TVP走进南京文投:数字化浪潮下,文旅业如何迈向发展“快车道”?

引言

随着数字经济的蓬勃发展,文旅业也面临着数字化浪潮的冲击与挑战。如何实现数字技术与文化内涵的有机结合,成为行业内绕不开的热点话题。8 月 4 日,腾讯云 TVP 联合腾讯文旅,携手南京文投集团,在南京大报恩寺遗址景区召开「数字文旅 纵览未来」闭门研讨会,共同探讨文旅行业在数字科技赋能下的新路径。

开场致辞

腾讯文旅商务总经理 夏洲首先发表致辞,面对数字科技与传统产业加速融合的发展趋势,腾讯早在 2018 年就进行战略升级,成立云与智慧产业事业群(CSIG),通过自身 20 多年技术积累,助力各行业实现数字转型。当企业使命与行业需求不期而遇时,腾讯文旅业务在推动产业数字化转型等方面取得丰硕成果。

目前,腾讯文旅业务已覆盖全国各地,今年更是延伸至县级文旅目的地,包括一键游广西、游云南等项目。除此之外,腾讯文旅业务还涉及广州海珠湿地、大运河国家公园、北京工体等地的数字化建设,帮助锦江、万豪、希尔顿等酒店集团实现数字化转型,还为广交会、世界智能大会等会展活动提供数字化支持。

夏洲亲身感悟到数字化正在吹拂文旅传统业态。腾讯文旅业务帮助故宫打造沉浸式线下展览,支持电竞落地杭州,打造敦煌数字藏经洞和南京大报恩寺遗址景区的元宇宙体验等一系列举措,丰富了地方文旅服务,也提升了区域联动和文旅品质。

过往为序,未来可期。夏洲表示,腾讯文旅业务将秉持以用户为本、科技向善的使命,持续赋能产业,践行开放的生态模式。在文旅赛道继续深耕,创造更多佳绩。

南京文都数字云平台——让城市文化的未来在这里发生

分享伊始,首先是南京市文化投资控股集团总经理、党委副书记 施扬老师带来《南京文都数字化平台——让城市文化的未来在这里发生》的主题演讲。

作为国有文化企业,南京文投集团致力于让城市文化生活更美好,已连续 3 年入选全国文化企业 30 强提名单位。施扬总表示,进入数字化时代,南京文投集团也一直在思考产业数字化、数字产业化的实现路径。2022 年,为响应国家文化数字化战略,南京文投集团从三方面开始了探索:

其一,推出数字时代城市文化整体解决方案。

主要包括三个层面:第一基础层,通过设施、数据和技术三个维度打造文化新基建。第二功能层,经过一年多的探索,陆续推出文化大数据基座、城市文化 IP、公共文化服务云平台、文化旅游消费云平台、元宇宙博物馆(景区)建设、文化元宇宙展厅六大整体解决方案。第三应用层,围绕文博场馆、文旅景区、文化空间、文化地标打造一系列实体场景,通过数字复原、数字创意打造一系列虚拟场景,推出文都数字云、文枢元宇宙等入口。

2022 年,城市文化数字化整体解决方案“文都数字云平台”,被新华社等中央媒体评价为“全国首个!文化数字化的南京样本”。

其二,建设依托南京城市场景设计的城市文化大数据体系。

建设“数据母库”,将超 3 亿、散落在各个机构的数据资源进行集成,实现一键检索、快速查询;按照文保、名人、非遗等线索对数据进行清洗和标注,构建“数据金库”,实现结构化和关联化;借助大数据分析、地理信息系统技术,推出“文学之都专题库”,将南京文学相关文献的数据与实体关系进行链接,实现可视化呈现;构建包括生态文化、红色文化、海丝文化等 8 个“长江文化专题库”,为长江国家文化公园云平台建设,提供数据支撑。数据是最核心的资产,我们通过建设一批数据库打造城市文化数据底座,为下一步的数据开发打下基础。

其三,强化数据应用,改造数字化场景,使文学更加触手可及。

结合世界“文学之都”场景,打造世界文学客厅,推出探秘文都小程序,帮助市民游客随时随地了解南京文学地标;运用数字孪生技术,打造南京文枢元宇宙,帮助游客在线浏览历史遗迹和文学景观。

结合文化旅游消费场景,打造南京文化消费总入口——文客,串联南京城市优质文化资源。推出跟着文保游南京、十竹斋线上拍卖平台、南朝石刻数字化活化平台、雨花台烈士纪念馆“云上文物”等分众化数字产品。结合文化服务治理场景,依托云平台用户数据,打造南京公共文化云、南京建邺区公共文化云等,打通公共文化服务的最后一公里。结合长江国家文化公园场景,推出长江大桥元宇宙、宁游长江、VR 飞跃长江、长江宝藏等一系列数字体验产品。今年 6 月 10 日文化和自然遗产日,集团发布南京大报恩寺琉璃塔的首个高清数字复原成果,让国家宝藏在数字世界“完美重生”,同时围绕大报恩寺遗址博物馆打造了全国首个全真互联元宇宙博物馆,被央视重磅报道。

目前,南京文投集团正在构建生态合作圈。旗下 7 家企业组成联合体发挥内容优势,通过南京元宇宙产业协会等平台进行股权投资、战略合作,共同推进城市文化数字化。施扬总表示,希望未来能和同行业伙伴,在数字化赛道中携手合作,共同推进文化传承发展。

文博场馆数字化的实践案例与发展思考

南京邮电大学数字经济研究所所长、腾讯云 TVP 行业大使 姚国章教授带来《文博场馆数字化的实践案例与发展思考》的主题分享。

姚国章教授从中华恐龙园如何通过数字化成功转型进行详细案例分析。他指出,恐龙园利用数字技术将静态的化石“活”起来,通过虚拟现实、仿生机器人等手段营造沉浸式体验,打造出融合科普与游乐的新型场馆,实现了从单一主题公园到融合文化内涵的 5A 级景区的蜕变。

成功转型的背后,是数字技术和文化软实力相互作用的结果。数字技术是文化实现创新传承的关键所在,文化软实力需要数字化技术的有力支撑。文博数字化的核心是以丰富的文博内涵为基础,充分运用数字化手段实现文博产品的创作、研发、生产、传播和服务,使文博作品实现立体化数字化呈现,用户获得沉浸式的数字化体验,并产生广泛的社会效益和经济效益等数字化成果。

文博数字化要实现文化存在的多元呈现、用户体验的个性化互动和文化效益的持续释放。姚国章教授具体阐述了数字中国大运河博物馆、数字故宫、数字敦煌等一系列文博数字化典型案例。这些案例充分应用 5G、AR、VR 等前沿技术,开创了文物数字化保护、研究、展示的新模式,实现了文化价值的创新传播,对推动文博事业发展提供了有益借鉴。

数字化是文博行业必须勇于面对的历史性机遇。姚国章教授建议要加快培养熟悉数字技术和具有数字化思维的复合型人才,扶持本土文博数字化企业成长壮大,建设文博数字化基础设施,并以“数”为本开拓数字世界新天地,才能在数字革命的浪潮中谱写文化传承创新的新篇章。

行业大模型助力文旅产业革新升级

腾讯云智能行业方案总监 赵登梧老师带来《行业大模型助力文旅产业革新升级》的主题分享。

大模型技术的发展主要有两大趋势。第一个方向是多模态,包含图片、文本、视音频等多方面信息;第二个方面是三个“大”,即模型参数规模大、训练数据规模大、算力规模大。在此基础上,不断进步的大模型为人们生活带来了许多改变。不仅帮助人们免费获取工具,提升智力水平,而且还能实现人与机器交互。

当然,任何技术的发展都有两面性,大模型的发展可能会引起五类问题:

  • 数据泄露,在公有云上部署的信息安全性上难以保障;
  • 内容安全,大模型目前经常会出现“幻觉”,会制造一些虚假和危险性信息;
  • 行业深度,大模型训练的语言文本是来自于互联网的基础文本,对一些缺乏数据来支持的深度问题无法回答;
  • 算力消耗,一旦这个模型它的算力规模非常大,单次推理生成固定量 Token 的对话成本是非常高的;
  • 知识产权,大数据录入了很多基础的知识会出现版权的问题。

针对以上问题,腾讯专门为客户提供量身定制了行业模型解决方案,具有全流程服务和行业深度。该解决方案涵盖了技术、IT 平台即 Maas 服务,能够确保数据安全、保证算力和成本可控。基于强大的行业大模型,将帮助文旅产业提升对文化要素的提取和识别,实现文化保护;提高文化内容的传承效率,实现更好的文化传播;提高文化内容的创新速度,实现文化创新的快速迭代。

行业大模型必将成为文旅行业创新的必要引擎和驱动力量。赵登梧老师表示,对行业大模型的应用前景和发展空间充满信心,也将持续加大创新投入,与各方合作伙伴共同推动行业大模型在文旅领域的深入应用和发展。

科技向善,助力文旅数实融合新发展

腾讯文旅首席架构师 毛天伟老师带来《科技向善,助力文旅数实融合新发展》的主题分享。

从宏观层面来分析,后疫情时代文旅发展的新目标主要体现在三个方面:一是利用智慧化手段提升景区服务,发挥文娱、体育、展会等作用,培育文旅成为新经济增长点;二是通过技术创新文化表达,提升文化软实力和自信;三是应用数字人、NFT、元宇宙等新技术,开发新型文旅产品和业态,提供沉浸式体验。

结合需求和供给侧方向,毛天伟老师表示目前应该着重关注的要点:整合非遗文化、文博文化以及创新城市文化;满足国潮文化崛起的需求;提供沉浸式创意体验,运用新技术打造沉浸式文旅场景。值得注意的是,针对 Z 世代的消费特征,毛天伟老师指出要通过短视频、游戏等方式去打造能够符合年轻人的体验内容,在文化供给侧、文化相关领域需要不断去探索。

毛天伟老师进一步阐述了腾讯在文旅数字化方面的核心技术实力,包括通过数字化、虚实共生的手段,实现场景呈现和融合;利用数字人、3D 建模技术,实现人机交互和云服务能力。他认为,数字科技和文旅是双向奔赴、双向融合的,腾讯提供更多的技术能力,将整个集团 C 端方面的技术能力做融合;客户和伙伴在共创中提供创意和思维,形成以科技+创意+运营为驱动的数实融合的文旅新未来。

腾讯作为以互联网科技为核心的公司,秉承为用户服务和科技向善的目标,利用科技能力、文化能力、用户连接能力等优势,建立“人-货-场-牌”的闭环文旅服务体系,打造文旅新图景。毛天伟老师坚信科技能给文旅带来全新可能,并期待和更多伙伴探索文旅行业的数字化新未来。

结语

数字化是文旅发展的大势所趋,顺应时代潮流,才能开创光明前程。TVP 会秉持着「用科技影响世界」的初心,让技术普惠大家,与行业伙伴携手利用数字技术的力量,共同绘就数字文旅的美好蓝图。

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 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 716

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 911

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 625

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 702

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 893

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: 共探工业数智化,TVP河南工业互联网论坛将重磅召开!
下一篇: 摆脱焦虑,释放技术人的潜能!
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