十年编程经验一朝面试被刷,技术面试如何提升表现?

3bb4ecaab9e2317d7a630b6b57cadb66.png

9f01acacf46c16823929215582396862.gif

👉目录

1 引言

2 典型案例

3 高级别工程师面试通过率低的多重因素分析

4 提升面试呈现的有效策略

5 最后的话

又是一年金三银四,不同以往的是,当前的职场环境已经不再是那个双向奔赴的美好时代了。求职者在变多,HC 在变少,岗位要求还更高了,面对这样的困境,技术人员应该如何突围?

腾讯云开发者社区特邀前贝壳金服小微企业生态 CTO、腾讯云 TVP ,有着多年技术管理经验的史海峰老师,为大家分享了技术面试中的那些弯弯绕绕,分析了工程师面试通过率低现象背后的问题,并提出了 10 大提升面试表现的策略,希望能帮助大家,找到心仪的工作!

01

引言

近两年我面试了许多高级工程师和架构师候选人,多数工作8年以上,10年以上的也不少,背景都挺好,基本是猎头推荐。然而实际面试中,连初面的通过率都很低,终面通过率就更别提了。不免有些感慨,分析了个中原因,感觉有必要着重强调面试环节中的个人呈现。

曾经写过几篇招聘面试相关的公众号文章,有讨论面试本质的,有校招的,有简历不要造假的,大概因为既不能满足情绪需求,又没给出锦囊妙计,收到过各种差评。

有人认为站着说话不腰疼,作为面试官无疑是屁股歪了,只会抬高门槛,强调软技能,死抠基础知识底层原理,面试造火箭实际上班拧螺丝,面试题恐怕自己都不会,还搞年龄、学历、性别等等歧视,说了许多废话,不就是告诉求职者不配么?招聘的时候画大饼口惠而实不至,要求加班的时候说都是兄弟,裁员的时候却是你们先走我掩护。等着吧迟早有被裁的那一天,不是不报时候未到。

的确,招聘面试是个经典而敏感的话题,众口难调,没啥通用法门,还容易触碰到很多人的弱势心理,但不吐不快,本人不代表任何用人单位,本文难免有视角局限,请各取所需,希望能有一点帮助,仅此而已。

02

典型案例

口说无凭,举例为证。一次常见的面试过程是这样的:

a3f59fd8bc1d5c0dc684cd5a5af41f27.png

您好,请做一个简单的自我介绍。

各位面试官好,我是Tony,2014年毕业于BB大学计算机专业,到目前为止一共有三段工作经历,第一段是在A公司,做Apple系统,第二段在B公司,负责Banana项目,带3个人,第三段在C公司,是架构师,负责Cat系统。最近刚刚离职在看机会,猎头说咱们招架构师,做Dog系统,跟我的经验比较匹配,就投了简历。

(此为简略版,加长版的话会一直说,需要打断才能刹住车。)

9a7068e95daf790d655c4df84c3f454b.png

862e7a3257c75c8e8fc22a0ca2cf429b.png

你的职业发展方向是怎么考虑的?为什么来应聘我们公司,对我们有哪些了解?

(想的是:流水账没啥信息,还得一句句问。)

我虽然带人,但是坚持走技术路线,始终负责核心模块的代码,未来如果有机会再看能不能做技术管理。贵公司应该也在用X技术,我之前在B公司做过,可以发挥之前积累的经验,所以就应聘了。

3df30d56757e8141e9eb2dd6e98a9dac.png

ee1e0562b8eb251a9f600c667281c801.png

既然你做过,遇到过哪些挑战,解决过什么难题么?

(说到X,就问X吧。)

哦!遇到过,有一次系统突然挂了,我们查了半天,怀疑是参数配错了,在网上找了个帖子,照着改了一下,问题就解决了。

(临场发挥100分!)

74fab3e60860743b0e4e2c1271d929f8.png

241fc1d5c68e2fba163a599da4bf8d0d.png

那是改了什么参数?为什么导致了问题呢?

(这是挑战和难题?!)

当时比较着急,系统恢复了就没再看原因。

8f428f6740157daa9ea0a5cb6cdca686.png

318efaff886ae5460f6f7f3c81b77537.png

那你觉得自己最擅长的技术就是X么?

(说是的话,就可以提前收尾了。)

那倒不是,我做Y的时间最长,C公司的Y是我一手搭建起来的。

(刚才X没答好,得换个别的说了,看我再发挥!)

45f5ae22835ff7492a17d9e8beca1e29.png

2b09b913ffc7f1780f6049b3e01afc31.png

好,你说说搭建Y的过程吧。

(哦,那扯半天X干啥,早说你是Y大牛啊!)

是这样,原来B公司用的是Z,用了好多年,版本也特别老,Y是新技术也没人会。我比较关注新技术嘛,就跟领导说让我来调研调研Y,自己搭了一套,很快就上手了,然后就在一个新的项目里直接用上了,后来大家就都用了起来。

(看看我的技术视野,我的勇于担当,我的学习能力)

56baab68104300599620bae53266f043.png

00227dd93d7dc4a615b4521d54dfab18.png

你做的是新技术选型,还有V、W这些同类产品做了对比么?为什么就用Y呢?你们的业务场景有什么要求?用Y没遇到过什么坑么?你们搭了几个集群?原来的Z迁移了么?

(V、W、Y、Z咱都熟啊,题库可以开启了。)

那时候我看大厂都在用Y,V用的不多,W听说过,没想那么多,领导也直接就让用了。Y的确很好用,我遇到的最大的问题是碰上了一个bug,换了种方式给绕过去了,我还给他们提了issue,后来他们真修复了

(看我都能发现开源产品的bug!)

cb14e1d242cfa1da08f6b0b0b973c777.png

c426cfe95f959107454e322162e689ac.png

我看你简历上写负责过系统稳定性建设

(错过了给知名开源产品贡献代码的机会,换个话题。)

对,我们当时U系统不太稳定,Leader让我负责优化,我们梳理了代码架构,看了之前的故障报告,做了压测,分析了各个服务的响应时间,列出了一些风险点,按照优先级整改,前后花了大概三个月的时间,整改之后系统就很少出问题了。

(怎么突然跳到稳定性上来了?)

2a29c62c8f810d90329aa14b2af12eae.png

428b486d299e82b95be090b49d1e96ee.png

你们负责这个系统的团队有多少人?能画一下系统架构图么?

大概7、8个人,我就在白板上画吧!……【此处省略10分钟,包括画图、讲解说明】……

(看我准备够充分吧!这叫有备无患!)

c5538467572c4cb4a76244e725678f29.png

068f91c43793dc10a4945afec9c27aa5.png

你们这个系统的SLA指标要求是多少?优化之前是多少?优化之后是多少?不同级别的SLA,比如3个9、4个9、5个9,需要从哪些方面做设计,才能保障高可用?比如说你用了容器,容器云的SLA是多少?还有你刚才说的主要是性能瓶颈吧?可用性你们都怎么监控?出了问题怎么应急?有没有降级措施?你们公司有要求几分钟必须响应么?

(干脆多给你点机会,能说啥就说啥吧。)

我们的要求是4个9,之前是多少也没统计过。监控是运维团队在负责,容器云是基础架构管的,具体情况我不太清楚。我们有降级,不是自动的,需要手工配置。P0和P1有电话告警,我那时候半夜、周末处理过好几次故障。

(这么多问题,每个都得说说吧。)

9cc18cc0ff614392b8f16fd86577702e.png

4877ab69e730fab61278e8a019e610d2.png

你还负责过哪个比较大的项目么?可以说一说。

……哦最大的项目说来话长了……【前因后果等等10分钟。】

8e9a2b94f2c539dd1e472ca0d435ba86.png

0db913d5c6a220d7c849f29cd7e57315.png

……好……(重点是啥?亮点在哪儿?)

【此处略去技术热点、关注渠道、最近读书、兴趣爱好、团队氛围、管理风格、抗压能力等等软性问题10分钟】

f16318ff9bf470cea94eea70fbc33d9e.png

我简单说下我们公司和团队情况……,我对工程师的要求是……。

(看你不知道,也不问,还是我抢答吧。)

0f1315379846215ddd1d1aa949feb9fc.png

你有什么问题想问我们么?

咱们团队稳定么?变化多不多?我要是来了负责什么?我现在就想在一个团队踏踏实实多干几年。

a425079c0ddd0b27251e6b9244e7b784.png

ee8169823eb447e0f41baa4169d2e79c.png

这我没法说,正常来讲是要负责X,但也不会只做X,而且计划没有变化快,我们会根据项目优先级调配资源。

好的,我能理解,我没问题了。

588f5d207a6036d1c805c48447ec2351.png

71edd8e6e06b8617fd02ffbc65826bc8.png

那好,那咱们今天就聊到这,如果后续有进展 HR 会联系你,感谢你的时间!

这样的面试发生过很多次,重复的剧情经常上演。如果你是候选人,认为自己表现怎么样,有信心超过其他候选人么?如果你是面试官,怎么评价这样的候选人?简单说吧,基本都不通过,即便是待定,最后也多半放弃掉。

03

高级别工程师面试通过率低的多重因素分析

为什么面试通过率这么低?能力不行?潮水落去才看到谁在裸泳?这么说未免以偏概全,我分析主要有以下几方面因素:

  • 市场需求变化导致门槛提升:当前市场环境下,由于 IT 人才供应过剩,企业在招聘高级别工程师时提高了选拔标准,尤其是高层领导参与面试,对候选人的综合能力要求更为严格。

  • 面试能力与工作经验不成正比:即使是拥有8-10年工作经验的高级工程师,在面试过程中也可能因缺乏相应的面试技巧和适应更高标准的能力展示而遭遇困境。

  • 猎头服务质量的影响:目前市场上的部分猎头服务机构仅满足于简单的简历传递,未能为高级工程师提供充分的面试辅导和精准的职业定位。

第一点大家都有感知,但体会未必深切。前些年互联网蓬勃发展,IT 技术人才供不应求,计算机相关专业毕业生不够用,催生了许多 IT 培训机构,也就是说,非科班出身培训过都能找到工作。科班出身再有些好的工作经验,跳槽就不用愁,多半还能涨工资,甚至涨个20%都不算多。那时候招聘,一般招不到最好的,好的会有更好的 offer,就得退而求其次,耐心挖掘候选人的亮点,看潜质,先招进来能干活,再培养,所以多数人只要多投多面,总能跳槽成功,殊不知更多是因为公司是在抢人,哪怕溢价都愿意,因为业务有前景,活儿总得有人干。而今时移世易,供需关系逆转,老板们强调的是降本提效,招聘自然会设置更高门槛,高级别要面试到更高层级领导。领导们时间有限,要求更高,没有时间,不大会耐着性子挖掘亮点。候选人展现不出与众不同的独特优势,当然通不过面试。

搞清楚第一点,第二点就好说了。面试官的要求高了,面试者过去8到10年赶上了好时候,即便跳过几次槽、也当过面试官面别人,却未必碰到过现在这样严苛的筛选和淘汰,沿用之前的经验已经不合时宜。

工作8年以上,应该是某领域的专家级水平,专业技能只是一方面,还需要体现项目经验、领导力、设计思维、行业视野乃至于沟通表达、自驱力、成长潜质等软技能。这么多维度怎么才能在半小时之内最好的呈现出来,使得自己脱颖而出?需要提前准备、练习和复盘,更要有清晰的自我认知,调整好心态。

信息多了要高效处理就得结构化、建立索引、突出重点,不能等着挖掘、搜索,而要主动推送。没错,从门户到搜索到推荐引擎,与此同理,面试的信息输出也需要做好处理,用金字塔原理结构化,通过索引突出重点,主动推送关键内容,给自己打标签。别让面试官在你的简历和回答里挖呀挖呀挖,从各种冗余杂乱的信息里筛选过滤,找闪光点,别相信“是金子迟早会发光”,面试时间有限,哪有功夫搞数据挖掘。挖半天没挖出来的话,对不起,我们尽力了。

04

提升面试呈现的有效策略

接下来按照面试的流程,来提一些建议:

  1. 深入了解目标职位:面试前务必先搞清楚应聘职位的 JD,知道人家要招什么人,如果不够清楚,就问HR或者猎头,搞清楚才好判断自己哪些方面跟 JD 匹配,优势和短板在哪里。应该有一套能力模型,根据应聘职位来在不同维度打分。有些人都不知道自己应聘的部门和职位就跑过来面试,面试聊完了才问应聘的是什么部门,真不知道咋想的。

  2. 简历优化和自我总结:简历最上方应该有自我总结,最重要最有价值的信息一定要在总结里体现,还要有更多隐藏信息足以支撑,少说套话、废话。这样在筛选简历和面试环节对筛选人和面试官都更友好。很多人不写总结,或者只写了掌握哪些技术,有的人总结放在最下面,要是上面的工作经历、项目经验都看完了,总结还有啥用么?

  3. 精心准备自我介绍:面试先做自我介绍,如果面试官不要求,就自己主动提。自我介绍不要超过5分钟,内容重点就是自我总结,表述可以有所调整,避免原封不动复述。自我介绍非常重要,不能意思一下等着后面聊,必须说清楚自己最突出的能力(卖点),吸引面试官注意,引导后续的面试。没错,你就是在推销自己,把自己想象成推销员,掌握主动。自我介绍可以提前练习,找人给自己把关提建议更好。

  4. 自信展示专家风采:面试过程一定要表现出专家水平的自信、对技术的热爱、对工作的认同,不是自吹自擂,但也不要显得多谦逊。工作这么多年,假设你回到大学,面对在校的师弟师妹分享自己的工作经验,应该有很大底气吧?就算已经离职半年还没找到工作,也不能怂,更不能长吁短叹。千万别让人觉得你去了哪个公司没几天公司就挂,命不好的人老板也不敢招啊。

  5. 简洁高效不啰嗦:回答问题要简介高效,直接给答案,不要铺垫,不要长篇大论。面试官有兴趣追问了再往下说,每次回答问题不要超过3分钟,更不要叨叨了3分钟还没说到点子上。掌握有效框架,比如“这个方案有三个维度需要考虑”,哪怕说到一半想起来还有第四个也不要追加,除非太关键了前面三点都不重要。

  6. 主动引领面试进程:接下来的面试中,如果面试官没有问到准备好的突出能力,问了其他领域,可以直接承认掌握不深,再次强调自己的卖点,避免面试官因为个人喜好或者其他原因,偏离你的优势领域。不要在自己不擅长的领域临时发挥,被发现短板只会有负面效果,但自我暴露会好一些。

  7. 适可而止避免过度:面试中可以探讨这个公司在你优势领域的具体实现,但如果面试官不进一步展开,不要追问,过于表现,可能弄巧成拙。今天的你可不是面试官。

  8. 关注技术热点:作为高级别技术人才,应该关注当前最火的技术热点,比如大模型,也应该尝试使用大模型在开发领域的垂直应用——AI 编程助手。没用过 ChatGPT 不能算用过大模型,没用过 Github Copilot 不能算用过 AI 编程助手,只用 ChatGPT 帮着写代码也不算。

  9. 把握主动提问机会:最后面试官不再提问的时候,可以主动提问,包括招聘的职位目前在做什么,要解决什么问题,甚至可以进一步询问面试官的总体感觉,自己和这个职位需求的匹配度怎么样,注意不是问是否通过了面试,另外不要在技术面试环节讨论薪资、加班等方面问题。

  10. 总结复盘反思改进:面试完毕,第一时间总结复盘,回忆面试表现、问题和回答,从面试官角度换位思考,反思怎样改进,争取下次面试有更好表现。和猎头、HR保持沟通,获得反馈,不仅仅是面试结果,最好有更具体的信息。面试所准备的内容素材,至少要能讲一小时,最好跟朋友或者行业资深专家讲一遍,听听他们的建议再调整,接下来就是在一次次的面试中实战检验和提升了。

05

最后的话

列出上面10点之后,明白为什么我说现在猎头的辅导不够了吧?同样因为之前的市场行情太好,很多猎头公司都成了“简历搬运工”,面向高级工程师的猎头顾问可能完全不懂技术,也不会花时间花心思跟进每一个人的情况。遥想十几年前我刚接触到猎头的时候,猎头公司收了我的简历,还专门安排一个懂技术的人来跟我电话“面试”,其专业负责令我刮目相看。现在呢,更专业的猎头顾问仍然有,但服务的是更高的职位,那么我今天分享的这些,也希望对猎头们有所帮助,更欢迎专业人士指教斧正!

以上内容不适用于天赋异禀的选手,如果你是天才少年或者奇门圣手,完全不用关心这些俗套,直接亮大招,打完收工就走,但凡回头多瞧一眼,都算爷今儿心情好。在此祝福所有参加面试的人们心情愉快,毕竟十天之后十个月之后十年之后,生活还在继续,更多美好发生。

-End-

原创作者 | 史海峰

 5a95f140bc5a73fd9b5e528c94a738c8.png

你有哪些面试小妙招或是小趣事可以分享?欢迎评论留言。我们将选取1则优质的评论,送出腾讯Q哥公仔1个(见下图)。4月25日中午12点开奖。

3ee569fbef4d25c6051652aa40e2527e.png

📢📢欢迎加入腾讯云开发者社群,享前沿资讯、大咖干货,找兴趣搭子,交同城好友,更有鹅厂招聘机会、限量周边好礼等你来~

f3725c54b013e2e64dd27d357d01195e.jpeg

(长按图片立即扫码)

a5cbb4f297a8fce8b32016c03b8e8dca.png

841072183973641be50d0087fc69538d.png

1813af211b5ddd8cc74de86894d20969.png

6d9cf87e79e989dbc31f6fe1c340355e.png

1fc52dfe03a2201352f079b1839f1548.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 1167

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 909

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 825

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 842

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 1196

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 2635

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: QQ 9“傻快傻快”的?!带你看看背后的技术秘密
下一篇: 我对GitHub 8.3k Star项目贡献了一次5倍性能提升的PR!
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