大模型遇上数智化,腾讯云与行业专家共探行业AI发展之路

引言

自去年底 OpenAI 推出 ChatGPT 起,大模型作为新的生产工具登上了新一轮生产力革命的舞台。事实上,数十年来历经了多次起落的 AI 技术,尽管一直被赋予着极高的期待,但在落地产业端时,却总显得差强人意。大模型的爆发究竟能否给产业端带来真正的变革?又会发生哪些巨变?

另一方面,企业的数字化转型已经是近年来全行业发展的重要战略,而数字化转型中的关键一环便是在最大程度上实现智能化。如何通过以大模型为代表的 AI 技术赋能企业数字化转型数智化?

带着以上问题,9 月 22 日,腾讯云TVP与腾讯智慧零售 、蒙牛集团 联合主办的“ TVP 走进蒙牛”闭门交流会成功举行。50 余位来自腾讯、蒙牛、中顺洁柔等企业的专家,一同分享了关于企业数智化转型的观点和实践。此外,来自不同行业的与会嘉宾也在最后的分组讨论环节中,对一些行业热点话题发表了各自的看法。

本次会议由清华大学五道口金融学院 “数字中国”项目创始人、腾讯云 TVP 行业大使唐鑫龙老师主持:“如今,大模型的技术发展越发火热,除了 C 端的应用层出不穷外,在 B 端大模型与各个行业的结合上也越发紧密。在接下来的分享和讨论中,希望听到来自各行各业的声音,把大家的视角从产业视角、技术视角进行自由分享和深度研讨。”

通用型的AI驱动将是有效抓手

在开场环节中,腾讯智慧零售技术架构与交付总经理 程伟表示,之所以此次腾讯云 TVP 走进蒙牛,主要因为蒙牛在整个 AI 数字化产业上位居前列,包括公司想要从奶制品生产商升级为每个人的健康顾问,这样的转型正需要 AI 来驱动。

事实上,当下零售行业面临着三大融合趋势:线上与线下融合、品牌与渠道融合,以及产品力的融合。结合未来社交化趋势愈显,微信、小程序、视频号的流量和活跃度都在持续增长,在如此多样化的场景中,零售企业的数字化转型又将面临哪些新的挑战?

程伟认为,AI 驱动以及行业的数字化将是非常好的抓手:“在零售业未来五年的发展当中,会有一个确定性的关键点,那就是营销的内容以及触达的方式非常重要。这些触达方式不再依托于个性化的技术和产品开发者,通用型的 AI 驱动将是非常有效的抓手。”

100人,100万吨产能,100亿产值

第二位嘉宾是蒙牛集团助理副总裁、腾讯云TVP行业大使 张决。据她介绍,蒙牛目前在全球有68家工厂,其中8家已完成数字化建厂。值得一提的是,今年5月刚刚建成投产的宁夏灵武工厂已经实现了“三个100”的纯数字化工厂目标:100个人,100万吨产能,实现100亿产值。

在蒙牛“FIRST发展战略”中,“T”即Technology。从成立之初,公司就非常注重信息化建设,从OA到SAP,再到LIMS,都进行了系统化的布局。

具体来看,2016年是蒙牛开启数字化建设的元年。公司先用三年时间进行了信息化升级,包括财务共享、智能制造(数智化工厂),这段时期被称为“一滴奶”的数智化治理1.0阶段。

从2020年开始,进入到2.0和3.0的建设阶段。其中,2.0的评价标准包括业务中台和数据中台的建设,以及管理数字化、能力内化等。3.0时代则是通过AI来驱动双飞轮(供给侧飞轮+消费侧飞轮),蒙牛集团CDO李琤洁女士在今年8月4日代表蒙牛发布全球首个营养健康领域模型MENGNIU.GPT,让数据资产继续高效发挥洞察和决策作用。

“通过与腾讯混元在内的多家大模型合作,我们内部已经完成了一些基于模型的产品构建,比如在数据层我们形成了蒙牛的营养健康知识图谱,已经可以在Wow小程序上进行对话。同时也开启了领域模型的建设,包括管理、营销、供应链等细分领域。在员工生产力的提升上,也开通了蒙牛自己的Copilot。”张决表示说。

数据+AI+大模型:构建一体化智能营销

紧接着,腾讯企点副总经理 喻帅为现场嘉宾带来了主题为《智能应用在零售行业的分析》的分享。

自从零售业诞生以来,它的发展经历了以实体门店为主到平台电商,再到品牌社交兴起的三个阶段。如今,越来越多的线上商务平台利用微信等社交软件的推广做出了很好的营销业绩。不得不说,零售业的历史沿革见证了数据在沉淀和应用的过程中,是如何一步步走向数字化变革的。

“从数据沉淀到数字化是一个让人欣喜的自然趋势,但我们还是面临一个很大的问题,就是在真正进行数字化的建设当中,数据究竟能发挥什么价值?在社交电商或者说社交私域的运营过程中,能够带来哪些效果上的提升?这个问题目前还没有标准答案。”喻帅表示。

在他看来,一方面,数据作为生产资料,大量沉淀非常重要;另一方面,数据的有效性则需要通过 AI 来挖掘。换句话说,数据是“增长引擎”,AI 则是“创新引擎”。那么,落地到具体的营销场景中,AI 能够如何提升效率,同时能够带来哪些业务形式的创新呢?

很重要的一点,是解决数据和通路彼此割裂的问题。对此,喻帅先用四个“合适”来说明何谓“精准推荐”:“就是要把合适的内容,在合适的时间,通过合适的渠道,推给合适的人。”然而,现实却没有这么理想,面临着多重割裂:不同产品和模块数据的割裂,以及用户不同渠道中的身份割裂。

为解决这一问题,腾讯提供了“两化”方案:数据一体化和数据的场景化。首先,在数据一体化的建设上,整合“两平台、5A、5M”。两平台分别是指底层的 CDP 客户数据平台,以及顶层的 AB 试验平台。5A、5M 分别为分析应用和营销应用;其次,数据场景化则是借助大数据与 AI 技术,将品牌进行多触点的数据整合,从而精确识别用户身份和旅程阶段,在不同的场景下提供差异化的营销内容与策略。

此外,通过大模型的应用,腾讯也在进一步提升客户体验,提高营销转化效果。喻帅认为“我们的业务分析都很依赖数据的处理者,在人的能力参差不齐的情况下,很可能得出的结论,或者效率和方向都有偏差。希望通过我们的大模型,在给到充足语料的情况下,可以提供给用户相对及格的答案。”同时,喻帅也指出,仅仅是回答仍是不够的,如何通过大模型实现文生图、文生乐、文生视频,以及和数智人的联动,甚至生成风格化的 UGC 创意内容,也是未来腾讯探索的重点。

把握新技术机遇,未来是产业链和生态圈的竞争

在对“蒙牛的AI创新探索”这个主题的诠释中,蒙牛开放式创新总监 高璟琳首先介绍了蒙牛数智化战略3.0——AI驱动双飞轮的核心架构。基于AI中台,在蒙牛内部已经打造出牛慧问、牛慧画、牛魔王等一系列应用,经过提示词工程师培训考核的员工,已经在AI场景工厂上构建出400+多张场景卡片。

在外部,蒙牛在今年发布了营养健康模型MENGNIU.GPT以及AI营养师“蒙蒙”。并与腾讯数智人技术结合生成了生动的3D卡通形象,为给客户提供营养健康咨询服务。

通过回顾数智化创新探索的历程,高璟琳试图解答这样一个问题:当新技术出现时,如何才能把握住机会?

  • 首先需要行业洞察:正视消费者营养健康需求的猛增和营养健康知识供给的不足。经济的持续增长推动了人们对于营养健康的需求,而相关知识的供给方式单一、供给量不足,如中国营养师的供给缺口大概有400万。而AIGC技术的出现,对打破这种不平衡提供了新的可能。
  • 其次把握技术趋势:我们又一次站在了历史的拐点,将见证和亲历新一轮的“所有行业都值得重做一遍”。大语言模型将成为底层新基建(MaaS),但需要在专业领域训练才能发挥更大价值。

“一方面,大语音模型未来会成为新的基础建设;另一方面,要真正落地到专业领域,仅靠大语言模型的原生能力是不够的,需要在行业知识上进行更多专业的训练,这样才能发挥出更大的价值。”

在如此判断的基础上,蒙牛坚定地选择了全面拥抱AI,联手微软、智谱AI、腾讯、阿里等国内外的科技企业,共同训练调优模型,整合了市场上多个算法。并联合了一批营养健康领域的专家学者,与多个营养健康权威机构,将高质量内容作为训练素材一并灌入。此外,蒙牛还开放营养健康领域模型MENGNIU.GPT能力, 与更多的创新生态伙伴一起自由地探索和创造场景。

最后,高璟琳从封闭式创新和开放式创新两个维度,介绍了不同创新的路径选择。在他看来,封闭式创新和开放式创新是两种不同的范式:封闭式创新的典范如贝尔实验室,能产出影响人类文明的伟大创造;而开放式创新更活跃,讲求生态化,关乎到产业链和生态圈的竞争,是诸多国际大型企业的创新范式。

“产业链、供应链最终决定产品能做到什么程度,而生态圈则是更高维的竞争方式。希望通过开放式创新为蒙牛建立出这样一个生态,以MENGNIU.GPT为基础链接更多的可能性,共同创造数智营养健康的新体验。”

从成本中心到利润中心,未来是投资中心

对于“AI 时代的企业如何布局”,包括算法和大模型在零售行业的应用,中顺洁柔 CTO 杨森林分享了一些不同看法:“首先,我认为从当下的环境来讲,改变这个时代的不是 AI,而是驾驭 AI 的人。从技术角度来看,我们中国实际上没有自己的技术平台,也没有自己的技术语言和操作系统。就是说,一直以来我们都是技术的应用者或者说组装者,这才是我们的真实现状。所以,过于复杂的技术,像 AI,如果不是因为 ChatGPT 大火,可能这两个字都不会列在企业的日程上。”

而当进一步谈到企业数字化转型的现状,杨森林的看法是:行业整体上做得都不好。他向与会者展示了麦卡锡的一份报告:核心数据是企业数字化转型成功率仅为 20%。“实际上,20% 都是高估了,我们还是需要给自己清晰定位,通过应用AI想做什么,能做什么。”

那么,企业数字化转型的关键在于哪些因素?主要在于三点:系统、流程和人。

  • 系统:没有一个系统是第一版就能达到最佳使用的,持续不断的优化和迭代是打造各类系统的关键;
  • 流程:再好的系统,也只能管理 50%-80% 的流程,仍然有 20%-50% 的流程、沟通、决策是在系统外做出的,将线下和线上的流程进行有效及高效对接是项目的核心挑战之一;
  • 人:即使具备了好的系统和流程,缺乏可以高效使用的人,就像歼-20 飞机遇如果让普通人来开,起飞都困难。系统和流程应用者的思想转变,如何走出固有思维,拥抱新的方法,才是企业数字化转型能否成功的最关键因素。

对于如何通过 AI 赋能数字化,他的观点是:相较于拥抱 AI,更应该驾驭 AI。据其观察,当下 AI 的价值产出主要在于以下几点:

  • 降低成本:包括优化算法、分布式训练加速和模型压缩;
  • 提升易用性:通过完成直观、易用的用户界面设计,搭建简单、轻松上手的开发工具和平台,降低用户的使用门槛;
  • 安全可解释:可以提升数据质量,同时增强鲁棒性,实现持续监控和升级;
  • 数据安全:实现数据加密,访问控制和身份认证,同时进行安全审计和监控。

基于“人”在 AI 赋能数字化转型中的关键作用,杨森林认为,作为企业数字化的掌舵者,CTO、CDO、CIO 应该成为“六边形战士”,需要懂战略、懂业务、懂技术、懂数据、懂流程、懂创新。

“如果我们对底层生意不了解,会发现很多规划,不管是模型、算法,还是系统,都会在天上飘着,落不了地。很多时候我们幻想出的业务场景和真实场景是完全不一样的,在数字化转型时应该时刻以企业自身情况为核心点,将数字化部门完成从成本中心到利润中心的转变,未来还可能进一步成为投资中心。”

技术架构演进原动力:生产工具、生产力和生产效率

最后出场的分享嘉宾是腾讯云大数据产品总监 吕潇,他的演讲主题是《腾讯新一代大数据技术架构演进与探索》。

分享开始,他首先介绍了技术架构演进的原动力,主要在于三点:生产工具的安全稳定和灵活便捷,生产力上要求技术的先进性和低成本使用,生产效率上需要保证高效和易用。

“腾讯大数据技术发展经历过几个阶段,在第一阶段,腾讯内部在零几年的时候就用大规模分布式技术解决了很多在线业务大规模并行计算和扩展的诉求。从PC端转到移动端之后,我们通过AI能力展开了用户画像、商品推荐等业务,形成了各种各样的模型,这是第二个阶段。”

到后来,当团队发现传统AI技术在计算效率和准确度上无法满足业务需求时,便开始引入机器学习,通过深度学习和大模型快速构建了腾讯云的框架和体系,能够每天支持几百万次的模型迭代,从而更加高效和精准地完成用户画像。

“目前我们进入到第四个阶段,更多是把云、大数据、数据湖仓,甚至是一些跨源、协同计算、多边计算、安全计算、隐私计算等技术应用到企业各种各样的场景当中,不断进行技术革新。”

从2009年开始,腾讯自研大数据平台TBDS开始不断演进迭代,从3.0版正式商用,到4.0版的规模化突破,直至5.0版完成流批一体、湖仓一体和实时数据湖。如今该平台迭代到最新版本TBDS 5.3,实现了云原生和存算分离的技术架构升级。

具体来说,相较之前版本,TBDS 5.3在多个方面进行了升级:

  • 架构灵活提升——存算分离:相较于传统存算一体,存算分离可以让数据剥离,实现计算无状态化,达成秒级弹性、灵活伸缩;
  • 生产效率提升——云原生化:实现资源的弹性伸缩,提高资源利用率,进行有效的资源隔离,达成敏捷、高效的部署和管理,统一生产、开发、测试等应用环境;
  • 生产力提升——湖仓一体化:开放敏捷、弹性伸缩、混合负载、节约成本;
  • 生产工具升级——数据开发治理平台 Wedata:达成全链路覆盖、效率提升和多团队协同。

“(Wedata)从数据采集到数据开发,在数据建模、加工过程当中落地企业的数据标准落地,同时我们会对所以数据进行质量勘察,形成事前、事中、事后不间断的数据质量反馈和提升。最终能够帮助我们快速完成针对不同目标、不同组织和数据资产的业务重塑,这是我们目前提供的一整套数据全生命周期的能力。”

在当前国产化的浪潮下,腾讯在自主可控和技术领先性上完成了相当的沉淀,包括在大数据领域申请150+专利,大数据产品软著也达到70+。在行业影响和生态建设上,全面适配国产芯片、OS、服务器20+种,同时参与了国家/行业/团体标准制定30+项。在信创建设上,据吕潇介绍:“无论是政务,还是企事业单位,对信创的要求都非常高,我们在国税总局、中国银行这些非常大的单位都有大规模的落地。”

分组讨论

为了让本次活动与会嘉宾都能参与到“数字化转型和 AI 赋能”的话题探讨,在主会嘉宾演讲结束后,主持人唐鑫龙也组织了现场嘉宾的分组讨论环节。到场嘉宾被分为四组,分别对不同的议题进行了深入探讨,并结合自身企业实践,汇总了不同观点。

未来大模型将会如何发展?有哪些期待?

现场嘉宾认为,未来的大模型会分成三层:最顶层是像腾讯这样的技术公司,提供最普适的基础通用大模型能力;中间一层是像蒙牛这类行业头部公司,依据行业内积累,提供行业专属模型;最后则是一些行业重点企业,会结合自己的数据与需求,形成最后落地的模型。就是基础模型、行业模型和企业自己的模型。未来也希望更多的行业可以做到模型的标准化。

大模型百花齐放,未来这一技术是否给全行业带来深远影响?

现场嘉宾指出,今年年初 ChatGPT 火了之后,众多企业都开始做 AIGC 方面的尝试,也发现其实大家对生成式 AI 的期望经历了一条曲线式的变化,最初认为它什么都能干,几乎可以替换掉所有的岗位,但在实践过程中,这样的想法很快就遇到了上升瓶颈,虽然在生产力上确实有推动,但要是说能够替代哪个岗位还是距离很远的,所以也就慢慢冷静了。未来如何能够在私有大模型上做得更好,这是需要更多的企业共同去一道探索的。

作为大健康领域的服务企业,新时代下对数据的获取和应用方式提出了哪些新要求?

现场嘉宾认为,在大模型的时代,大健康服务企业数字化的关键在于数据、算法和算力三个方面,目前国内企业在算法上不差,和国外的差距主要体现在数据和算力上。腾讯云可以给我们提供算力上的支持,但在数据层还是需要我们企业自己解决。

那么,我们在预训练的过程中究竟需要什么样的数据?现在大部分的数据都是结果型,中间的过程数据还是缺失的,但实际上中间的推理型数据对我们的训练才是至关重要的,也是未来企业应该重点发力的方向。

AI/大模型的落地还有哪些困难?

针对该问题,现场嘉宾指出,关于 AI 我们有很多畅想,但要真正落地其实还面临两个比较大的困难。

第一个困难在于 AI 在正确率上的不确定性。我们一直说 ChatGPT 如何厉害,但主要是在于它能发挥的不涉及到正确率上的能力,比如一篇作文就不会说正不正确,只有好还是不好,是感受性的。我们不介意 AI 的准确率高不高,但是如果不能确定正确与否的问题,这就是一个很大的痛点。

第二个困难刚才大家也谈了不少了,就是行业模型还是很缺乏的。要做行业模型还是需要沉淀,只有沉淀进行了足够的技术与数据积累,才能厚积薄发,迎来新一轮更高的增长。

结语

人工智能时代的新一轮发展,为传统企业的数字化转型带来了又一次的增长推动力。该如何正确看待大模型技术的运用,在未来为企业带来的无限可能;又该在技术上如何更好地运用大模型技术,跟上技术发展,助推企业高效增长,这将是每一位企业技术管理者在未来深入研究分析的关键。

腾讯云 TVP 自成立之初,便怀揣着「用科技影响世界」的美好愿景,践行科技向善的初衷与本心,希望凝结更多专家的实践与思考,推动各行业数字化建设迈向新高度。

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: Redis:你永远不知道告警和下班,谁先到来
下一篇: 代码量锐减 80%,一次祖传代码重构实践
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