工作中零和一的重复,而是你自己的时间精力是花在什么东西的研究之上时,就决定了当这些特殊事件发生时,你是否能够救起。

侠之修炼:接住危机,构筑安全可靠的基础设施

2019 年新冠肺炎疫情席卷全球,在这期间,这位“技术大侠”不仅带领团队上线了超千万人抢购的 98 元机票盲盒,扛住了这场危机;而且也借助腾讯云积极布局建设云基础设施,推动同程旅行走得更远。一起跟随王晓波老师的步伐,一睹他大侠的修炼之道:

当时我们上线推出了同程机票盲盒,吸引了超过 2000 万用户参与抢购,由于访问过多导致服务器过载,其实我们都没有预料到会有这么大的一个流量冲击,于是连夜召集已经放假了的同学回来重新开工,大概从凌晨 12 点开始重做,到第二天早上就发布出来了,自发布这个版本后就一直没有再改动,这其中无疑具备了很大的难点和挑战。

在旧系统在现有流量下已经卡顿时,那么我们的预估的新流量应该是多少,十倍还是百倍?对这一点的把握需要依靠你的过往经验和拯救能力。此外,还需要快速唤醒处于休假前夕的团队,快速地完成重构,这也非常挑战我们的整个团队的组织能力和技术统一性的能力。

因为我们用的是腾讯云,因此很多的弹性计算能力可以依靠腾讯云来进行支撑。比如像机票盲盒这样的情况,是在用户抢购的那个瞬间需要弹性,其实通过腾讯云就可以快速地实现计算资源扩展。同时,在抢购结束后,这些资源就可以释放掉,所以也运用到了 Serverless。

同程旅行作为一个用户量庞大的应用,构建安全可靠的基础设施是十分必要的,在这背后,腾讯云也为同程提供了坚实可靠的后盾。

早在 2015 年我们就和腾讯云开展了合作,主要是在基础设施建设方面。我们一开始接入网络选择的就是腾讯云,面对全国各地用户的访问,我们的网络需要很好的保障。而腾讯有着铺开全国的网络节点,以及强大的内网联通能力,在实现快速的同时确保安全性,有效提升用户体验。而且自建网络本身的成本很高,这也意味着不是每家企业都适合去做,那么在这个时候借用腾讯的网络会更快速和便捷,同时因为腾讯的主业微信、QQ 也是运行在同样的网络上面,能够提供给我们一致的安全保障。

当我们需要扩容时,用云资源扩容具有明显的成本优势,腾讯云的安全产品、计算类产品,我们用得也很多,并且也在不断引入一些开源的产品。考虑到基础设施的成本、基础设施可靠性、基础设施的长期的保障能力,我们和腾讯云在基础设施方面进行了众多合作,包括中间件部分、安全体系部分,涉及 IaaS、PaaS 等。

我们的合作在微信小程序里的用户感知会更多一些,包括腾讯支付也是我们和腾讯一起来维护用户的安全,同时我们会借助腾讯的风控大数据能力、安全产品来去做加固,比如我们后台的用户行为风控,其实腾讯云也做了很好的算法输出。所以用户确实能感受到的是我们在小程序的用户体系和支付这两块是和腾讯的安全划等号。

对于专注云基础设施的腾讯云,未来我们的合作也一定会更加紧密深入,随着未来腾讯云更多新基础设施的出现,我们也会持续地试用体验。

侠之要义:兼济天下,坚持技术向善

侠之大者,不仅在于技术实力,更在于兼济天下的侠义情怀。日常生活中的王晓波老师,不仅善于体察身边人,对年轻一代的“后浪”也有来自过来人的一份理解与豁达,对于技术人的使命,他坦言应把自己当成手艺人,保持对技术的识别能力,唯有坚持技术向善,方能驰骋于这片“江湖”。

一名技术大侠,同时身为一位技术领导者,他也在工作生活中关爱身边的同事和下属。面临疫情危机,他的宽慰和安抚不过是小小举动,却也足够温暖人心。

过去的疫情,在当时给我们带来的直观影响是什么?是工作临时被中断,且很有可能是大规模的中断,比如我们当时的一个团队就遭遇了不同同事被封在不同小区里的困境。在那个时候,我们做的第一件事情不是安排工作,而是关心大家的生活和情绪。我们有个 Leader 根据他的经历写了一个日记,给团队成员很详细地分享应该注意哪些事项,在家里准备好哪些东西。当这个根据他的亲身体验的日记分享出来的时候,很多同学都觉得很温馨,不安和忧虑的心情便缓解了许多。其实这个时候就体现出了待人的问题,善于体察身边人,把团队成员的生活问题解决好,团队工作才能做得更好。

大侠的风范,绝不仅仅只是关爱身边人就足矣,其实,他也善于共情“后浪” 。

我身边也有很多年轻一代的“后浪”,虽说每一代人有一代人不同的焦虑,但随着社会节奏的加快,我们能感受到当下年轻人的焦虑感是越发强烈的。我们要怎么解决年轻人的焦虑问题?我觉得并非是去告诫年轻人不要去焦虑,因为其实我们是用自己成长之后的眼光去看待这一代年轻人,就像是有一条河,我们从河的西岸渡到了河的东岸,然后我们再去看河对岸说“好辛苦,这条河怎么渡得过来?”,但其实我们忘记了自己年轻时候在渡河时的那个感觉。

在我看来,乐观或许会是一个很好的解法。在年轻的这个阶段,面临当下的社会压力,就会有焦虑和叛逆期,但也应该有年轻时候的奋斗精神,用乐观豁达的态度去面对存在的问题,当你用乐观的眼光去看世界时,你就会过得更加快乐一些。

程序员作为技术人,本质上也是像厨师、木匠那样的手艺人,我们的使命就是要把技术这个手艺做得更好,让用户能够更方便地去使用。在当下的数字化社会,一个信息系统可以作用在社会的福利面,也可以作用在相反面。我认为程序员应该要有自己的判断力和识别能力,坚持技术向善的本心。

结语

煮一壶清茶,在苏州的古街长廊上漫步,一位隐于市的技术大侠正向你招手,邀你共赏这春暖花开的千年古都,畅谈技术向善的初心与情怀。余晖之下,思绪悠长,侠是技术向善,有所为,有所不为的一份坚守。侠是隐于一城,守护身边与远方的一种担当。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 824

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 1169

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: 技术创业者必读:从验证想法到技术产品商业化的全方位解析
下一篇: 腾讯云副总裁黄俊洪:驭“云原生”之力,驱动产业互联网持续发展
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