一文看懂支付系统架构之第三方支付

6114a89d6c211fbc56c2c8910efaabcf.png

3f10a36b4bb6b3c66e709c5179efd70b.gif

👉目录

1 在线支付背景

2 生活中的支付

3 备付金

4 直联 vs 间联

5 清分 vs 清算 vs 结算

在《篡改微信余额技术可刑性研讨 2.0》(点击标题可跳转阅读)一文中,鹅厂资深资金架构师基于这个或许是很多人都想过的点子做了技术拆解,引起了广大读者天才般的热议。

但玩笑归玩笑,技术还得学,第三方支付行业的参与方会有很多,生态系统比较复杂,涉及的概念也很多,有必要学习一下这些基础性的内容。本文介绍第三方支付的产生背景,日常所见不同支付以及其他一些概念。

关注腾讯云开发者,一手技术干货提前解锁👇

01

在线支付背景

在线支付行业起始于 Paypal,Paypal 在1998年创立,2000年和“钢铁侠”埃隆马斯克创立 x.com 合并,2002上市,上市不久后又被 eBay 收购,直到2015年又重新拆分上市。Paypal 的创始员工埃里克杰克逊写了一本名为《支付战争》的书,详细描述了从一个点子开始,到公司成立,激烈的市场竞争,上市以及被收购的飞速发展过程,写的很有画面感,对了解行业有一定的帮助。《支付战争》中描述了一个鼓舞士气的演讲,是 Paypal 其中一个创始人彼得蒂尔发表的,他说:“Paypal 有可能成为支付领域的微软,成为世界金融的操作系统。因为世界上每个人都需要钱——要获得报酬,要进行贸易,要生活。而纸币是一个古老的技术,支付不便,在21世纪,人们需要一种更方便,更安全的货币形式,只有有网络连接的地方,就可以随时获取”。彼得蒂尔的这番话也很好的解释了在线支付出现的背景,一个是纸币支付过于古老不便,另外,网络的发展可以使更加便利的方式成为可能。

326e3e0d17bcd74e9e35a2748a235e79.png

另外,我们看生活中存在各种交易,交易的本质就是钱和物的等价交换。在简单的面对面直接交易中,钱和物的交换同步完成,你给我钱,我给你物,双方都不存在风险。但是随着网络交易的发展,两者的交换不可能做到同步完成,且双方极大概率上互不认识,互不信任,此时谁先进行交换动作,谁就处于被动的局面,因为对方可能不会履约完成他的义务,此时第三方支付另外一个功能就诞生了,第三方在交易双方中间充当一个中介角色,买方将货款付给第三方支付,第三方支付暂时将资金 hold 住,之后得到双方确认后再将货款转移给卖方,其运作实质是在收付款人之间设立中间过渡账户,并且资金的转移会被故意中断,在双方意见一致后才继续进行资金转移。

cc4361e8a46ca50ac478efb85a3fe7f1.png

简单的讲,第三方支付解决了两个核心问题,一个是提供资金交换的便利性,另外一个作为中立的信用中介监管交易双方。

02

生活中的支付

我们日常生活中使用手机进行支付时,会看到各种各样的支付,下面列举一些我们经常看到的。

按照资金的流向,电子钱包可以分成两种:

  • Staged digital wallet(分阶段电子钱包)

典型的代表就是微信支付和支付宝。一次交易被截断成两个阶段,Funding(资金划拨)和 Payment(支付)。第一个资金划拨,将资金从购买者那里把钱划拨到钱包中,第二阶段支付,将资金从钱包中支付给商家。支付过程中第一个阶段资金从购买者账户转移到支付平台的备付金账户,之后第二个阶段,资金从平台的备份金账户转移到商户的账户中。因为交易过程中有个截断的过程,所以支付平台可以沉淀到用户的资金,可以在平台的账户体系内保存用户的余额,这样也就可以让用户资金在支付平台体系内流转(比如用钱包余额发红包,对方收到红包后,只要没有做提现操作,资金其实还是在平台体系内)。

6b60de006adbc4aaf868446f6e8456ca.png

  • Pass-through digital wallet(穿透式电子钱包)

典型的代表比如各个手机厂商的支付平台,手机厂商一般通过 NFC 闪付完成。这种情况下钱包交易没有被截断成多个阶段,而是一次完成,购买者的资金直接转移到了商户账户。电子钱包充当一个银行卡的代理或者说通道角色,不可以拥有钱包余额,也不会沉淀到用户资金(即平台没有备付金账户)。

另外,有时可以看到比如 某手机 Pay 里面也有零钱功能,这个零钱其实是银行卡的二类户或者三类户的余额,本质上仍然是用户自己的银行卡余额,比如通过某手机 pay 绑定一个招商银行卡时,招行会给用户开通一个“一网通账户”,这个账户本质上就是一个无实体卡的二类账户。总之,可以看到穿透式钱包并没有充当上面提到的信用中介的角色。

  • 聚合支付

除了上面提到的这两种支付类型,我们经常会在小便利店里面看到一些比如“收钱吧”的支付,这种一般被称为“聚合支付”。所谓的聚合支付,就是聚合多个支付渠道,比如聚合微信支付,支付宝以及银联等等。对于小商户而言,他可以方便的接入多个支付渠道,并且很多聚合支付平台还会提供很多增值服务,比如多级商户,账户管理对账等等,对于小商户而言他没有这个能力去做这些事情,而聚合支付平台可以提供。聚合支付平台可以汇聚支付过程中的信息流,但不能参与资金结算,不能沉淀用户资金,否则就是“二清”,也就是不能把钱先结算给聚合支付平台,再由聚合支付平台结算给各个商户,这属于违规行为。

分阶段电子钱包需要支付牌照才可以开展业务,其他类型则不需要。对于一些平台类型的公司,他需要对接很多供应商,也需要对供应商进行资金的结算,此时就要求他有支付牌照,这样才能由他们自己完成对供应商的资金结算动作,否则就是违规的。

[银行Ⅰ、Ⅱ、Ⅲ类账户]


全功能账户就是Ⅰ类账户,我们生活中常见的借记卡就是Ⅰ类账户,银行卡新规中规定同一个在全国范围内的一家银行只能开立一个Ⅰ类账户,若已经开立Ⅰ类账户的,准备再开新户的应当开立Ⅱ类账户或者Ⅲ类账户。Ⅱ类和Ⅲ类是虚拟的电子账户,不存在实体,也是在Ⅰ类账户的基础上增设的两类功能逐渐级递减,资金风险也逐级递减的账户。Ⅰ类账户的的使用限额无限制,Ⅱ类账户的使用限额日累计限额:1万元,年累计限额:20万元; Ⅲ类账户年累计限额为5万元。这三类只有Ⅲ类账户的要求账户余额限制在2000元以下。
参考:http://www.mpaypass.com.cn/news/201801/20133607.html

03

备付金

支付系统经常听到的一个词语是备付金,备付金是个什么东西呢?按照央行《支付机构客户备付金存管暂行办法》文件中的定义:客户备付金,是指客户预存或留存在支付机构的货币资金,以及由支付机构为客户代收或代付的货币资金。客户备付金包括:

  1. 收款人或付款人委托支付机构保管的货币资金;

  2. 收款人委托支付机构收取、且支付机构实际收到但尚未付出的货币资金;

  3. 付款人委托支付机构支付、但支付机构尚未付出的货币资金;

  4. 预付卡中未使用的预付价值对应的货币资金。

   3.1 以前的备付金

先说下之前的备付金管理,按照《支付机构客户备付金存管暂行办法》,备付金银行分为:

  • 备付金存管银行,支付机构只可以选择一家存管银行。

  • 备付金合作银行,支付机构可以可以根据需要选择多家合作银行。

两者的区别就在于存管银行可以跨行收付业务,合作银行只能在本行内进行收付业务,另外存管银行要负责对所有备付金银行的备付金进行归集,核对和监管,合作支行只负责本行的监管。

具体到账户而言,支付机构要开设的账户包括:

  • 存管账户,开设在存管银行,每个省开设一个。可以负责客户备付金的收取和支付,可以进行同行和跨行业务;

  • 收付账户,每个合作银行只能开设一个收付账户,可以负责备付金的收取和支付,只能进行本行的业务;

  • 汇缴账户,存管银行和合作都可以开设,每个银行根据需要可以在分支机构开设多个,汇缴账户只能收取客户备付金账户,不能支付,在日终要划拨到收付或者存管账户,日终余额需要为0;

  • 自有资金账户,支付机构的自由账户,开设在存管银行,当涉及到支付业务手续费时应该使用自有账户。(对于备付金利息,虽然管理办法没有明确,但现实操作中利息收入是归属支付机构的,利息收入也是划拨到自有资金账户,2020年1月份的支付机构总体备付金总额为1万7千亿ß,可想而知利息收入是多大一笔钱)。

  • 风险准备金账户,开设在存管银行,用于弥补客户备付金特定损失。

7f23e5ef4fc6146af21bf9451ef4d53b.png

   3.2 现在的备付金

2017年1月13日,央行发布《关于实施支付机构客户备付金集中存管有关事项的通知》开启了集中存管备付金的序幕。该通知要求,自2017年4月17日起,支付机构应将客户备付金按照一定比例交存至指定机构专用存款账户,该账户资金暂不计付利息。2018年6月发布的《关于支付机构客户备付金全部集中交存有关事宜的通知》,规定2019年1月14日实现备付金100%集中交存。

支付机构备付金集中上缴之后,备付金将存入中央银行会计核算数据集中系统(Accounting Data Centralized System,简称 ACS 系统)开立的账户中,原先开设在各个银行的备付金账户需全部注销(除跨境人民币备付金账户等以外)。如果每个支付机构的支付结算都单独对接央行系统,海量的交易无疑会对央行系统产生极大的冲击,所以现实中备付金账户是开设在网联公司,支付公司会在网联 RCMP 平台上开设备付金账户,由网联公司代为对接央行系统。网联公司建设了备付金热点账户前置系统(RCMP),前端对接各个支付平台负责实时和海量交易处理,后端对接央行系统负责定时的轧差和结算。

954d20f5b6aa8164138b9215e3d8a0a7.png

由央行统一监管备付金,可以最大程度防范备付金可能发生的挪用以及其他风险,毕竟备付金的金额越来越大,一旦发生问题,对社会金融稳定性会产生很大影响。对支付机构而言,一个是减少了利息收入,同时也减少了和银行商谈各类支出成本的资本。

ACS 系统是中国人民银行第二代支付系统的组成部分,二代支付系统是中国金融业最重要的基础设施。

04

直联 vs 间联

“直联模式”即第三方支付平台直接连接银行完成支付过程,“间联模式”第三方支付平台不直接连接银行,而是经由网联和银联两个平台间接连接到银行。中国人民银行支付结算司2017年8月发布了《关于将非银行支付机构网络支付业务由直连模式迁移至网联平台处理的通知》银支付〔2017〕209号文,文件规定支付机构直连迁移网联平台的具体时间点,自2018年6月30日起,支付机构受理的涉及银行账户的网络支付业务全部通过网联平台处理。目前直联模式可以认为已经是过去式了。

4892d23e5cf88760ddd6605605bc0646.png

银联大家都比较清楚,网联是指网联清算有限公司网联清算有限公司(NetsUnion Clearing Corporation,简称 NUCC),是经中国人民银行批准成立的非银行支付机构网络支付清算平台的运营机构。在中国人民银行指导下,由中国支付清算协会按照市场化方式组织非银行支付机构以“共建、共有、共享”原则共同参股出资,于2017年8月在北京注册成立,为公司制企业法人。股东有四十多家,包括央行下属的机构以及第三方支付平台,包括中国支付清算协会,中国人民银行清算中心,财付通等等。

间联模式下,所有的交易都经由网联和银联平台,有利于央行对支付机构的监管。

   4.1 网联业务类型

在间联模式下,第三方支付平台业务种如果需要和银行打交道,都需要经过网联进行(另外一种是余额支付,这个过程不经过银行,可以不经过网联)。网联支持的业务类型可以分成两种,资金类服务以及信息类服务,如下所示:

52e923d586045f4ba414a770f1c95b87.png

对于资金类服务,具体的说明如下,信息类服务比较明了,不做说明了:

  • 协议支付:客户与第三方支付机构签约,并通过银行的验证,同意支付机构向客户的银行账户发起支付指令扣划资金的方式;

  • 退款:协议支付的逆流程,将资金退回客户银行账户;

  • 付款:将资金从备付金账户转移到银行账户;

  • 网关支付:跳转到银行网关,由银行完成支付动作,此时第三方支付平台只相当于一个通道角色;

  • 委托代扣:按照委托协议,支付平台发起从客户银行账户扣款的动作;

  • 认证支付:和协议支付的区别在于,没有签约过程,每次都需要携带支付需要的信息,比如银行账户,身份等信息;

下面列举两个流程,签约和支付流程说明下处理过程,都进行了一定的简化:

  • 签约:签约大致分成两个步骤:身份认证以及完成签约的动作。整个流程可以简化为如下的逻辑:

3284af15cbb04d486a5a9016eb76ad0a.png

  • 支付,付款方是用户的银行账户,收款方是第三方支付平台的备付金账户,支付流程可以简化为如下所示:

5f3aa99ec018b8bdeeffff58af0c919d.png

05

清分 vs 清算 vs 结算

这三个概念看起来很像,网上也有很多资料,有各种说法,也有很多把清算和结算混为一谈的。总体而言,可以试着从狭义和广义的角度来理解。

   5.1 狭义的角度

狭义就是完全从银行业的角度来看待问题。目前我国的支付体系是“清算-结算”的二级体制,清算由央行主导完成,结算由银行各自完成。

  • 清算是针对银行之间债权债务的清偿,不涉及个人,由央行主导。

  • 结算是针对银行与商户,银行与个人之间的债权债务清偿,由银行自己的系统完成。

假设一个消费者在商家购物花了100块钱,消费者银行卡是招行的,商家的账户是工行的,主要的流程包括:

  • 支付:首先从消费者招行账户中借记100块钱,并通知工行,完成支付动作。此时债券债务关系转移到招行和工行之间;

  • 清算:通过央行的支付系统,将100块从招行转移给工行,此时招行和工行的债权债务完成清偿。这个过程就是清算。当然这个过程描述进行了简化,真正的资金转移过程是一定周期内(比如按日)汇总轧差后的结果(轧差的意思就是你欠我200,我欠你300,轧差后就是我欠你100)。

  • 结算:工行扣手续费,将资金转移给商家,此时招行和商家的债权债务完成清偿。这个过程就是结算。

   5.2 广义的角度

广义的清算结算就不仅是从银行业的角度来看,包括各行各业,比如第三方支付也有清算和结算的过程。

这三个概念网上有各种说法,我觉得下面一种说法更为准确一些:

清算 = 清分 + 结算

清分就是算帐,是清算的数据准备阶段。清分将当日的全部交易数据进行传递,交换,归类和计算的过程,资金并没有发生实际的转移;

结算就是转账,是清分结束后根据结果将资金在商户间进行划拨。

-End-

原创作者|邱凯福

感谢你读到这里,不如关注一下?👇

📢📢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 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: 从DeepSeek到Manus:如何实现本地LLM微调+联网开发?
下一篇: 技术人核心竞争力:被忽视的项目管理能力
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