欠一屁股技术债仍保住工作其实也并非完全不可能

2a2e6fdc28dbaa3ba0b479a09a9fb13a.png

ac2f57fe9b6c87d0d19b0068366bad79.gif

👉导读

技术债在软件开发过程中不可避免。但是,在紧急的产品需求面前,技术债往往会被人忽略,解决时期一拖再拖。长此以往,技术债像滚雪球般越滚越大,给我们的迭代开发将会带来致命影响,偿还技术债的成本也会成倍增加,所以我们必须重视技术债,积极还债。本文会带领大家一起探讨什么是技术债,技术债的危害,日常工作中哪些场景容易产生技术债,如何管理我们的技术债以及如何偿还技术债。希望本文能够起到抛砖引玉的作用,让大家在技术债面前少踩坑,争取早日达到“债少一身轻”。

👉目录

1 什么是技术债

2 技术债会带来哪些严重后果

3 实际开发场景中的技术债以及避坑指南

4 关于技术债的几个误区

5 如何偿还技术债

6 总结

01

什么是技术债

Wiki 之父 Ward Cunningham 在1992年第一次提出技术债的概念。他说:“代码写好就提交,意味着欠债的开始。稍微欠点儿技术债的确可以加快开发速度,但是前提是事后及时重写代码。如果只借不还,后果很危险。在不准确的代码上所花的每一分钟,都算是技术债的应付利息。不稳固,脆弱的代码实现所引发的债务负担,会使整个工程组织陷入裹足不前的艰难境地”。技术债概念提出后,软件行业对以上定义做了一些修改,如今,技术债既指我们有意识选择非最佳捷径而所犯的错误,又指许多损害软件系统的不良实践,具体包含以下几种类型:

1)不合适(糟糕)的设计。设计存在巨大漏洞,或者业务发生重大改变,之前曾经有效的设计变得不再适用;

2)缺陷。已知的,但还没有时间解决的软件中的问题;

3)测试覆盖不充分。有些地方我们明明知道该做更多测试却没有做;

4)手工测试过多。实际该做自动化测试的时候我们还在做手工测试;

5)集成和版本管理不善。在做集成和版本管理的时候,采用的方式既费时又容易出错;

6)缺乏平台经验。例如,我们大型机应用需要用 COBOL 来写,但是身边精通 COBOL 的程序员却不多;

我们常常可以把技术债归纳总结为以下三类:

低级技术债:又被称为草率的技术债或无心的技术债。只要能够提供适当的培训、更好地理解技术实践的运用、做出合理的业务决策,这些技术债是可以消除的。

不可避免的技术债:这种技术债通常无法预测,也无法预防。例如,我们使用了第三方的一个组件。该组件的接口随着时间的推移不断发展,变得越来越臃肿庞大,从而欠下了技术债,该技术债是我们无法预见第三方组件开发人员将来怎样进一步发展组件而带来的。

策略性技术债:这种技术债可以作为一种工具,帮助组织从经济角度更好地量化和权衡重要的、实效性强的决策。例如:某团队特意做了一个策略性决策,打算把实效性强,但是带有技术债的产品推向市场,等有收益之后再用自筹资金进行后续开发。

02

技术债会带来哪些严重后果

俗话说:欠债还钱,天经地义。同样,欠下了技术债,也是需要及时去偿还的,如果日积月累,将会造成严重后果。具体后果有以下几种:

1)爆发点不可预期。技术债往往以不可预测的非线性方式增长。在原有债务基础上增加任何一点点技术债,都会产生严重危害,远远超过新技术债自身隐含的危害。当技术债达到“临界量”的时候,产品也就达到爆发点,变得不可管理甚至崩溃。这种非线性特征是一个不容忽视的业务风险。因为我们不知道最后一根稻草何时会压垮骆驼,然而一旦发生,后果不堪设想。

2)交付时间延长。偿还技术债意味着我们需要向未来借用工作时间,从而会影响我们开发的进度和节奏;

3)缺陷数量增加。技术债务严重的产品会变得越来越复杂,因而也让开发人员更难把事情做对。

4)开发和支持成本上升。技术债一增加,开发和支持成本会开始增加。过去一直简单又便宜,现在却变得复杂而且昂贵,如下图所示。

b8ac052386c4da8147acbcf2092395d6.jpeg


5)产品萎缩。如果因为技术债的存在,对老产品停止增加新特性或修复缺陷使其失去活力,它对当前或潜在客户就会变得越来越没有吸引力。

6)可预测性降低。如果产品确实已经债台高筑,基本上不太可能进行任何形式的预测啦。

7)表现越来越差。随着技术债越积越多,人们开始预计工作表现逐渐越变越差,进而降低他们对结果的期望;

8)挫折感四处弥漫。高技术债所导致的最不幸的后果是,价值链中的所有人都因此而备受挫折。所有小而烦人的捷径积累在一起,使产品开发工作痛苦不堪。

9)客户满意度降低。随着挫败感增强,客户的满意度也会下降。

03

实际开发场景中的技术债以及避坑指南

在实际开发过程中,很多人都常常将技术债与糟糕的代码等同看待,认为只要我们编写出了足够好的代码,就不会产生技术债——这是一种误解!其实,在我们的日常工作中,技术债产生的原因五花八门,无处不在,让我们防不胜防。现总结出来,供大家参考,以免掉坑。由于本人能力和经历有限,总结难免周全,也欢迎大家评论区查缺补漏。

1)UI 设计阶段考虑不周全所留下的技术债。

经常遇到的场景是,我们在做UI样式还原的时候,为了开始开发比较方便,很多背景色,或者文字颜色都是写死的具体的颜色值。但是,等系统实际要上线的时候,产品突然告诉我们系统需要同时支持普通样式和暗黑模式的样式。写死的固定颜色值,如何同时支持普通模式和暗黑模式?傻眼了吧!类似的场景还包括,在进行客户端非 Native 应用开发的时候,比如 App 中嵌套 H5 的应用,或者类似于 Hippy 这样的离线包应用,刚开始是一个初始版本的样式。可是,随着时间的推移,需要进行皮肤样式的升级,更换另外一套皮肤。如果我们一开始,在应用中把所有的颜色样式都写死,这个时候麻烦又来了,因为我们在这类型的应用中,需要同时支持2种皮肤样式的:旧版本的 App 里面的应用需要仍然支持旧版皮肤,新版本的 App 应用才需要支持新版本的皮肤。简简单单一个皮肤样式的升级,由于一开始我们考虑不周而留下来的技术债,会使我们的样式开发大部分都得重新来过,损失不可谓不大。

那这种情况下,我们该如何避坑呢?一开始,我们在规划 UI 样式开发的时候,就需要引入变量而非写死固定值,如下图所示。我们在一开始就可以规划好,如需要支持2种样式,需要把不同的样式放到不同的文件中,或者把颜色值都放到对应的变量中,在 UI 样式还原的时候,尽量不要写死颜色值,可以用这种变量的形式。用变量还有一个好处,就是能够保证全局样式的统一,就是所有的一级标题颜色都用 C1,所有的二级标题颜色都用 C2……依次类推。后续当我们需要全局更换一级标题颜色的时候,我们只需要修改变量的颜色值即可,不用整个系统查找颜色值来替换。

4135c67eb55f72761965ea3e1bc86e29.jpeg


2)使用框架引起的技术债。

我们在选择某种技术框架的时候,由于对框架的本身调研不够,或者对系统的长远发展思虑不周,导致选用某个技术框架,系统上线迭代一段时间后,突然发现这种框架由于某种技术限制,不能支持系统进一步的开发迭代,需要更换系统框架。这种情况下引起的技术债是非常严重的,最坏情况下可能需要重构整个系统。重构期间,既要重构新系统,又要支持旧系统功能的迭代,苦不堪言。我们曾经就遇到过这样的情况,旧框架完全没法继续下去了,最后只能重新选择新框架,用新框架重新全部重构系统。那么,我们要如何尽量避免框架带来的坑呢?

首先,选择一个框架,我们需要考量框架的生命力,它是不是一个长期有技术团队支持的框架,有没有完善的文档和活跃的开发者社区。如果一个框架的生命力很短,没有技术团队维护,这样的框架后续一定会有坑。

其次,从产品短期发展和5年后长期发展看,该框架是否满足产品需求。很多时候,我们选择一个框架的时候,往往只看眼前。但是,当一个产品功能模块很少,或者用户基数很小的时候,很多问题不容易爆发出来。比如框架的高并发处理能力,框架的性能问题,框架的内存消耗情况,是否存在 OOM 的问题等等。所以我们应该从5年,甚至10年这种长远的眼光来选择一个框架,应该三思而后行,因为一旦后续要更换框架,将会是要付出血的代价。

最后,选择技术框架需要考量开发上手的成本。看看该框架所用的技术栈跟本团队的技术栈是否接近或者一致;看看该框架是否有完善的技术文档可供参考,遇到了棘手的问题,是否有技术支持可以帮忙,这些也很关键。

3)产品需求变更引发的技术债。

在敏捷开发模型下,产品负责人为了快速验证产品是否能够被用户所接受,会快速的验证多个功能,频繁的变更需求,从而会引发以下两种类型的技术债:

第一种类型:某些功能之间是互斥的,导致选用的技术框架也是不同的。比如针对用户反馈模块,在初期版本,产品负责人想要实时聊天类型的反馈功能,主打一个实时性,这个时候,开发团队需要选用一个实时通信的技术架构来支持,应用程序的部署也是不同的;可是等该功能上线后,发现用户的使用率并不高,而且需要特别大的运营人力来支持,很不合适;于是,在下一个迭代周期,废弃了实时聊天的反馈功能,修改为列表展示用户的反馈问题,线下来回复的形式。那么原来的技术架构都需要作废,都需要重新设计,从而带来了额外的技术债。针对这种情况,我们应该跟产品负责人多沟通,多问问产品的长远规划,从长远规划来进行技术选型,避免过度的浪费而引入技术债;

第二种类型:产品负责人在开发过程中,发现了某个紧急情况,需要修改需求文档。该需求文档是经过需求评审的,并且估算了耗时和上线日期。如果在开发过程中修改需求文档,就会增加开发人员的工作量,在开发日期不变的压力下,开发人员会走偏激路线,采用错误的开发模式来赶进度,从而引发大量的技术债。针对这种情况,我们应该杜绝在开发过程中随意修复需求文档,一定要学会说“不”,把新的调整作为一个新的高优 PBI 参与下期的迭代开发,而不是在本期开发过程中来实现。

4)使用组件引起的技术债。

该类技术债主要分为两大类:

其一,是偷懒使用组件而引起的技术债。通常我们只需要组件中的一小部分,或者某一个功能函数,但是却往往引入了整个组件库,这样会带来很多的潜在风险:一方面会增加我们应用打包的体积,或者 js 文件的大小,影响系统的速度;另外一方面风险更隐蔽,由于组件的升级迭代,某个没有被我们用到的部分由于技术升级,与本系统的技术栈不兼容了,导致该组件安装不上,增加了组件引入的维护成本。举个例子,特别常见的是:import * from lodash;但是,lodash 里面包含的函数功能非常多,并不是每一个都是我们需要的,应该需要用到哪一个具体的函数,就引入哪个函数,比如:import get from 'lodash/get'; import filter from 'lodash/filter';

其二,是组件本身的更新迭代带来的技术债。组件本身会经常进行升级迭代,在升级迭代中可能会引入新的功能,需要被迫升级某些底层的依赖库,比如需要升级 NodeJS 的版本。但是,为了这个组件去升级 NodeJS 版本,却给整个系统带来了其它的问题,从而需要修复这些问题,这就是间接引入的技术债。所以,组件的升级,需要提前预告,提前沟通,杜绝“先斩后奏”!

5)编写代码过程中所引入的技术债。

这类型的技术债占比非常高。主要有以下场景:

其一,是技术编码不规范所导致的技术债。例如对象的引用,没有判断是否为空,就直接去用它里面的属性,在正常情况下可能没有问题,但是在某些特殊情况下,该对象一旦为空,则整个程序会报错引发功能异常。例如:this.data.user.salary,data 和 user 对象都可能为空,引用前,做好是否为空的判断可以避免后续的异常;还有,就是文件夹的命名规范,文件的命名规范,函数的命名规范等,如果不认真对待,都会引入技术债。针对代码规范引入的技术债,大家可以去好好学习各类语言的技术规范,这里不一一列举;

其二,是我们偷懒引入的技术债。我们在编码过程中,经常爱偷懒写死一些常量值,特别是中文字符,比如:alert('密码输入错误'); 一般情况下,这么做没有什么问题。但是,如果系统需要支持国际化,这下你可惨啦,修改的代价将会很大。所以,常量建议要放到对应的常量文件里,通过枚举类型来引用;

其三,代码中太多的 // todo,这些都是我们的技术债。我们在开发过程中,由于跟上下游同事有依赖,需要的东西暂时不能提供,于是,就在代码中写了// todo 作为提示。但是,时间一长,我们早就忘记了这样的 // todo, 从而造成了潜在的系统风险,增加了我们的技术债;所以,每一个// todo需要作为一个需求单记录下来,放入需求列表中,时时刻刻提醒我们,以免遗忘;

最后,是由于经验不足,在不经意间引入的技术债。例如:

if (getCookie('uid')) {


// todo some login logic        


}

在正常情况下,用户登陆后,都会在 cookie 里面种下 uid,退出,会把 cookie 里面的 uid 删除,看起来一切都没有问题。但是,如果系统接入了企业微信登陆,企业微信登陆并不会在 cookie 里面种下 uid,从而导致系统的登陆异常。如果系统各处的鉴权判断都是引用上面的方式,那么系统的改造工作量可不小!针对这种不稳定的因果关系可能导致程序变得难以修改甚至引入 bug,我们在编码时,需要养成良好的编码习惯,所有的技术细节需要进行函数的封装,例如:我们可以把 getCookie('uid') 这种技术细节,封装到一个 isLogin 的函数中,通过引用 isLogin 函数来判断用户的登录与否。后续一旦要修改登录逻辑,也只需要修改 isLogin 这一个函数,不用维护整个系统。

if (isLogin()) { // todo some login logic }


function isLogin() { return getCookie('uid') || getCookie('uin')}

针对这类型的技术债,我们还需要做好代码的 code review,找更高级别的同事帮忙 review 代码,尽早找出代码中的异常,将损失减小到最小。

6) 由于误用数据从而引发的技术债。

这种场景常常发生在 APP 系统开发中,一个系统数据的输出,直接是另外一个系统数据的输入,没有做任何版本的隔离限制。例如,我们在进行“明星意图”模块的迭代开发,开始用播放量作为二级标题;后来由于某种管制,不允许外露播放量,于是去掉了播放量字段,替换为来源字段。如果不做任何版本的隔离限制,直接发出去,旧版本的用户在前端还是用播放量字段作为二级标题,但是现在该字段已经在后端删除了,将会引发程序的功能异常。所以,在进行 APP 功能模块迭代的时候,尽量做好版本的隔离限制,避免引入技术债。

7)由于数据库的设计不合理从而引发的技术债。

在应用开发早期,由于数据库的设计或者规划不合理,从而引发的技术债,非常常见。场景有:

其一,某些字段的类型定义错误了,比如把数字类型定义为了字符串类型,或者没有考虑到系统的发展,少定义了字段,需要进行更多字段的添加,从而造成了技术债;

其二,分库分表设计的不合理,从而造成技术债。分库分表对与数据库的设计异常关键,设计不好,会造成很多问题,比如,分页,排序,跨节点联合查询的问题;事务的一致性问题;全局唯一关键字的问题;历史数据的迁移问题等等。所以,数据库的分库分表设计最好采用比较成熟的架构模式来进行,减小不必要的技术债;

其三,由于 SQL 语句引发的技术债。常见的在 SQL 语句中写死很多字段值,查询值等,或者关联更新和删除等,都会引发系统后续的潜在问题;

8)由第三方系统引入的技术债。

我们在应用开发过程中,无可避免会使用很多第三方的系统,比如 CI/CD 系统,比如监控系统,比如日志系统等等。正常情况下,我们开发流畅,相谈甚欢。但是,突然有一天,某个 CI/CD 系统突然告诉我们说某某日,我们的系统由于降本增效,人力不足,不能再维护了,需要下线,那么系统必须要增加工作量迁移到别的 CI/CD 系统中去,将会给系统增加技术债。

04

关于技术债的几个误区

在进入技术债务的偿还阶段前,我们有必要理清一下关于技术债的几个误区。

误区一:只要代码足够完美,就可以避免技术债。很多人都认为技术债是写代码的人一手造成的。只要代码写的足够完美,考虑的足够全面,就可以避免技术债,这个是错误的。上篇我们也分析了技术债产生的众多场景,有很多不是代码人员可以掌控的,有的可能是产品提的需求文档的不完善,也有可能是某些第三方系统所引起的,让人防不胜防。

误区二:减少测试可以提高速率。很多人认为测试属于额外开销,只要减少测试,就可以提高速率,这也是错误的。实际是减少测试既会增加债务又会减缓速率。因为问题潜伏很深,越晚发现,修复所花时间就越长,所产生的技术债就越大。例如:我们之前在进行一个列表功能开发的时候,用了一个列表组件,技术人员为了快速上线,只做了功能方面的测试,忽略了性能测试,等系统上线后,一个月内都没有发现问题。一个月后,广告的开发团队在列表中接着增加了广告位和三级列表筛选。广告位很快就卖出,广告功能着急上线,突然做性能测试的时候发现之前用的列表组件有性能问题,三级筛选功能的增加,导致列表记录数大增,会导致大量的OOM的问题,列表必须重构,否则系统无法上线。后来实在没有办法,只能跟客户协商,阉割三级筛选功能的同时,快速替换列表组件,列表页面和广告功能都需要重新开发,造成了非常不好的影响。

误区三:所有的技术债都必须尽快偿还。其实并不是所有的技术债都应当偿还。有些情况下的技术债是可以不用偿还的,现总结为以下三种:

1)行将就木的产品,技术债可以不用偿还。如果产品已经累计大量技术债且已经临近生命周期的终点,再投入大量精力偿还技术债就是财务不尽责了。如果产品的价值不高,就不要偿还技术债了,可以让产品退市,把资源投入性价比更高的产品当中去;

2)一次性原型,不用偿还技术债。有时我们为了获得知识或者验证某个结论而创建的一次性原型,它不是为了市场而设计的,所以可能会欠下一些技术债。由于它们是一次性的,所以也没有必要偿还其中的技术债;

3)短命的产品,由于经济因素可能支持不偿还技术债。组织通常不会开发预期只有三个月生命力的产品,我们更愿意开发能够长销的产品。所以,那些短命的产品,哪怕是多花一个子儿去清理系统,都将会是罪过。

05

如何偿还技术债

如何偿还技术债?首先就是要管理好我们的技术债。

技术债和财务债一样,必须加以管理。没有哪个产品可以做到无债一身轻,我们应该尽量少欠技术债,使其不至于明显影响后续产品的开发。技术债的管理要求综合考量技术和业务因素,因此离不开技术人员和业务人员的参与。管理技术债有三个主要活动:

1)管理应计技术债。在达到临界量之前,我们能够承担的技术债就那么多,在某个时刻,我们必须叫停,否则后果很严重。如何叫停?首先,我们需要停止向产品增加低级债务,再也不粗心大意和添乱了。所以,我们需要使用良好的技术实践,理解并使用这些实践;同时,还需要多学学其他团队所走过的坑,有效避坑。其次,对于积累下来的技术债,在适当的时机进行代码重构是一个非常重要的减轻债务的工具。重构用于改变既有代码主体的一种规范技术,在不改变软件外在行为的前提下调整其内部结构,即把软件内部清理一遍。我们力图通过重构改善可维护性和扩展性,同时降低复杂度,从而让我们的手头开发工作更容易。

2)使用“强完成”。在敏捷开发中,很多团队对PBI的验收,采用“完成”和“完成”-“完成”的概念。针对这两个概念举个例子,周末老师给我儿子布置了家庭作业。周末睡觉前,我问儿子,明天就要上学了,老师布置的作业你都做完了吗?儿子回答说,我做完了,这是儿子口中的“完成”。第二天,我去学校接儿子放学,在校门口碰到了老师,我寒暄几句后,顺口问老师,儿子的家庭作业做得怎么样,老师说:“他家庭作业没有做完呀,作文让写500字,他才写了300字。。。”,这是老师口中的“完成”。应用到工作中,就是,我们在验收一个功能需求的时候,不能开发自己认为完成就结束了,还需要获得客户所认为的“完成”。没有满足客户需要的工作不能叫完成。使用强完成,就是要强化需求的验收标准,制定一个完成定义检查表,可以要求团队在宣布工作潜在可发布之前,根据完成定义检查表完成各项工作检查,如下图所示。完成定义检查表中所包含的技术细节越多越好,积累的技术债的可能性就越少。

595d71bfe6e8f8d7278c1ee3c36be6fc.jpeg


3)让技术债可见。让技术债可见,需要在整个团队中达成共识。一般有这样两个方面:

其一,让技术债在业务层面可见。很多产品开发团队中,技术开发人员还能看出来产品技术债处于什么状态,但是产品和运营人员却是一问三不知,不知道技术债的数量和类型。要偿还技术债,首先需要让我们的产品和业务人员能够清晰的看到产品的技术债。我们可以采用量化技术来量化技术债,使其在业务层面可见。量化技术债的技术很多,可以根据各个团队不同情况来进行。举个例子,有的团队是用金钱来量化技术债,形成技术负债表,从而使其在业务层面可见。如我们在进行敏捷项目开发的时候,每个固定迭代开发成本为10万元,开发需求的速率是20个需求点,那么每个需求点就是5000元。然后我们可以对所有的技术债进行一个需求点的估算,进而转化为技术债所对应的金额,如下图所示。

719cba0dec97a060d23748f7e2ce86e3.jpeg


其二,让技术债在技术层面可见。这里有三种方法:

1)方法一,我们可以把技术债当作缺陷录入缺陷管理系统,从而把技术债跟系统的功能缺陷放在一起,让技术开发们在解决功能缺陷的时候,时时刻刻都看到技术债的缺陷。

2)方法二,为技术债创建 PBI,每一个技术债都是一个 PBI,将其放入产品需求列表中,定义它们的优先级,参与每个迭代的需求排期。

3)方法三,创建一个特殊的技术债列表,在其中清晰的列出每一项技术债。任何时候,只要发现新的技术债,开发团队成员就可以创建一个新的技术债条目加入技术债列表。技术债列表以何种形式存在以团队而定。有的采用技术债白板贴在墙上,有的采用便利贴或卡片记录在白墙上,在进行产品需求迭代会的时候,团队就可以实时看到这些技术债,从而考虑该迭代中是否要安排偿还某一些技术债。

如何偿还技术债?常常有以下一些方式和方法。

1)并非所有的技术债都需要偿还。在技术债的几个误区中,我们已经详细说明,行将就木的产品,一次性原型,短命的产品,这些产品产生的技术债,我们不需要偿还;

2)应用童子军规则:有债就还。有一条童子军规则:“离开营地时,要让它比你进去时更干净。如果发现营地脏乱,就应该清理,不管罪魁祸首是谁”。按照这个规则,在每次产品改动时,我们都要尝试让产品的设计和实现方案更好,而不是更差。如果开发团队成员在做某产品的时候,发现了一个技术债问题,就会清理问题。这么做不只是因为对他自己有好处,更是对整个开发团队都有好处。为了解决这个问题,团队可以在每次迭代开发的时候,预留出来一定比例的时间来用于偿还技术债。一种方法是提高某些单个 PBI 的大小估算,从而为额外技术债预留时间;另一种方式是在团队迭代计划会上,将技术债作为 PBI 参加评审,单独为偿还技术债预留一定的时间。

3)分期偿还技术债。在某些产品中,技术债的水平非常高,团队要一次性付清所有的技术债难度很大,就可以采取分期,分步骤来偿还技术债。我们可以把技术债拆分为更小,更容易修复的一个个的小 PBI,分布在不同的迭代开发中,像偿还房贷一样,每个月都去偿还一部分。每次迭代开发需要承担多少目标技术债,由整个开发团队在迭代计划会议上协商解决。

4)先偿还高息技术债。例如,有这样一种类型的技术债,一个经常改动的模块,其他很多代码都依赖它,由于它已经变得越来越难以修改,严重影响到开发效率,所以我们迫切需要对它进行重构。我们一直都在为这个债务付息,修改越多,在其上所欠的债务就越多,很快就会出现债务累累的情况。针对这类型的债务,我们要重点关注,优先偿还。

5)一边做产品需求,一边偿还技术债。把偿还技术债,溶于产品的需求开发中,避免专门用单独的迭代开发周期来削减债务,这样做的好处有:其一,将技术债的削减工作与客户有价值的需求相结合,有利于产品负责人合理安排需求的优先级;其二,让整个开发团队清晰的认识到,减少技术债是大家共同的责任,不得拖延或授权给其他人或团队来完成;其三,它能够让我们避免浪费时间去清偿实际不必要的技术债。

06

总结

将技术债划分为低级技术债,不可避免的技术债和策略性的技术债,可以让我们更清晰的了解技术债的特点,每种技术债所产生的原因和具体场景,从而让我们能够有针对性的去偿还产品技术债。偿还技术债,一定要首先管理好我们的技术债,让技术债可见,然后,再来制定相应的偿还计划。由于技术水平有限,分析总结难免有疏漏之处,还希望大家能够在评论区留言讨论。

-End-

原创作者|熊才刚

70734adc13d35038ed4d96b0aeb20022.png

你有什么处理技术债的经历或技巧吗?欢迎分享。我们将选取1则最有价值的评论,送出腾讯标准型Q哥1个(见下图)。11月6日中午12点开奖。

0f34745985ba42ca90a5429e50de9f1d.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~

5a1298b71037564e475463d5219e092d.png

(长按图片立即扫码)


c0dc761d07f2831f9c205c56a1366a66.png

9ff9ed3dc95de425f484600a1904bb72.png

5b7fd3d7d67766c4134aef903efd4ee1.png

17ed40d973af47445965a5f920610adc.png

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 1168

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 715

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 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 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 910

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 624

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 1170

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 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 2636

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 674
上一篇: 腾讯重磅技术创作特训营:创作避坑与AI提效指南 | 分享抽键盘长鹅
下一篇: 史上最全后台开发成长指南
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