前端已死命题背后:UI开发范式的底层变革

图片

图片

👉目录

1 前言:“前端已死”?还是范式转移?

2 为什么传统 UI 开发模式不再适合 AI 时代?

3 数据驱动开发:重新定义 UI 开发模式

4 数据驱动开发的核心原则与实践方法

5 实战案例:灰度发布系统的数据驱动实践

6 数据驱动开发如何与 AI 完美结合?

7 总结:数据驱动开发的核心优势对比

8 结语:拥抱数据驱动,迎接 AI 时代

过去两年间,前端已死的话题甚嚣尘上,各种观点纷至沓来,似乎都在唱衰前端这一开发方向。而随着 AI 技术的进一步突破及其与业务的结合,对前端开发人群同样带来了非常大的挑战。

前端已死,究竟是不是伪命题?为什么前端开发的未来变得晦暗?前端开发人群应该如何自处?AI 带给前端的更多是机遇还是挑战?腾讯云开发者社区特邀内部前端专家,针对这一话题做了深入分析。

关注腾讯云开发者,一手技术干货提前解锁👇

01

前言:“前端已死”?还是范式转移?

最近,“前端已死”这个话题再次登上了热榜,引发了开发者群体的广泛讨论。随着 AI 技术的迅猛发展,尤其是 GPT 等大模型的出现,前端开发领域似乎正面临前所未有的冲击与挑战。

主流观点梳理

目前,社区中主要存在以下几种观点:

  • 悲观派:认为 AI 已经能够自动生成 UI 代码,前端开发者的价值将逐渐被取代,前端岗位将逐步消失。

  • 乐观派:认为 AI 只是工具,前端开发者的核心价值在于创造力和复杂交互设计,AI 无法完全取代人类的创造性工作。

  • 中立派:认为前端不会消亡,但前端开发的工作内容和方式将发生巨大变化,开发者需要适应新的技术生态和开发模式。

前端不是已死,而是开发范式的转移

“前端已死”这一说法过于夸张,但它确实反映了一个重要趋势:前端开发的范式正在发生深刻的转移。传统的以 UI 为中心的开发模式,正逐渐被以数据驱动为核心的新范式所取代。

这种转移的本质并非前端岗位的消亡,而是前端开发者需要重新审视自己的角色定位,拥抱数据驱动开发模式,利用 AI 工具提升效率,专注于更高价值的业务逻辑和用户体验设计。

接下来,我们将深入探讨为什么传统 UI 开发模式不再适合 AI 时代,以及数据驱动开发如何与 AI 完美结合,重塑前端开发的未来。

02

为什么传统 UI 开发模式不再适合 AI 时代?

   2.1 AI 带来的机遇与挑战

AI 的出现极大地提高了开发效率:

  • 快速实现 MVP:AI 能够迅速生成初始版本,节省大量编码时间。

  • 突破打字速度限制:开发者不再受限于手速,专注于创意和逻辑。

  • 快速 review 想法与实现:AI 提供即时反馈,帮助开发者快速迭代。

但同时,AI 在处理复杂 UI 组件时也暴露出明显的局限性:

  • 容易陷入“打地鼠”困境:修复一个问题可能引发更多问题,陷入无尽的修复循环。

  • 生成代码缺乏可维护性:AI 生成的代码可能实现效果相同,但逻辑绕、难以维护。

  • 缺乏抽象能力与反馈机制:AI 在复杂交互和动态渲染方面表现不佳。

   2.2 传统 UI 开发模式的痛点

传统 UI 开发模式存在以下问题:

  • 状态管理混乱:数据和 UI 逻辑杂糅,难以维护。

  • 调试成本高昂:开发者 40% 时间写代码,60% 时间在调试。

  • 缺乏自动化测试:严重依赖热更新预览,反馈周期长。

这些问题在 AI 时代被进一步放大,迫切需要一种新的开发范式。

03

数据驱动开发:重新定义 UI 开发模式

什么是数据驱动开发?

数据驱动开发的核心理念是:

将 UI 设计的复杂性尽可能剥离,转而专注于数据模型的设计。

简单来说,就是把复杂的 UI 逻辑转移到数据层,通过清晰的数据模型驱动 UI 渲染和更新。

707dae54eb51470ce36f6d17b851507d.png

数据驱动开发的优势

  • 更易于 AI 辅助:AI 擅长处理结构化数据,数据模型更容易被 AI 理解和优化。

  • 提升可测试性:数据模型独立于 UI,更容易进行单元测试。

  • 更短的反馈链路:数据模型验证快速,不需要完整的 UI 环境。

  • 提高开发效率:数据层精确控制 UI 更新,避免不必要的重复渲染。

04

数据驱动开发的核心原则与实践方法

   4.1 数据模型的分层设计

数据驱动开发强调数据模型的分层:

  • 原子数据层(Atomic Layer):直接映射 API 返回的原始数据,不可修改。

  • 计算数据层(Computed Layer):基于原子数据进行计算和转换,面向视图需求。

  • 视图数据层(View Layer):纯粹用于 UI 展示,不包含业务逻辑。

这种分层设计让数据流向清晰,职责明确,极大降低了系统复杂性。

数据模型设计图示

5193d5b35cb7ac2d3564343a15e0cd67.png

代码示例

以下是数据模型分层设计的具体实现示例:

// 原子数据层
const atomicState = {
  deployInfo: shallowRef(null),
  nodes: shallowRef([])
};


// 计算数据层
const computedState = computed(() => ({
  progress: calculateProgress(atomicState.deployInfo.value, atomicState.nodes.value),
  activeNodes: filterActiveNodes(atomicState.nodes.value)
}));


// 视图数据层
const viewState = computed(() => ({
  displayProgress: `${computedState.value.progress}%`,
  nodeList: computedState.value.activeNodes
}));

   4.2 数据转换原则

  • 保持原子数据不可变:所有数据转换只在计算层进行。

  • 组合优于修改:通过组合数据生成新数据,而非直接修改原始数据。

   4.1 数据模型的分层设计

  • 并行数据获取:同时请求多个原子数据,减少等待时间。

  • 避免重复请求:通过缓存机制,确保每个数据请求只执行一次。

  • 利用计算属性缓存:避免不必要的重复计算。

// 并行数据获取示例
const fetchData = async () => {
  const [deployInfo, nodes] = await Promise.all([
    api.getDeployInfo(),
    api.getNodes()
  ]);
  
  atomicState.deployInfo.value = deployInfo;
  atomicState.nodes.value = nodes;
};

05

实战案例:灰度发布系统的数据驱动实践

场景介绍:灰度发布系统

灰度发布系统需要处理的数据模型包括:

interface IGrayDeployInfo {
  id: string;
  status: GrayStatus;
  startTime: string;
  nodes: string[];
}


interface IAppSetNode {
  id: string;
  name: string;
  status: NodeStatus;
  version: string;
}


interface IServerInstance {
  id: string;
  nodeId: string;
  status: InstanceStatus;
  metrics: {
    cpu: number;
    memory: number;
    qps: number;
  }
}

传统模式的问题

传统模式下,数据获取、状态管理和视图逻辑混杂在一起:

// 传统模式代码示例
const DeployPage = () => {
  const [deployData, setDeployData] = useState([]);
  const [nodes, setNodes] = useState([]);
  const [loading, setLoading] = useState(false);
  
  // 数据获取混杂在组件中
  useEffect(() => {
    const fetchData = async () => {
      setLoading(true);
      const data = await api.fetchDeployData();
      setDeployData(data);
      setLoading(false);
    };
    fetchData();
  }, []);
  
  // 视图渲染与数据处理混合
  return <Table data={deployData} />;
};

这种方式存在的问题:

  • 状态分散管理,难以维护。

  • 数据获取与视图逻辑耦合,难以测试。

数据驱动模式的解决方案

采用数据驱动模式后:

// 原子数据层
const useAtomicState = () => {
  const state = {
    deployInfo: shallowRef<IGrayDeployInfo | null>(null),
    nodes: shallowRef<IAppSetNode[]>([])
  };


  const fetchData = async (deployId: string) => {
    const [deployInfo, nodes] = await Promise.all([
      api.getDeployInfo(deployId),
      api.getNodes()
    ]);
    state.deployInfo.value = deployInfo;
    state.nodes.value = nodes;
  };


  return {
    ...toRefs(state),
    fetchData
  };
};


// 计算数据层
const useComputedState = (atomicState: ReturnType<typeof useAtomicState>) => {
  return computed(() => {
    const { deployInfo, nodes } = atomicState;
    return {
      progress: calculateProgress(deployInfo.value, nodes.value),
      activeNodes: filterActiveNodes(nodes.value),
      isCompleted: checkDeploymentComplete(deployInfo.value)
    };
  });
};


// 组件使用
const DeployPage = () => {
  const atomicState = useAtomicState();
  const computedState = useComputedState(atomicState);
  
  onMounted(() => {
    atomicState.fetchData('deploy-123');
  });
  
  return <Table data={computedState.value.activeNodes} />;
};

这种模式带来的好处:

  • 状态集中管理,数据流清晰。

  • 数据转换独立分层,易于测试。

  • 视图纯展示,易于维护。

06

数据驱动开发如何与 AI 完美结合?

AI 时代的开发优势

数据驱动开发模式天然适合 AI 辅助开发:

  • 数据转换更易于 AI 理解:AI 更擅长处理结构化数据,提供更准确的转换建议。

  • 自动化测试更高效:AI 能基于数据模型自动生成测试用例,提高测试覆盖率。

  • 渐进式开发更自然:任务分解更清晰,AI 更容易逐步实现和优化。

  • 代码可维护性更强:统一的数据模型规则,让 AI 更容易理解和优化代码结构。

AI 辅助数据模型设计

AI 在数据模型设计中可以提供以下帮助:

// AI 生成的数据模型示例
interface IDeploymentStatus {
  id: string;
  progress: number;
  startTime: string;
  endTime?: string;
  status: 'pending' | 'in-progress' | 'completed' | 'failed';
  nodes: Array<{
    id: string;
    name: string;
    status: 'online' | 'offline' | 'deploying';
  }>;
}


// 原始数据接口定义
interface IRawDeploymentData {
  deploymentId: string;
  startTimestamp: string;
  endTimestamp?: string;
  currentState: string;
  nodeList?: Array<{
    id: string;
    displayName: string;
    state: string;
  }>;
}


// AI 生成的数据转换函数
const transformData = (rawData: IRawDeploymentData): IDeploymentStatus => {
  return {
    id: rawData.deploymentId,
    progress: calculateProgress(rawData),
    startTime: rawData.startTimestamp,
    endTime: rawData.endTimestamp,
    status: mapStatus(rawData.currentState),
    nodes: (rawData.nodeList || []).map(node => ({
      id: node.id,
      name: node.displayName,
      status: mapNodeStatus(node.state)
    }))
  };
};

07

总结:数据驱动开发的核心优势对比

核心优势对比表

对比维度传统模式数据驱动模式
状态管理分散、混乱集中、清晰
数据转换与视图混合独立分层
可测试性难以测试易于测试
开发效率效率低下显著提升
AI 友好度较低较高
代码维护困难容易

数据驱动开发在各个维度都带来了显著改进,特别是在代码质量和开发效率方面。

8506e97c4fcdf2de81ceadaa6fa2734b.png

08

结语:拥抱数据驱动,迎接 AI 时代

AI 时代的到来,迫使我们重新审视传统的 UI 开发模式。数据驱动开发以其清晰的数据流向、卓越的可测试性和与 AI 的天然契合,成为前端开发的新范式。

未来,数据驱动开发将与 AI 深度融合,帮助开发者摆脱繁琐的 UI 组件工作,专注于核心业务逻辑,打造更加智能、高效、可维护的应用。

让我们一起拥抱数据驱动开发,迎接 AI 时代的无限可能!

-End-

原创作者|付志远

感谢你读到这里,不如关注一下?👇

 图片

你对前端与 AI 结合有什么看法?欢迎评论留言。我们将选取1则优质的评论,送出腾讯云定制文件袋套装1个(见下图)。3月13日中午12点开奖。

图片

📢📢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~

图片

(长按图片立即扫码)

📢📢对 DeepSeek 的技术原理、部署教程、应用实践感兴趣的小伙伴,也可以扫下方二维码加入腾讯云官方 DeepSeek 交流群,不定时输出鹅厂大佬的实战教学!

图片

图片

图片

图片

图片

图片

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 1169

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 716

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 1128

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 911

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 625

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 1218

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 2637

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 875

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: 一文讲透大模型应用开发:新时代技术核心竞争力人人都能掌握!
下一篇: 从DeepSeek到Manus:如何实现本地LLM微调+联网开发?
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