回归单体成为潮流?腾讯文档如何实现灵活架构切换

02bb26718bacec9018b610edacfe131b.gif# 关注并星标腾讯云开发者

# 每周3 | 谈谈我在腾讯的架构设计经验

# 第11期 | 腾讯文档实践:灵活切换单体服务与微服务架构

软件架构从来没有所谓的银弹,好的架构除了良好的设计,更少不了持续的迭代优化。腾讯文档在业务挑战之下,实现了一种灵活切换单体、微服务的架构设计方案,对业界同类型同场景项目具备较高可借鉴性。本文将详细介绍腾讯文档在实现单体服务和微服务切换过程中所采用的具体方法和技术,以及所取得的收益。

5bfe49c958eccb9d2a664120f1ba30a3.png


在软件开发领域,选择合适的架构设计至关重要。单体服务和微服务架构各有优缺点,分别适用于不同场景。本文将重点探讨腾讯文档如何在这两种架构之间灵活切换,以适应不同业务场景的需求。

单体服务架构将所有功能集成到一个应用中,简单且易于维护,适合中小型项目。但随着项目规模扩大,可能面临可扩展性差、部署困难等挑战。相反,微服务架构将应用拆分为多个独立服务,具有解耦、隔离、弹性等优势,适用于大型项目。然而,微服务架构使系统更复杂,需要考虑服务拆分、调用、部署等方面,可能导致成本增加。

腾讯文档面临在单体服务和微服务架构之间做出权衡的挑战。在 C 端场景中,用户规模庞大,需要快速迭代;在私有化场景中,面临运行成本、维护成本等挑战。为了充分利用两者优势,腾讯文档采用了一种灵活的架构策略,在不同场景下实现切换。本文将详细介绍腾讯文档在实现单体服务和微服务切换过程中所采用的具体方法和技术,以及所取得的收益。这些经验将为其他项目在面临类似挑战时提供有益的借鉴。

e3e263a6d763b97fdcfbfe44b2ad18ca.png

a6007958127caab10a00826eefef1200.png


当微服务的劣势成为系统的瓶颈时,我们需要重新评估单体服务的使用。私有化部署的腾讯文档就是这样的一个场景,其 C 端场景有 100+ 个微服务,如果把这 100+ 个微服务原样地迁移到私有化上,将面临:

  1. 高运行成本:每个微服务内部都要运行一套 tRPC-Go 框架运行时,它重复占用了大量的内存和 CPU 资源。而对私有化客户来说,他们的文档服务可能只有几十到几百人使用,这样的运行成本是不可接受的。

  2. 高部署成本:每个服务都需要维护 tad 描述文件。按照半年到一年的版本更新节奏,每次更新时,需要更新所有这些服务的 tad 描述文件,这是一个巨大的工作量。

  3. 高镜像分发成本:每个微服务都需要打包成镜像,然后分发到私有化客户的服务器上。所有微服务的镜像总大小已经超过了 10GB,给分发带来了很大的挑战。

这时单体服务就显得非常有用了,然而我们并不希望从头开发一个单体服务,重新再实现一次所有的功能。我们需要的是一个灵活的架构,即:可根据需求把所有微服务随时合并成少数几个单体服务,在保留微服务优势的前提下,消除其劣势。

如下图所示,我们的目标是在 C 端场景中,仍然以微服务的形式部署在 TKEx 平台上;而在私有化场景,我们将微服务合并成少数几个单体服务。

702a577517603360bc53d2721497beda.png

24ed625068cff50e177d1ab879c16809.png


为实现微服务与单体服务之间的灵活切换,我们开发了一个名为 monolith 的工具来完成服务的自动合并,这个工具依赖于一个配置文件,如下所示:

modules:
  - name: monolith-module1
    merged_servers:
      - name: microserver1
        ...
      - name: microserver2
        ...
  - name: monolith-module2
    merged_servers:
      - name: microserver3
        ...
      - name: microserver4
        ...

这个配置文件描述了我们需要输出哪些单体服务,以及这些单体服务从哪些微服务合并。此外,我们还利用了自动化技术,将检测和生成单体服务集成到每次 MR 中。

通过这些工具和流程,我们能够在保证代码质量的同时,快速地将微服务合并为单体服务,以满足不同业务场景的需求。当然,在开发过程中,也遇到了很多挑战,主要包括以下方面:

   3.1 挑战一:各式各样的框架

腾讯文档已经持续迭代了 5-6 年,在此期间,尝试过多种不同的框架,如 tRPC-Go、tRPC-Cpp、SPP、LSF 等。然而,支持所有这些框架的灵活切换既不现实也没有必要。

经过了近一年的整改,实际上绝大部分服务都已经采用了标准的 tRPC-Go 框架,也遵循腾讯文档既定的规范进行开发。因此,我们只选择了那些使用 tRPC-Go 框架的服务进行整合。

tRPC 框架已开源,详情请阅读:《腾讯开源 tRPC:多语言、高性能 RPC 开发框架》

当然,有一些服务在 tRPC-Go 框架上进行了魔改,例如不使用 trpc_go.yaml 配置文件,而是通过 Go 代码定义所有配置。这种服务无法被合并。因此,所有需要合并到单体服务的微服务都必须使用腾讯文档约定的标准化方式开发。

除了框架不同之外,腾讯文档还有一些小仓服务,这些小仓服务从一开始就不在我们的考虑范围之内,直到它们被合并到大仓为止。幸运的是,现存的小仓服务也就 3-5 个,已不再是我们需要关注的问题。

   3.2 挑战二:大相径庭的配置

tRPC-Go 框架支持灵活的 plugin, filter 等扩展方式,为业务带来了很多便利。然而,这也对我们落地单体服务的灵活切换带来了挑战。过去,腾讯文档不同的团队针对基础功能各自开发了不同的组件,比如配置中心、日志组件、CGI 开发组件等,导致配置存在差异。

以业务配置为例,私有化场景中,部分服务读取本地的配置,部分服务通过 trpc_go.yaml 的 plugin 中来读取业务配置。这种情况下,使用本地文件来读取配置的路径可能产生冲突,因为它们基本上都是 ${APPPATH}/config/app.yaml 。所以,我们开发了统一的配置组件,通过 plugin 来读取业务配置。微服务和单体服务的配置结构如下所示:

微服务的配置:

plugin:
  config:
    app:
      providers:
        serverA:
          app.yaml:
              foo: bar
              foz: baz

单体服务配置:

plugin:
  config:
    app:
      providers:
        serverA:
          app.yaml:
            foo: bar
            foz: baz
        serverB:
          app.yaml:
            zoo: bar
            zoz: baz
        ...

此外,一些插件配置的合并也存在问题。比如某个插件的配置结构如下:

plugin:
  type-foo:
   name-bar: 
    key1: value1
    key2: value2

在微服务环境下独自运行时,这种配置没有问题。但在合并到单体服务后,每个服务的配置不同,就会产生冲突。为解决这个问题,我们对此类插件进行了改造,形成了如下的配置结构:

plugin:
  type-foo:
   name-bar: 
     service1: 
       key1: value1
       key2: value2
     service2:
       key1: value2
       key2: value1
     ...

除此之外,还有一些配置冲突,如多个服务使用相同名字的 Redis,但它们的 target 指向不同的 Redis 实例地址,这种冲突在配置合并过程中也需要解决。

   3.3 挑战三:随意修改的状态

tRPC-Go 框架提供了许多全局变量让用户使用,以便业务开发者能灵活地调整某些功能特性,如 http.DefaultServerCodec 和 restful.Marshaller 等。在微服务环境下,随意修改这些全局变量可能不会带来很大影响。但对于单体服务,任何对这些全局变量的改动都可能影响到其他服务的功能。一般而言,我们禁止随意修改公共的全局变量,但对于一些必须要修改的全局变量,我们采取了多种不同的策略。

策略 1: 开发通用的插件

基于有些需要修改 http.DefaultServerCodec 的服务,我们提供了统一的 CGI 开发组件,这个组件会基于 tRPC-Go 的能力,提供一个叫做 cgi 的全新的 protocol,它提供了统一的标准化的应答结构:

3532849b9ad9b0cdbab47ccea9c1ef0d.png

策略 2: 分模块硬隔离

而对于那些需要修改 restful.Marshaller 的服务来说,我们采取了另一种做法。观察到所有需要修改 restful.Marshaller 的服务都属于同一类服务,且它们对此全局变量的修改内容是一致的,因此我们为这些服务独立了一个单体模块,让它们和不需要修改此变量的服务从根本上隔离开来。

   3.4 挑战四:隐秘角落的臭虫

有一些隐藏的 Bug 在微服务独立运行时并不会出现,一旦合并到了单体服务,它就会慢慢浮出水面,打你个措手不及,然后让你回味无穷。请看下面这段代码:

func Register(s *server.Server) {
  someserverpb.RegisterSomeServerSomeService(s,newSomeServiceImpl())
}

乍一看,这段代码似乎没有什么问题。然而,问题就出在 RegisterSomeServerSomeService 方法的传参上,它把 server.Server 传递进去了,在 tRPC-Go 的实现中,它会遍历这个 server 所有的 service,然后将 newSomeServiceImpl 的返回值注册上去。在单体服务中,它会将所有之前注册的 service 都覆盖掉,最后 CGI 在访问时返回 404。更不幸的是,这种问题的定位相当繁琐。

这只是其中一个例子,实际情况中我们遇到的问题远远不止于此。但面对种种这样的问题,我们并不是束手无策的,在此,我愿分享一些个人经验供大家参考。通常,定位这类疑难杂症时,我会运用一种名为“二分定位法”的方法来查找问题。这个名词是我自创的,具体实施步骤如下:

  1. 首先明确问题。例如,在上述示例中,我需要确认 /foo/bar 这个 CGI 访问时是否真的会返回404,以及这是否是由服务合并所导致的后果。因此,我需要在原始微服务环境下验证这个 CGI 访问是否正常,而在单体服务中,它是否会返回404。

  2. 明确问题后,我们可以去掉一半的服务,然后观察是否正常。如果表现依旧,那么就继续去掉一半的服务。如果表现恢复正常,我们就增加当前1/2数量的服务。这样,很快就可以定位到究竟是合并哪个服务导致了这个问题。这个步骤类似于二分查找法,但由于它用于定位问题,因此我称之为“二分定位法”。

当然,要想更快速地定位问题,仅依靠此方法还远远不够。有时候还需要结合调试、日志等一系列手段。如果问题是由并发导致的,甚至还需要仔细分析存在并发的代码片段。幸运的是,并发导致的问题通常具有极强的不确定性,因此很容易判断问题是否由并发引起。

   3.5 挑战五:花样百出的变更

在实现单体服务与微服务之间的灵活切换后,可能会遇到各种变更带来的问题。例如,某个服务在合并运行一段时间后,突然出现故障。如果不采取一些措施,这种情况可能在由数百个微服务合并的单体服务中变得难以避免。

幸运的是,我们在设计之初就仔细考虑了这种情况。我们会在每次 MR 中,通过流水线进行自动检查,包括检查服务是否仍然满足合并约束(如配置是否仍然能合并,代码结构是否仍然符合规范等)。当然,这仅仅是我们一开始采取的措施。从长远来看,这还不够。在后续规划中,我们还将集成接口测试、端到端(e2e)测试等。

借助这些自动化功能,我们可以对每次变更保持信心,确保它们不会破坏合并兼容性。

在克服上述各种挑战之后,我们惊喜地发现最终的工具模型变得非常简单明了。最终它浓缩成了一个简单的模版文件:

// Code generated by backend/tools/monolith, DO NOT EDIT.
// Package service rpc入口层。
package service


import (
    {{- range .MergedServers}}
    {{.}}service "docx/backend/application/{{.}}/service"
    {{- end}}


  "git.code.oa.com/trpc-go/trpc-go/server"
)


// Register 注册 pb service 实现。
func Register(s *server.Server) {
    {{- range .MergedServers}}
    {{.}}service.Register(s)
    {{- end}}
}

这个模板会根据配置,将所有经过标准化处理的服务注册到单体服务中,从而生成最终的单体服务代码。这种简洁高效的实现方式不仅提高了开发效率,还降低了维护成本,为实现单体服务与微服务之间的灵活切换提供了有力支持。

cce14108dccb2aab861f8f241b329e81.png


相较于微服务架构,单体服务架构的收益颇为可观,主要体现在镜像大小、内存占用以及链路性能方面。下面是腾讯文档的某个模块(原微服务数量是 4 个)在单体化之后的一些典型场景的数据对比:

指标

单体服务架构

微服务架构

节省百分比

服务二进制大小(MB)

68

264

0.74

内存占用(MB)

670

1722

0.61

CPU使用量(核数)

4.99

6.43

0.22

接口平均耗时(ms)

9.3

9.8

0.05

更为可观的是,我们预测在全面单体化之后,最终交付的总镜像大小将降低 75%,总内存占用将降低 96%。

通过实施单体服务架构,我们可以在保留微服务优势的前提下,显著降低系统资源消耗和提高性能。这种灵活的架构策略有助于根据不同场景和需求,实现资源的合理分配和优化。

-End-

原创作者|安佳玮

你怎么看最近放弃微服务回归单体的所谓“潮流”?欢迎评论。我们将选取1则最有价值的评论,送出腾讯云开发者社区定制鼠标垫1个(见下图)。12月20日中午12点开奖。

d5b9ba56c44f9dc67b24f1f595514df2.jpeg

📢📢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~

03cf475a5457307c5c8633dd0783d592.png

(长按图片立即扫码)

cc10f113354f57b3be162d2ab14903e2.png

71719e48fd5ac20c4b6f2941545e2f81.png

ce6340e02c8c8f932327065219a78cf6.png00e0a192a942508f0780811e599d211a.png

6034ed6d6908c5d578a923bc3443de47.png

关注并星标腾讯云开发者

第一时间看鹅厂架构设计经验

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: 年终福利|鹅厂重磅AI绘画训练营带你玩转SD
下一篇: Python过气,Hadoop凉了?零基础项目实战诠释何为经典
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