比Mojo慢68000倍,Python性能差的锅该给GIL吗?

a3836086c843db7a78dbdf8e706b42ba.gif# 关注并星标腾讯云开发者

# 每周1 | 鹅厂工程师带你审判技术

# 第3期 | 李志瑞:天使还是魔鬼?聊聊 Python GIL

2a5361614a2c6aec90de54eae460a73f.png

9 月 7 日,新兴编程语言 Mojo 正式发布。Mojo 的最初设计目标是比 Python 快 35000 倍,近期该团队表示,因为结合了动态与静态语言的优点,Mojo 一举将性能提升到了 Python 的 68000 倍。腾讯工程师此前也曾试用 Python 并做了相关评测,参考:《放弃Python拥抱Mojo?鹅厂工程师真实使用感受》

这不是第一个号称比 Python 更快的编程语言,相信也不会是最后一个。那么问题来了,为什么是个编程语言就比 Python 快呢?Python 在高性能、多线程方面为什么这么为人诟病?本文将以 Python PEP 703 草案的相关内容为核心,分析个中原因。


在学习 Python 的时候,相信大家应该都会了解到类似「Python 的多线程是伪多线程」、「Python 并不能通线程发挥多核 CPU 性能」这样的说法,导致 Python 这些问题的原因就是 Python 的 GIL,即全局解释器锁(global interpreter lock)。

这里需要明确的一点是,从 Python 语言标准的角度看,GIL 并不是必须的,但 Python 的默认实现是 CPython,这是我们去官网下载 Python 时获得的默认实现,也是绝大多数 Python 用户使用的实现。是 CPython 虚拟机使用了 GIL 而非 Python 语言要求要有 GIL。除了 CPython 之外,社区也有各种不同的 Python 实现,例如 JVM 上的 Jython,.Net 上的 IronPython 等,它们都没有 GIL。也就是说,如果你喜欢,可以用任意语言在任意平台上自己实现一个符合标准并且不带 GIL 的 Python。但由于最广为使用的 Python 实现是 CPython,因此 GIL 造成的局限性仍然在很多语境下被认为是 Python 的局限性。

ad09bd5e42679f6bbc5a754e6639301c.png

要理解 GIL 对 Python 的影响,我们首先要先明白 GIL 到底是什么以及它是如何工作的。

简单来说,GIL 就是一个 Python 虚拟机中的全局锁,它使得同一时刻只有一个线程能够获得 Python 虚拟机的控制权,防止多个线程同时执行 Python 字节码。在 Python 中,每个线程在执行 Python 字节码的时候都需要持有 GIL,这意味着,多个线程的 Python 字节码解释事实上会被 GIL 强制变为串行执行。那么,这个切换过程是如何发生的呢?事实上,GIL 的实现也随着 Python 的发展发生过明显的变化。在 Python 3.2 之前,Python 虚拟机主要是基于 tick 数来控制 GIL 切换,默认情况下,一个线程在执行 100 条字节码后就会释放 GIL,其他线程就可以去抢占 GIL,如下图所示:

c6c155c252d289adc1a0300b4f83b77a.png

除了 tick 之外,一些阻塞操作,例如 send、recv、sleep 也会触发 GIL 的主动释放,例如 timemodule.c 中的 pysleep 代码:

static int pysleep(_PyTime_t timeout) {
    ...
        int ret;
        Py_BEGIN_ALLOW_THREADS
        ret = clock_nanosleep(CLOCK_MONOTONIC, TIMER_ABSTIME, &timeout_abs, NULL);
        err = ret;
        Py_END_ALLOW_THREADS
    ...
}

这里将实际的 sleep 调用使用 Py_BEGIN_ALLOW_THREADS 和 Py_END_AL‍LOW_THREADS 包裹了起来,这两个宏是 Python 扩展模块开发中会常用到的一个模式,用来显式释放 GIL,允许其他线程继续执行,执行完毕后,再获取 GIL 继续后面的逻辑。

上面这个基于 tick 的 GIL 调度实现容易导致在其他核心上执行的线程频繁尝试抢占 GIL, 造成 CPU 的空转。另外,由于正在工作的线程达到约定 tick 数时会先释放锁,然后立刻再去抢锁,因此这里很容易出现该线程重复抢到锁使得其他线程饥饿的情况,显然这个调度算法并不合理。关于这一点,David Beazley 在 PyCon 2010 作过一个关于 GIL 的分享,可以参考其中的数据。

在 Python 3.2 后,GIL 持有的调度改为基于时间片。等待 GIL 的线程在等待超时后,将一个名为 gil_drop_request 原子全局变量的值设置为 1,通过这个方式来通知当前的工作线程释放 GIL。而当前工作线程会去检查这个值,并在释放 GIL 后,通过条件变量通知等待中的线程 GIL 已经被释放,这既避免了等待中的线程频繁去尝试抢锁,也避免了该线程重复获得锁引发的其他线程饥饿问题:

b3fea0126c23a68f50775bb09a70d5e5.png

我们可以很清晰地从 ceval.c 代码中看到这个逻辑。Python 虚拟机在一个巨大的 eval 循环中持续执行 Python 字节码:

PyObject* _PyEval_EvalFrameDefault(...) {
    // 计算主循环
main_loop:
    for (;;) {
        if (_Py_atomic_load_relaxed(eval_breaker)) {
            opcode = _Py_OPCODE(*next_instr);
            // 对于一些特定的字节码不做任何检查就继续执行
            if (...) {
                goto fast_next_opcode;
            }


            // 检查是否需要处理正在等待的任务
            if (eval_frame_handle_pending(tstate) != 0) {
                goto error;
            }
        }
    }
}

在 eval_frame_handle_pending 中,Python 虚拟机会检查 gil_drop_request 的值,并根据需要释放 GIL:

static int eval_frame_handle_pending(PyThreadState *tstate) {
    _PyRuntimeState * const runtime = &_PyRuntime;
    struct _ceval_runtime_state *ceval = &runtime->ceval;
    ...
    // 检查 gil_drop_request 是否被设为 1
    if (_Py_atomic_load_relaxed(&ceval2->gil_drop_request)) {
        // 释放 GIL
        drop_gil(ceval, ceval2, tstate);
        // 此时其他线程就可以开始执行了


        // 重新获取 GIL
        take_gil(tstate);
    }
    ...
}

默认情况下,Python 每 5ms 会在线程间切换一次,我们可以通过 getswitchinterval 来获取当前的切换间隔时间,通过 setswitchinterval 来设置间隔时间(单位为秒):

>>> import sys
>>> sys.getswitchinterval()
0.005
>>> sys.setswitchinterval(1)
>>> sys.getswitchinterval()
1.0

be49ea47c0fdf3d1d058278e98b2300a.png

了解 GIL 是如何工作的之后,我们来看一下 GIL 如何影响我们现有的程序实现方式。

对于 Python 程序来说,既然 GIL 使单个虚拟机无法并行执行 Python 程序,那么在需要充分利用多核 CPU 的场景中,最常见的做法就是启动多个 Python 进程,这也是 Python 服务器的常见实现方式,例如:

from multiprocessing import Process, Pipe


def f(conn):
    conn.send([42, None, 'hello'])
    conn.close()


if __name__ == '__main__':
    parent_conn, child_conn = Pipe()
    p = Process(target=f, args=(child_conn,))
    p.start()
    print(parent_conn.recv())   # prints "[42, None, 'hello']"
    p.join()

此时,由于每个进程是独立的 Python 虚拟机,因此 GIL 也是相互独立的,互不影响,以此实现了并行计算。但这里存在一个问题,由于进程间无法简单共享对象,因此进程间通信需要进行对象的序列化和反序列化操作,这造成了明显的计算开销。另外,实现这样的逻辑也不可避免地增加了程序的复杂性。

对于 Python 的扩展模块开发者而言,情况会稍微好一些。一方面,由于 GIL 的存在,扩展模块的开发者可以简单地直接操作数据而不用担心并发导致的数据出错,这降低了心智负担。另一方面,如果希望实现并行化计算,开发者可以在扩展中启动多个系统线程,此时,这些线程的执行是不受 GIL 限制的。另外,就像之前我们看到的那样,扩展的实现甚至可以在执行复杂计算任务的时候将 GIL 释放掉,允许 Python 虚拟机继续执行其他逻辑,等待繁重的计算任务结束后或者 IO 数据加载好后再重新获取 GIL 再将数据返回,这是许多科学计算库常用的解决方案。但这里还是存在一个问题,如果这个扩展模块与 Python 虚拟机无关的单次操作时间没有那么长,而是需要不断去操作 Python 虚拟机内部的数据,那么即便开发者注意去释放了 GIL,在程序执行到需要操作 Python 虚拟机内部数据的逻辑时,它还是需要频繁去获取 GIL,这又使得 GIL 对性能的影响变得无法忽略了。

很显然,这个 GIL 还真是为开发者造成了不少麻烦。看到这里,你也许想问,既然这个 GIL 有这么多问题,Python 的创始人 Guido van Rossum 为什么当初要这样设计呢?

d93352b77de88804b33786ea711ca7a6.png

当我们考虑一个技术选择是否合理的时候,不能只以当下的目光去审视过去,而需要回到当时的场景中去考虑问题。从 Python 的大事件时间轴中可以看到,我们正在谈论的对象是一个从 1989 年就开始设计的语言,到 1991 年的时候就出现了第一个 release 版本(0.9.0),到 2000 年的时候,Python 2 就发布了。而世界上第一个多核 CPU 是 2001 年的 IBM Power4,也就是说,在 Python 最初被设计时,并没有多核 CPU 这种东西,后来即便有了,也并不普及。因此 CPython 在实现的时候并没有作过并发和并行计算这方面的考虑。

不过在 Python 面世后的几年内,当时一些操作系统就开始逐步提供多线程能力了。此时,Python 自然也想要支持多线程,但由于 Python 虚拟机的实现一开始并没有并发安全的考虑,因此要实现完美的多线程支持需要重构整个虚拟机,这不仅是工作量大的问题,而且短时间内很难保证软件质量。因此 Python 采用了一个取巧的方法,就是加入 GIL。有了 GIL 后,Python 就能为用户提供了一个类似操作系统多线程的能力,如果用户使用的硬件是单核 CPU,那这个多线程表现得和操作系统的多线程差不多,多个线程之间可以切换,分时复用 CPU 资源,共同完成工作,看起来就像是它们在多核 CPU 上执行一样。这对于当时的用户群来说确实完全够用了,因为当时大多数用户使用的都是单核 CPU。而且,GIL 的出现使得一些线程不安全的 C 模块能很容易地被暴露给 CPython 调用而不用担心各种隐蔽的问题,这样的表现对于一个胶水语言来说实在是无可挑剔。尤其在那个 C 语言具有极强统治力的时代里,这样简单易用的优势在很大程度上促进了 Python 的流行。从这个角度来说,GIL 对于 Python 的发展可谓是功不可没。

当然,当时决策的历史局限性会在时间往前推进的过程中越发明显,尤其是到了摩尔定律终结的时候:

7989b82d415a72c3ebea8da7afb5e0ec.png

我们知道,CPU 的单核计算能力并没有如摩尔定律预言的那样无限提高,CPU 的性能逐渐显露出瓶颈,除了针对特殊用途定制特定芯片之外,加强计算能力的渠道就逐步从依赖提高单核计算能力的提升转变为将芯片做小并增加核心数量。硬件的风向转变影响了软件开发,开发者们希望 Python 也能提供充分利用多核硬件来实现并行计算的能力。因此 GIL 带来的约束就使它变得更加臭名昭著了,它也就从促进 Python 流行的天使慢慢变为限制 Python 发展的魔鬼。

话虽如此,但 GIL 也并不是想去掉就能去掉。Guido van Rossum 曾在博客《It isn't Easy to Remove the GIL》中正面回应过为什么不从 CPython 中去掉 GIL,这里主要提到了两个问题:

  • 很难做到在移除 GIL 后依然让 Python 虚拟机保持移除前的单核性能

  • 移除 GIL 会令 Python 扩展模块的开发变复杂,因为所有的扩展模块都需要考虑被多线程调用的情况了

另外,在 Python 社区中,CPython 的维护者对于去掉 GIL 的提案还有一些明确的约束:

  • 简单:不能让 CPython 变得不可维护

  • 并发:能确实提高多线程性能

  • 速度:不能降低单线程性能

  • 特性:必须完整实现目前 CPython 的所有特性,包括 __del__ 和弱引用

  • API 兼容:和目前的 CPython 扩展所使用的宏源码兼容

  • ……

可以看出,移除 GIL 的提案其实非常难以获得通过。一件显而易见的事情是,针对多线程的架构在单线程下非常难以达到和针对单线程的架构同样的执行效率,因此这对于实现者来说本身就具有非常大的挑战。一个典型例子是 CPython 的 GC 实现,目前 CPython GC 的方案是以引用计数为主,辅以标记清除来处理循环引用的情况。每个 Python 对象在 CPython 虚拟机内大致表示为这样的形式:

struct _object {
    _PyObject_HEAD_EXTRA
    Py_ssize_t ob_refcnt;
    PyTypeObject *ob_type;
};

可以看到,这个引用计数 ob_refcnt 就是一个裸的整型值。由于 GIL 的存在,虚拟机在和扩展模块在操作对象的引用计数时并不需要额外加锁。这不仅使得 Python 在单线程下在处理引用计数的增减非常高效,而且从根源上避免了死锁。如果想要去掉 GIL,那就必须考虑到对引用计数的并发访问,在这种情况下,无论是细粒度的锁还是对引用计数进行原子操作,都会或多或少造成一定的性能开销。事实上,早在 1999 年,Greg Stein 就实现了一个 CPython 的分支,用细粒度的锁替换了 GIL,结果使得单核执行效率减半了,这个修改自然也就不了了之。

另外,我们从上面的描述中也能看出,在经历了从 Python 2 到 Python 3 的剧痛之后,整个 Python 社区都很明确地知道了永远不要低估用户进行版本迁移的成本这件事,因此修改的兼容性被放在了非常重要的位置。由于 GIL 存在已久,不仅是 CPython 虚拟机本身,许多扩展模块都已经非常依赖于 GIL,因此去除 GIL 很有可能对这些模块产生影响。因此可以预见的是这个升级的过程可能并不会那么顺利,别看现在大家对 GIL 抱怨不断,等真能去除 GIL 的时候,有多少用户真去升级现有版本呢,又有多少现有的扩展模块去适配新的规范呢?这些都很难说。Python 社区自然也非常清楚这一点,因此 Sam Gross 在 PEP 703 中提出的建议是为 CPython 增加一个编译参数 --disable-gil,以便让有需要的用户逐步迁移。这当然是一个稳健的做法,不过这个过渡时间有多久,就还真是一个未知数了,需要实践之后才能知道结果。

ffa4e9c6e3df1e8f0a416531f6a4e5a8.png

Python GIL 并不像很多人想象的那样是一个愚蠢的决策,在当时的时代背景下,它很大程度促进了 Python 的发展和生态的繁荣。只是随着时代的变迁,完成历史使命的它也到了逐渐退出历史舞台的时候了。虽然这个过程无法一蹴而就,但目前渐进的改变更能保障兼容性,让用户有一个平滑过渡的机会。然而编程语言届从来都没有风平浪静的一天,想要挑战 Python 地位的竞争者不断出现,例如前文提到的 Mojo 就号称兼容 Python 并巨幅提升性能,至于 Python 的未来会如何,还请拭目以待。

-End-

原创作者|李志瑞

你是否支持 Python 中移除 GIL,为什么?欢迎再评论区分享。我们将选取1则最有意义的评论,送出腾讯云开发者-便携通勤袋1个(见下图)。9月18日中午12点开奖。

584c3da4404af8a02c533d7580c50d80.png

📢📢欢迎加入腾讯云开发者社群,社群专享券、大咖交流圈、第一手活动通知、限量鹅厂周边等你来~

bd9b9ee239674bcebbf6eae11bf5c9d4.png

(长按图片立即扫码)

e4b27bf45b8b21f52d5e1c546ecd0755.png

213857f29fe077512cc005fbd56b539f.png

fcf60129b1fad98d1454afacb955547b.png

cf16fcaf074770cfd21e1a676236c825.png

1dcefdcf61f4683db161ce4a2baa85c6.png

关注并星标腾讯云开发者

每周1看鹅厂程序员聊热门技术

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 1170

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: 每一座屎山代码背后,都藏着一堆熟读代码规范的研发
下一篇: 系统架构设计之道,论如何构建一个资金账户系统
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