混沌工程&FMEA——可用性隐患分析治理最佳拍档

ade341203ea0fcab9f6758d59b74f9fa.png

91d895917b643def590adac94a05596c.gif

👉目录

1 什么是FMEA?

2 为何需要 FMEA?

3 FMEA 分析

4 混沌工程&FMEA

5 什么是混沌工程?

6 混沌&FMEA 实践案例

7 小结

本文讨论了混沌工程和 FMEA 在软件架构设计中的应用,目的是提升系统可用性。首先解释了 FMEA,一种起源于美国军方的风险评估工具,用于预防产品或服务中的问题。文章详细说明了 FMEA 在软件架构中的步骤,如功能点识别、故障模式描述、影响分析、严重度评级、故障原因和概率分析、风险度计算,以及措施制定。接着介绍了混沌工程,这是一种测试分布式系统弹性的方法,通过模拟故障来识别问题。结合两者,文章通过案例分析展示了如何运用混沌工程和FMEA进行架构优化和效果验证。强调了持续治理的重要性,并介绍了腾讯云云顾问混沌平台的应用,它支持架构管理和可用性治理。总结认为,混沌工程与FMEA结合能有效提升系统可用性。

在软件架构设计领域,设计一个高可用的架构往往比高性能的架构更加复杂。主要是因为架构越复杂,涉及到的组件就更多,会出现故障的地方就越多,只要有一个故障在设计的时候被遗漏,那么这个架构设计理论就存在可用性隐患,依照经典的“墨菲定律”,可能发生故障的地方最终都会发生,那么这个可用性隐患迟早都会发生,这只是时间问题。那么有什么科学高效的方法可以帮助我们在做系统架构设计的时候(当然也可以是对现有架构的分析改进等环节),尽可能“全面”地分析系统的可用性呢?

混沌工程+FMEA(Failure Model and Effects Analysis,故障模式与影响分析)就是一套进行可用性隐患治理分析的非常有效的方法。

01

什么是 FMEA?

故障模式和影响分析 (FMEA) 最早由美国军方于 20 世纪 40 年代发现,用于识别设计、流程、产品和服务中所有可能的问题或故障。此工具通常在产品或服务的设计或提案阶段使用,以积极研究可能的风险并发现其影响。FMEA 包含两个部分:

  • 故障模式:发生的故障、问题和事宜。

  • 影响分析:故障影响的分析。

FMEA 是一种主动发现业务流程中潜在故障的方法,通过找出故障可能发生的位置并确定其影响,防止故障发生或减轻其影响。FMEA 是一种系统性方法,用于识别和解决故障原因,有助于防止代价高昂的制造问题,提高产品质量和服务可靠性,并提高客户满意度。

尽管最初是在军事领域建立的方法,但 FMEA 方法现在已广泛应用于各种各样的行业,包括半导体加工、餐饮服务、塑料制造、软件及医疗保健行业。FMEA 之所以能够在这些差异很大的领域都得到应用,根本原因在于 FMEA 是一套分析和思考的方法,而不是某个领域的技能或者工具。

02

为何需要 FMEA?

FMEA 是一种风险评估工具通常在设计阶段或对现有流程提出变更建议时执行,以便主动了解可能发生故障的位置并发现这些故障的可能严重性。执行 FMEA 很重要,因为它有助于确定需要优先对流程的哪些部分进行变更,以消除或降低故障概率。

03

FMEA 分析

应用到软件系统架构领域,FMEA 的分析步骤可以参考下图。

ec2d355da344dc2ae3d9bee26b7cb870.png

FMEA 其实就是填写一张分析表,分析表包含如下信息。

   3.1 功能点

FMEA 分析的功能点是从客户的角度出发的,而不是从架构部件角度出发的。比如商城系统的登录功能可以视为一个功能点,而不是将存储模块视为一个功能点。

   3.2 故障模式

故障模式就是描述系统可能发生的各种故障形式,比如 MySQL 数据库服务中断10s。这里的故障模式不是说具体的故障原因,而是呈现出来的故障形式,相同的故障形式可能会由多种故障原因(网络隔离,主节点宕机等)导致。对于故障模式的描述应当尽可能量化,避免使用泛化的描述。比如这里描述为 MySQL 数据库服务不可用就比较泛化,很难评估具体的影响范围,通常 MySQL 短时不可用和长时间不可用是两个不同概念,对系统的影响有可能是云泥之别。

   3.3 故障影响

描述某类故障模式对系统产生的具体影响,比如,造成20%用户无法登录商城。和故障模式的描述一样,也是尽量用量化描述,这样才对影响有一个具体的印象。

   3.4 严重程度

即是对不同的故障模式下的故障影响进行评级,可以根据具体业务设定不同的评定标准。下面是一个简单的示例。

  • 致命:超过50%的用户无法登录。

  • 严重:超过20%的用户无法登录。

  • 高:超过10%的用户无法登录。

  • 中:超过60%用户登录时间超过 5 秒。

  • 低:10% 的用户登录时间超过 5 秒。

   3.5 故障原因

“故障模式”中只描述了故障的现象,并没有单独列出故障原因。主要原因在于不管什么故障原因,故障现象相同,对功能点的影响就相同。那为何这里还要单独将故障原因列出来呢?主要原因有这几个:

  • 故障原因发生概率不相同

    例如,导致 MySQL 查询响应慢的原因可能是 MySQL bug,也可能是没有索引。很明显“MySQL bug”的概率要远远低于“没有索引”;而不同的概率又会影响我们具体如何应对这个故障。

  • 故障原因检测手段不一样

    例如,磁盘坏道导致 MySQL 响应慢,那我们需要增加机器的磁盘坏道检查,这个检查很可能不是当前系统本身去做,而是另外运维专门的系统;如果是慢查询导致 MySQL 慢,那我们只需要配置 MySQL 的慢查询日志即可。

    故障原因的处理措施不一样

  • 例如,如果是 MySQL bug,我们的应对措施只能是升级 MySQL 版本;如果是没有索引,我们的应对措施就是增加索引。

   3.6 风险程度

风险程度就是综合严重程度和故障概率来一起判断某个故障的最终等级

风险程度 = 严重程度 × 故障概率。

因此可能出现某个故障影响非常严重,但其概率很低,最终来看风险程度就低。比如,故障模式是机房断电,故障原因是海啸;从业务层面来看,机房断电带来的影响可能是致命的,但是海啸发生的概率是极低的,综合评估下来因海啸导致的机房断电的风险程度就是比较低的。

   3.7 已有措施

针对具体的故障原因,系统现在是否提供了某些措施来应对,比如:检测告警、容错、自恢复等。

   3.8 规避方法

规避措施指为了降低故障发生概率而做的一些事情,可以是技术手段,也可以是管理手段。例如:

  • 技术手段:为了避免新引入的 MongoDB 丢失数据,在 MySQL 中冗余一份。

  • 管理手段:为了降低磁盘坏道的概率,强制统一更换服务时间超过 2 年的磁盘。

   3.9 解决措施

解决措施指为了能够解决问题而做的一些事情,一般都是技术手段。例如:为了解决发生单机房掉电故障,在其他机房再部署一套容灾服务。

   3.10 后续规划

综合前面的分析,就可以看出哪些故障我们目前还缺乏对应的措施,哪些已有措施还不够,针对这些不足的地方,再结合风险程度进行排序,给出后续的改进规划。

04

混沌工程&FMEA

FMEA 可以帮助我们在对系统架构进行可用性分析,诸如功能点、故障模式、故障原因以及故障概率通常可以针对架构进行静态分析得出,但是对于故障影响、严重程度、风险程度这类分析点通过静态分析一般来讲是经验值,不可靠的;而这类分析点才是做好高可用设计的关键。

通常,在进行 FMEA 分析时,正如之前图中描述的一样,是假定架构中的某个部件发生异常,然后基于此,去分析系统会出现什么样的表现,很显然,这一阶段对分析者(通常是架构师)的经验有很强的依赖;对于新设计的架构,架构师也许可以通过其丰富的经验精准地评估故障影响、严重程度、风险程度;一旦分析一个存量的架构,或者需要在原有架构上新增其他架构,就算有再丰富的经验,通常很难评估出系统面对故障时真正的表现以及产生的影响。

因此,FMEA 方法是科学有效的,但是想要较好地落地实践却绝非易事。实践过程中最大的难点就是模拟某个部件发生异常。而混沌工程正好可以大大降低模拟故障的成本,并且爆炸半径可控,因为混沌工程是引入真实有效的故障,可以让架构师真实地看到系统的真实表现,而不是依靠其经验,更易得出精准故障影响、严重程度、风险程度评估。

05

什么是混沌工程?

混沌工程是一种在分布式软件系统中进行测试的方法,旨在通过主动引入故障和错误场景来验证其在面对随机中断时的弹性。这种方法基于混沌理论,即系统中的微小变化可能导致不可预测的宏观行为。混沌工程的目标是识别并修复系统中的潜在问题,从而提高系统的稳定性和可靠性。并根据系统在各种压力下的行为表现来确定优化策略的一种系统稳定性保障手段(类似“疫苗”)。

06

混沌&FMEA 实践案例

下面以一个简单的商城系统为例,介绍使用腾讯云云顾问混沌平台以及 FMEA 实践案例。

   6.1 梳理架构

下图是使用「腾讯云云顾问-云架构」画的一个简单的云上商城系统架构,用户经过 DNS Pod 域名解析之后,到达 CLB,经过 CLB 转发到对应的 Nginx 集群中,Nginx 做负载均衡,将流量分发到对应的模块服务上,MySQL 负责数据存储,Redis 做缓存。

9c5f48beaac6ff9d3ed87d8ea88285c0.png

   6.2 FMEA 静态分析

dc990c28e171d9bd581d89f965289895.png

上表是针对该架构进行的 FMEA 静态分析示例,有兴趣的同学可以尝试分析架构的其他部件。

从表中3个分析点中,1号和3号分析点的故障模式很明显是单点故障,通过静态分析就能够确定所带来的故障影响以及严重程度。

相对于2号分析点,仅仅通过静态分析,并不能得到量化的影响,只能是推测出可能产生「部分用户登录延迟达到 3s 以上,部分用户登录出现超时无法登录」的影响,但是实际上呢?

  • 到底多少百分比的用户会登录失败?

  • 到底多少百分比的用户只是出现登录延迟?

  • 除了这这2个能预见的影响还有没有其他的影响?

  • ......

   6.3 混沌工程注入动态量化分析

很显然,仅仅通过对架构图分析,很难回答上面的几个问题。这个时候,可以通过腾讯云云顾问混沌平台,针对2号分析点的故障模式,对运行用户服务的 CVM 注入「主机内网络延迟」故障。

af6cfcf088759e1cb67bd14129eafb10.png

通过正常的打量测试,便可以得到量化故障带来的实际影响,而不单单是推测。像这种类似的简单混沌分析,可以通过「腾讯云云顾问-云架构」中的混沌插件模式,快速选中对应节点进行混沌演练。

7a9292b385fa0105ed8081ad23af91ef.png

配置故障动作参数。

49cafa6da62ed3c0e5f84b7e816605d3.png

执行混沌故障演练。

1228f971b7fe5df584c3793cfd513642.png

通过混沌工程,主动向用户服务所在 CVM 资源注入「主机网络延迟」故障,我们可以分析故障的具体影响。

假设我们这里分析得出约在 300QPS 下,90%的用户出现登录延迟3s,10%的用户会出现超时无法登录。那么我们对于2号分析点就有一个量化的影响指标而不再是一个模糊的印象了,也就对架构就有了一个更加准确的理解,这对于后续的可用性优化非常关键。

   6.4 可用性优化措施设计

经过 FMEA 静态分析以及混沌动态分析之后,就可以根据业务需要,对于需要优化的隐患进行架构优化,设计对应的措施。

  • 1号分析点:很明显的单点问题,可以增加部署冗余的 CLB。

  • 2号分析点:经过混沌故障分析,在系统设计的 300QPS 访问下,90%的用户都能正常登录,虽然有延迟,但是比完全不能登录的影响程度要好很多;为了减少延迟的用户以及进一步降低无法登录的用户量,架构层面可以采用部署一套冗余的用户服务,系统层面可以在 Nginx 增加网络探测能力,动态调整请求分发。

  • 3号分析点:发生 CDB 主节点故障通常是客户侧很难预测的场景,架构层面同样可以部署一个冗余的数据库,与主库不在同一个可用区,并通过 DTS 与主库保持数据实时同步;系统层面需要数据访问中间层具备主库不可用时,及时切换至备库的故障转移能力。

接下来,我们可以进一步完善 FMEA 分析表格。

3e6b5a3f3eaa7380f6a51059e204d0b0.png

   6.5 解决措施混沌验证

在设计并实施好对应故障模式下的解决措施之后,系统就一定完全按照预想的故障应对措施进行故障转移吗?想必没人敢打保票吧。就算是真正发生和预想的故障完全一致的场景,因为解决措施的实施过程很难保证万无一失,保不齐其中某一个小细节有遗漏,那么对应的应对措施是否能完全有效,这里是需要打个问号的;换言之,心里还是没有底的。

因此,在实施措施之后,进行混沌验证是很有必要的,通过再次主动引入故障,同样可以清晰准确将系统的韧性展示出来,如果验证通过之后,那么这个措施就被认为是有效的,真正上线之后在面对相同故障时,对系统的可用性是有清晰的把握的,不至于胆战心惊。

继续以之前商城的案例,假设我们按照 FMEA 分析表格中的解决措施进行可用性优化,优化后的架构图如下:

bc9e64efb154f86398fee926eac60d94.png

对优化的架构进行混沌验证,就不再是针对某个分析点单独的验证,当然也可以进行单独的验证。对于单独的验证场景,同样可以使用之前提到的在云架构-混沌插件中进行;若想要更加灵活和复杂的故障场景模拟(比如同时模拟 CLB 以及 CDB 故障),可以前往「腾讯云云顾问混沌平台控制台」进行复杂混沌演练编排。

这里以在控制台创建演练为例,演练编排如下:

02fbc5bd832e61f008faf562dd0e162b.png

按照演练编排进行混沌演练,并在演练过程及时记录系统表现,观察系统是否按照预期的措施处理引入的各种故障以及设计的解锁措施是否真的有效。

   6.6 持续的可用性治理

在完成混沌验证之后,对 FMEA 分析表中的故障模式应该都有比较清晰把握了,从架构层面和系统层面都应该具备了应对故障模式发生时影响的能力,整个系统的可用性相较于之前得到大幅度提升。

相应的解决措施经过混沌验证有效之后,就可以把对应措施移动到“已有措施”栏位,同时也将该措施沉淀为团队的可用性治理经验,便于后续的可用性治理经验复用,提高可用性治理效率。

腾讯云云顾问混沌平台提供演练计划可以方便用户快速对类似 FMEA 分析表中的各种分析点进行混沌 Game-Day。

Gameday(游戏日)是混沌工程实践中的一个概念,指的是在一个特定的时间段内,团队成员共同参与并组织一系列混沌实验。这些实验可以包括故意引入故障、中断网络连接、关闭服务器等,以测试系统的弹性和故障恢复能力。Gameday 的目的是模拟真实世界中可能发生的故障场景,从而帮助团队提前发现和解决潜在问题,提高系统的稳定性和可靠性。

5653a6ed592a6ed50586f68cd35f5519.png

一次可用性治理可以解决当前系统存在的可用性隐患,可一旦系统进行迭代变更,或多或少又会引入新的结构和部件;为了能够让整个系统可用性稳定,持续的可用性治理是必不可少的环节,若只在系统设计之初进行一次可用性分析与治理,那么越到到后面,前面所做的一切可用性治理努力带来的成果将会不断被稀释直至消失。

a7ea06790fda548abe5edb0605ea940e.png

正是因为如此,腾讯云云顾问混沌平台也基于架构纬度,提供了「应用管理」,是一套完整的可用性治理解决方案,可以将架构图涉及到各种组件资源统一纳管,依靠腾讯云云顾问-云巡检每天巡检资源/架构隐患的数据,计算出整体架构的可用性分数,并提供混沌验证,验证得分也将成为可用性分数的一部分。用户通过应用管理,可以清晰地看到目前存在的隐患,以及整体可用性分数的趋势,便于进行持续的可用性治理。

e110412718a192bf30404e4b51619fb8.png

不仅如此,腾讯云云顾问-混沌插件也整合这部分能力,可以在架构图上清晰地看到各个部件节点的隐患信息,并结合腾讯的隐患治理经验推荐演练方案,用户可以随时快捷进行混沌演练可用性分析或者可用性验证。

07

小结

本篇向大家介绍了一种有效的可用性治理方法 FMEA,并以一个简单的案例介绍了如何借助腾讯云云顾问混沌平台进行实践。FMEA 只是一种方法论,并没有完全的固定的模式,其中的分析栏目可以根据具体业务酌情取舍,最终的目的都是提高系统的可用性。正如文中提到的,FMEA 虽然理论上有效,但是实践起来的成本相对较高。混沌工程的理念刚好和 FMEA 的实施过程中的难点契合!可谓是可用性隐患分析治理最佳拍档。混沌与 FMEA 搭配使用,可用性治理变得有效同时还更高效。

-End-

原创作者|张仕华

📢📢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~

a95adb17a48b4f35f3e2fd8e8bb84981.jpeg

(长按图片立即扫码)

fd0eadb85a752db9cef749518141b301.png

6f724546a987445f7c32289c95a4eb81.png

c274428bf3c7691f9379a7e37593bd54.png

38c23658f054a3f83855cf2145567f44.png

0ff265f8bb7a793eeae7687f23232ec6.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 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 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: 资金账户系统的设计
下一篇: 一文搞懂大模型!基础知识、 LLM 应用、 RAG 、 Agent 与未来发展
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