资深技术专家热议:下云风潮下企业该如何抉择?

引言

随着数字化的推进,很多企业都将上云作为数字化建设的重要指标,很多研究也表明上云可以帮助企业节约成本、提升效率。然而,近期下云风波似乎和云化的趋势唱了一个反调,我们应该如何理性看待下云潮?云计算的下一站将走向何方?

带着一系列问题,腾讯云 TVP 推出了「下云」专题系列解读文章,分别从百家争鸣议下云、上云怎样降成本、云上如何高可用三大方向层层递进,邀请多位业内专家发表观点,以大咖视角探热点风向,看云计算未来发展。

本文为系列第一篇:百家争鸣篇,我们特邀多位业内知名技术专家齐聚一堂,且让我们一起聆听大咖对于上云和下云都有哪些见解,一起把脉上云与下云的未来。

一、上云or下云,企业应从自身出发

关于企业该不该下云,目前众说纷纭。一方面,下云的确会带来短期的成本降低。不过,也有一些专家对此观点提出了质疑。他们认为,虽然下云把用云成本降下来了,但这同时意味着企业需要购置更多的服务器,建设更多的服务中心,两相比较之下,其净收益反而增加不少。

为何在当前,企业会选择下云呢?益企研究院首席研究员 张广彬认为,当经济形势不好时,企业便开始关注成本节约,审视基础设施和人力投入等开支的回报率,实现“降本增效”。某券商架构平台负责人 史海峰表示,“下云能省钱”的现象在当前的市场环境下确实存在,这主要是企业业务的停滞甚至收缩,从而导致企业需要降低成本以保持竞争力。云计算的优势在于其计算和存储资源的横向伸缩能力以及快速部署服务的能力。这种模式的本质是以空间换时间。当整体业务不再高歌猛进时,企业可能会选择减少云资源使用以降低成本。

其实,企业关注的最关键一点是在于能否省钱。上海标准化创新中心(物流)研究员 彭爱华认为,"省钱"才是核心,而非下云。从财务角度来看,将应用部署在公有云上,通过按需付费减轻资金压力,有效提高现金流的灵活性,可以根据业务需求进行资源扩缩。值得一提的是,成本其实可以包含绝对成本和相对成本,我们需要区分这两者。某集团公司 CTO 于游指出,下云对于中小型企业来说,如果只考虑一两年内的相对成本,会在财务报表上呈现出显著的提升效果。然而长期来看,下云的绝对成本往往远高于使用云服务。这是由于相对成本的节省相对简单,只需比较云支出和硬件支出的部分。而绝对成本包括研发、运维和基础设施投入等项目,涉及到多个方面的人力成本和硬件设备成本(如安全设备),以及设备维护和应急情况下的边际成本。

也有专家指出,企业选择上云还是下云是综合衡量的结果,不能仅仅考虑省钱。永洪科技 CEO 何春涛认为,在部分场景的确下云可能比上云省钱,但这样的场景占比并不高。上海标准化创新中心(物流)研究员 彭爱华也表示,下云所考虑的节省成本常常忽略了租用机房、电费、带宽、服务器维护和人员等成本的增加,而云计算环境可以有效降低总拥有成本。因此,在考虑下云时,应从数字化和业务角度综合评估云计算带来的成本、安全性和效率优势。业内知名技术专家 徐巍认为,任何事情不能一概而论,对于云计算行业,抛开规模谈云计算是否能省钱是不对的,上云可以解决企业快速部署、提供一揽子的 IaaS、PaaS、SaaS 能力和解决方案,让企业能聚焦在业务本身,而不用花很多时间和资源在基础设施的能力建设上。同时提供弹性计算,应对业务快速扩缩容,并且能充分利用云商生态的资源,侧面帮助企业快速增长。

值得注意的是,并非所有企业都适合下云,下云也并不一定能让企业都实现省钱的目标。乐凯撒 CTO 黄道泳提及,企业要实现"下云省钱"的目标,需要具备一定规模的服务资源和强大的运营团队。只有具备这些基础,才能实现下云省钱的诉求。对于大部分中小规模企业而言,使用云服务是最低成本的选择,可以节省大量时间和人力成本用于基础建设和运维。清华大学五道口金融学院“数字中国”企业家项目高级主管 唐鑫龙对此观点也表示认同,推特作为一家有能力做云计算的企业,可以通过自建算力和数据中心来降低运营成本。但在中国,云服务市场竞争充分,云厂商的定价包括服务器成本、运维成本和合理的毛利。因此对于大部分甲方企业来说,自建云计算基础设施会比采购云服务成本更高。

企业究竟是选择上云还是下云,一定要结合自身具体情况具体分析,做出正确选择。宸邦数据技术创始人 曾宪杰认为,上云的企业下云,没有上云的企业上云,都是基于企业自身需求的合理选择。企业决策时需综合考虑团队情况、业务需求、硬件成本、团队稳定性和发展空间等因素。积梦智能 CEO 谢孟军说道,企业在决定是否上云或下云时,应该综合考虑自身的需求、资源和风险,并制定适合自己的策略。开源中国 CTO 红薯也表示,企业应根据自身的技术储备和业务形态做出实际判断。对于 Gitee 这种大规模系统而言,上云未能明显节省相应的运维成本,但对于小规模系统来说,使用云服务确实能省去不少麻烦。中国信通院低代码/无代码推进中心技术专家 沈欣指出,若企业的业务对算力需求稳定,那么上云可能并非必要。上云可以节省机房、服务器和运维成本,以及大量互联网流量的宽带成本。然而,当企业达到一定规模,业务稳定,特别是原生数字化或互联网企业,并且拥有足够的技术人才储备时,使用自建机房的成本可能会低于上云。此外,下云现象仅与企业的成本核算和资源核算相关,下云意味着企业预期在一段时间内的增长率不高,这在当前经济环境下是企业的常态。科大讯飞技术中心副总经理 陈尔冬认为,针对云计算是否省钱取决于具体情况,如果已有基础设施团队且不增加负担,下云可能省钱,但组建团队可能难以确定综合收益。业务形态和弹性需求会影响下云效果。同时,上云和下云不是二选一,许多企业利用混合云模式,以低成本承载固定资源份额,通过公有云满足突发或灵活需求。混合云模式适用于成本高但规模不到自建云级别的大型企业。

萃橙科技合伙人 白德鑫总结到,根据业务情况和发展阶段选择云服务或本地化私有服务应该取决于企业现状和发展需求。在早中期,业务变化大且资源有限,过早投入本地化私有服务并不明智。因此,云服务是一种灵活高效的解决方案,适用于不同阶段的业务需求。对于我们这样的创业公司而言,考虑成本因素,早期研发和产品验证阶段并没有预算用于运维团队,而是由研发人员兼顾一部分运维工作。在这时,云服务能够节约大量人力成本,并且无需担心安全问题。随着业务扩大和产品发展,云服务对于应对突发计算和流量、实现自动扩容和弹性变得更为重要。当业务和产品成熟后,我们会考虑采用混合云架构(公有云+私有云),以保持系统稳定性、可扩展性和弹性。在架构选择方面,我们会将热门业务模块和数据放在云上,而对于冷数据和温数据则进行本地化维护。例如,用于 AI 训练的数据以及定期进行的 AI 训练模型和算法可能更倾向于私有化甚至本地化处理。总之,完全下云并完全私有化并非必然最佳选择,更好的做法是根据业务情况和发展阶段选择不同的架构,而不是盲目追求本地化。

知名前端技术专家 大漠穷秋认为,尽管云计算发展中存在复杂架构、开发、部署、运维难题和高成本等问题,但下云是不可行的。大型企业仍然需要云计算的可扩展性、高可用性和便利的运维等优势。同时,并非所有企业都具备下云的技术积累,像 Twitter 这样的企业并不具备一般企业可以参考的能力。此外,下云并不意味着放弃云计算,而是自行构建分布式架构在自己的数据中心内实现基本架构原则。

其实,关于上云和下云之争,正如永洪科技 CEO 何春涛所言,这二者关系就好比买房和租房的矛盾,“上云”就好像是租房住,“下云”则好像是买房住。在现实中,租房和买房都各有其利弊。因此,我们必须结合自身情况选择上云还是下云,方能走出正道。

二、下云并不意味着云计算拐点将到来

尽管下云一时间引发热议,但并不意味着云计算的发展已经迎来了拐点。或许受经济周期的影响,在一定时期内,云计算的用户增长会出现一定的放缓,但至少在最近的十年内,公有云应该还是大多数中小企业的最佳选择。

益企研究院首席研究员 张广彬表示,长期来看,云计算仍然是 IT 产业的发展趋势,经过 2020—2021 年的“反常”增长之后,回落本是必然,加上整体经济形势的影响,“下云”的案例有所增多,或者被舆论放大,不必过于担心。在一定时期内,云上和云下会在一定范围内动态调整,很少有绝对不能改变的。

云计算的发展前途是光明的,未来仍有无限发展空间。永洪科技 CEO 何春涛认为,在当前阶段云计算发展趋势并未到达拐点,云计算行业仍处于发展期,尽管增速将逐渐放缓,但未来三五年仍有巨大潜力,将持续增长。正马软件 CTO 沈淦指出企业"下云"实际上更多是将业务从公有云迁移到私有云或混合云。云技术仍在迅速发展,从基础能力建设扩展到对上层应用的影响。云原生应用、网格技术和应用使能的发展,正在深刻地影响着各个技术层面的迭代。

数字化和云计算的发展密不可分,两者相辅相成向前驱动。某券商架构平台负责人 史海峰认为,云作为基础设施,仍然在行业数字化转型和技术升级中扮演重要角色,因此仍具有持续发展的趋势,但在运营层面需要更精细化。上海标准化创新中心(物流)研究员 彭爱华坚称云计算是数字化的必要条件,没有云计算,数字化则是空中楼阁。清华大学五道口金融学院“数字中国”企业家项目高级主管 唐鑫龙表示,中美市场环境差异导致对下云的选择不同,不能简单归结为云计算发展的下行拐点。数字化是持续的生产力升级之路,算力和存储需求呈指数增长,云计算规模化建设是不可逆转的趋势。清华五道口“数字中国”企业家课程项目中的讨论表明,选择上云或下云不能凭感觉或追逐潮流,而应以业务价值为目标,进行综合核算和 ROI 评估。对于大多数业务而言,数据上云更安全,算力上云更经济,流程上云更高效,管理上云更透明。数字化变革是提高生产力的有效途径之一,上云也是其中重要的选择之一。

AI 为云计算带来了新机遇,其仍有巨大的增长空间。科大讯飞技术中心副总经理 陈尔冬认为,中国云计算目前在整个软件市场份额仅占 3-5%,AI的新浪潮为云计算带来新的机遇,而从面向服务器的软件架构向面向云的软件架构的转变只是刚刚开始的革命。云计算的发展确实迎来了一个拐点,但这个拐点并不是指整个云计算的终结,而是指 IaaS(基础设施即服务)的发展已经达到了一个广泛共识的阶段。越来越多的云原生企业(指那些从一开始就完全依赖公有云,没有自有基础设施的企业)开始兴起。云计算市场已经从争夺 IaaS 建设和市场占有率的时代转变为利用 IaaS 基础设施和新一代高性能硬件的优势,重构面向服务器架构的软件的时代。知名前端技术专家 大漠穷秋看来云计算的发展前景仍然光明,特别是随着 AI 的兴起,将出现更多的业务场景,如显卡算力租用和虚拟数字人等。

此外,企业的需求也将持续推动云计算继续向前发展。宸邦数据技术创始人 曾宪杰提出,一些公司(如 Twitter)从公有云迁移到自己的设施,并不代表云计算的发展趋势即将萎缩。首先,云计算的发展不仅仅限于公有云,许多企业选择了私有云作为替代方案。其次,在软件领域没有一种万能解决方案,公有云本身也不会是每个企业每个阶段的最佳选择。因此,目前一些企业选择下云,这只是在云相关技术更加开放和成熟的情况下必然出现的现象。盛派网络 CEO 苏震巍认为云计算并没有到明显的拐点,尽管部分原先的优势逐渐丧失,但对中小型企业仍具有吸引力。当企业面临无法自行处理这些事务时,它们可能会寻求外包服务。从企业的角度来看,许多企业的“下云”并非真正放弃云计算,而是从公有云转向自己维护的云计算中心。

当前,云计算优势依旧明显。畅销书《DevOps 权威指南》和《技术赋能 数字化转型的基石》作者 顾黄亮认为云计算仍然具有灵活性、弹性和可扩展性等众多优势,能够满足组织不断变化的需求。大多数企业和组织仍然选择将核心工作负载部署在云上,以享受云计算带来的好处。以腾讯云为例,其产品不断扩展,包括行业云、边缘云、云边协同和超算等,为企业提供了多样化的云解决方案。此外,随着技术进步,云计算的成本也在逐渐降低,增强了其经济性。因此,下云只是一时的现象,反映了云计算在某些方面仍面临挑战和限制。然而,云计算仍然是未来发展的趋势,将继续发挥关键作用,为企业和组织提供灵活、高效的 IT 解决方案。

三、冷思考:与其争论是否下云,企业更值得关注应对之策

伴随着科技的飞速发展,云计算技术也在不断演进,为我们带来了前所未有的便利。未来,云计算将进一步向边缘计算、混合云、量子计算等方向扩展,展现出更加广阔的发展前景。不久的将来,云计算行业很可能迎来一个全新的时代。但面对当前“下云潮”带来的挑战,企业又该如何破局而生?

借助公有云是中小微企业未来发展的有效对策。宸邦数据技术创始人 曾宪杰认为公有云的发展仍在持续增长阶段。对于中小微企业来说,采用公有云可以带来很多便利,减少许多繁琐的事务。对于公有云服务商来说,应该不断提升产品能力和服务水平,提供更有价值、有差异化的产品和服务。

也有专家认为混合云才是企业破局的一剂良方。上海标准化创新中心(物流)研究员 彭爱华认为企业在采用云计算时,可以考虑混合云方案,将专有云与公有云整合在边缘防火墙中。如果专有云和公有云能够直接共享 API 或采用容器化方案,企业的数字化应用将得到巨大的灵活性和成本优势。他尤其看好云计算领域包括与双碳结合的绿色环保、低碳的云服务,例如利用清洁能源等。第三极区块链 CEO 响马指出,未来灵活的混合云将是各大企业的有效解决方案。它允许用户在私有云和公有云之间灵活调度应用和资源,最大程度发挥两者优势,通过扩展公有云的运维系统到私有云,帮助拓展云服务边界。这种新的混合云模式提供便捷、灵活的云服务体验,根据需求动态调整资源分配和应用部署,提高运营效率、降低成本。某券商架构平台负责人 史海峰声称企业下云不能盲从,需要调研和评估。云计算与物理机架构相比,需要达到一定规模才能体现成本和效率优势,在规模足够大的情况下,用云的成本更低,可以更充分挖掘服务器资源潜力,同时使用相对更灵活。此外,针对不同场景,可采用混合云、容器、虚拟机和物理机并存。益企研究院首席研究员 张广彬表示综观近年来“下云”的成功案例,不是大型企业,就是有高度专业的 IT 团队,往往兼而有之,但即使这样的企业,也通常会保留混合云方案。

企业可采取创新的解决方案来进行破局。永洪科技 CEO 何春涛认为,如果企业的业务规模较小且仍处于发展阶段,未来的发展不确定,那么下云就不是一个明智的选择,选择具有高度弹性的云计算反而更合适。积梦智能 CEO 谢孟军表示企业考虑采用“下云”的策略,即将部分应用程序和数据从云端迁移到本地环境中。虽然这样做可能降低云计算成本,但也可能带来资源管理和维护复杂性增加,以及数据安全性和可靠性风险等其他挑战。一些企业在面临云计算成本增加的问题时,采取了创新的解决方案,通过采用新技术和架构来优化应用程序和数据的管理。企业可以通过优化和管理云资源、采用混合云模型、加强监控和管理,以及进行冷思考来应对“下云”现象,这些策略可以帮助企业在云计算发展中取得更好的平衡和效益。中国信通院低代码/无代码推进中心技术专家 沈欣强调数字化发展未来将朝着精细化方向发展,将事物分解并以不同方式处理。生产工具的发展帮助进一步发展生产力。因此,更应该讨论如何将业务在云和本地部署之间精细分配,以实现低成本和高可靠性的目标,而不仅仅是云上或云下的问题。

面对当前境况,不仅需要企业做出相应的调整,云厂商也需要为此做出一些改变来适应整个市场的变化。某集团公司 CTO 于游认为云计算的下一个阶段应更加注重服务概念,将中小型企业无法实现的相关业务转变为友好的共享服务,突出云基础设施的特点,并针对不同行业进行细分。重要的是突出云服务的壁垒和不可替代性,并在绝对成本上为企业节约开支。科大讯飞技术中心副总经理 陈尔冬非常期待云厂商能够推出更多令人意想不到的云计算产品形态,同时也希望有更多的创业公司能够在云计算领域探索新的商业模式或架构模式。

结语

面对下云潮带来的影响,企业应该结合自身情况做出选择,下云并非意味着云计算迎来拐点,但对于下云引发的争议我们更需关注应对之策。正如某券商架构平台负责人 史海峰所言“科技永向善,未来在云端”,上云仍是大多数企业的不二选择。而具体对于不同发展阶段、不同行业的企业而言,又该如何合理选择云计算与本地化部署,才能实现真正的“降本增效”?云原生时代如何保证云上的高可用?我们将在后续两篇专题系列文章中为你继续揭晓。

参与讨论专家:

曾宪杰:宸邦数据技术创始人

顾黄亮:畅销书《DevOps 权威指南》和《技术赋能 数字化转型的基石》作者

史海峰:某券商架构平台负责人

彭爱华:上海标准化创新中心(物流)研究员

张广彬:益企研究院首席研究员

何春涛:永洪科技 CEO

黄道泳:乐凯撒 CTO

红薯:开源中国 CTO

谢孟军:积梦智能 CEO

唐鑫龙:清华大学五道口金融学院“数字中国”企业家项目高级主管

于游:某集团公司 CTO

徐巍:业内知名技术专家

响马:第三极区块链 CEO

沈欣:中国信通院低代码/无代码推进中心技术专家

苏震巍:盛派网络 CEO

白德鑫:萃橙科技合伙人

沈淦:正马软件 CTO

陈尔冬:科大讯飞技术中心副总经理

大漠穷秋:知名前端技术专家

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 401

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 1158

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 424

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 711

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 713

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 1118

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 708

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 705

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 902

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 819

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 464

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 571

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 621

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 838

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 755

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 1160

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 1216

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 1202

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 1194

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 2625

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 626

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 607

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 583

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 870

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 700

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 885

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 758

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 417

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 710

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 672
上一篇: 别再用GDB了,一文掌握Go最好用的调试器Delve
下一篇: 2024年如何成为技术创作KOL?| 分享抽龙年公仔
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 6290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