探秘 DeepSeek 落地进展,腾讯云携手业界专家共话 AI 生产力

引言

图片

踏入 2025 年,AI 技术已深度融入社会发展的脉络。DeepSeek 的崛起不仅成功唤醒了国人对 AI 的全新认知,更如一条行业的“鲇鱼”,充分激活了国内科技公司潜藏的巨大能量。此刻,AI 领域中创新与实践的中国加速度,再度毫无保留地展现在全世界眼前。那么,在 AGI 技术突破与产业智能化转型的交汇点上,哪些落地场景应用最值得我们期待?未来,这一波新的 AI 浪潮又将走向何方,为行业带来怎样长期的影响? 

近日,由腾讯云 TVP 主办的 TVP AI 创变研讨会「DeepSeek 探技术创新与未来风向」活动在上海成功举办。此次活动特邀了 NLP、知识图谱、AIOps、AI 办公应用等多个领域的学界专家和企业高管,通过主题分享和模拟路演的方式,深入探讨了以 DeepSeek 为代表的生成式 AI 技术的落地与发展,分享行业前沿动态与企业实战经验。

开场致辞

图片

vivo 高级专家、腾讯云 TVP 邵浩

本次活动由 vivo 高级专家、腾讯云 TVP 邵浩主持。他在开场时表示:在过去的三个月里,DeepSeek 以周均 240% 的代码提交增速展现出惊人的技术演进速度,并获得各类企业在不同应用场景竞相接入,技术迭代的加速度正在转化为实实在在的生产力提升。本次活动的举办,正是希望在 AGI 技术突破与产业智能化转型的交汇点上,汇聚各方贤达,共同探讨最值得期待的落地场景应用,挖掘 AI 浪潮的趋势深远的行业影响。

DeepSeek技术路径与创新价值解读

《知识增强大模型》作者、前达观数据副总裁、腾讯云 TVP 王文广发表了题为《DeepSeek 开始的中国式全球化机遇》的演讲。他介绍,DeepSeek 通过算法-模型架构-数据-计算机工程的垂直整合创新,验证了“极致优化现有技术链”的可行路径。其开源策略不仅打破技术黑箱,更推动行业建立全球生态,不仅使得国产大模型成为全球顶尖模型,更带来了中国式全球化的新机遇。

图片

《知识增强大模型》作者、前达观数据副总裁、腾讯云 TVP 王文广

算法创新上,DeepSeek 提出 R1-ZERO 强化学习算法,将类似训练围棋 AI Alphago zero 所使用的纯强化学习机制迁移到大语言模型领域,通过设计 GRPO 实现推理过程的奖励机制,将复杂推理任务分解为规则可量化的多步决策过程,持续迭代优化推理路径选择。这使得 DeepSeek-R1 在复杂推理任务中达到接近 o1 水平,尤其在数学问题求解场景表现突出,支撑其成为首个具备国际竞争力的大模型。

模型架构上,DeepSeek 结合多头潜在注意力(MLA)技术和混合专家(MoE)框架,采用微型专家网络,通过动态路由激活机制降低激活参数量的数量,激活参数量仅为模型参数的 1/18,在同等算力下获得更高吞吐量,大幅降低推理成本;并首创专家参数共享方案,实现通用知识复用效率提升。

工程实践上,DeepSeek 配套开发 FlashMLA 框架优化专家网络并行计算,结合 GEMM 算子重构较 NVIDIA 原生实现提升 2.7 倍性能,采用 DualPipe 双流水线加速训练吞吐,并构建自动化数据合成管道解决数据碎片化、标注成本高的短板,最终支撑 DeepSeek-R1 版本低成本强复杂推理能力突破。

此外,通过一系列开源动作,DeepSeek 已经吸引全球顶尖实验室参与模型评测验证和复现,推动 R1-Zero 的训练方法成为行业主流方案,可以说建立了首个可复现的千亿参数推理模型的新基准。

Agentic RAG范式演进与挑战

同济大学特聘研究员、博导、OpenKG 发起人、腾讯云 TVP 王昊奋带来了《Agentic RAG 时代:DeepSeek 引领推理模型升级下的知识检索增强》主题演讲。他表示,RAG(检索增强生成)作为大模型落地的核心手段,经历了从朴素 RAG(基础索引-检索-生成流程)到模块化 RAG (融合搜推技术、组件化编排)的演进。DeepSeek 带来推理专用模型,通过数学推理强化和形式化验证能力,克服了模型幻觉问题突出、信息时效性不足、参数化知识表达低效、领域适配能力弱、复杂推理能力待提升等挑战,为 Agentic RAG 提供了关键基座能力。

图片

同济大学特聘研究员、博导、OpenKG 发起人、腾讯云 TVP 王昊奋

针对传统 RAG 的碎片化检索局限,王昊奋解析了 Graph RAG 的核心价值:1)基于图结构实现知识全局关联,解决分散信息整合难题;2)通过实体-关系网络提升检索可解释性;3)支持多跳推理路径动态规划。然而,原生 Graph RAG 存在资源消耗过大问题——如 300 篇文档处理需 2000 倍 Token 消耗,而 DeepSeek 通过高效 RLHF 框架和路径动态剪枝算法,将图推理成本降低至工业可用水平。

王昊奋提出了推理模型与 RAG 三重协同优化方法论:

  • 推理主体分层:通用模型(如 DeepSeek-R1)负责意图理解,专用模型/符号系统执行确定性推理;

  • 检索策略动态化:采用蒙特卡洛树搜索(MCTS)实现检索-生成多路径优化,结合强化学习反馈机制;

  • 知识原子化重构:通过 PIKE RAG 框架将知识分层为事实层-信息层-知识层,匹配不同复杂度查询需求。

在此框架中,DeepSeek 提供数学验证基座,确保推理链逻辑严密性。 

王昊奋举了金融场景复杂推理任务+高频更新的外部专业知识,以及医疗场景复杂推理任务+强领域知识+低幻觉容忍的例子,说明推理模型与 RAG 的结合,兼顾了外部知识依赖和复杂推理的需求,使得大模型更加胜任复杂的真实场景。

DeepSeek技术突破加速AI原生云治理

腾讯云顾问产品总监 刘庆兴在《腾讯云顾问 x DeepSeek:云上治理应用趋势探索及实践》主题演讲中介绍,腾讯云顾问产品平台正在基于 DeepSeek 构建“智能体协同治理”体系,推动云上治理从规则驱动向 AI 原生演进。

图片

腾讯云顾问产品总监 刘庆兴

云计算时代,IT 研发和运营团队面临三大挑战,一是架构复杂,信息孤岛多;二是治理零散,协作效率低;三是背靠业务,价值呈现难,腾讯云顾问平台定位为一站式可视化治理平台,致力于向用户提供高效绘云、正确用云、精益管云三大核心能力,实现“被看见的价值”。

基于腾讯云卓越架构“3层×6支柱”理念(3层:应用层、架构层、资源层,6支柱:安全、性能、成本、可持续、卓越运营、可靠性),腾讯云顾问平台构建了「可视化-协同化-度量化」三位一体的云治理方法论体系:首先通过智能绘图将云上架构可视化;然后将风险巡检、容量监测、混沌演练等丰富的垂直应用能力一站式集成,围绕云架构进行高效协同治理;最后,云顾问还提供卓越架构评估能力,全方位量化和追踪架构治理的旅程和成效,并支持归档治理报告,让治理价值看得见。

随着 DeepSeek 等 AI 大模型技术的发展,云顾问也迎来了“AI 原生”大升级,以大模型强大的推理能力,重点解决了传统运维无法解决的复杂场景问题:

  • 调用链路生图:通过学习多模态数据,重构 AI 架构拓扑推理算法,提升架构链路生成准确率,支持跨 VPC 业务的上下游调用链路自动发现,架构图绘制效率大大提升

  • Multi-agent 协同:基于 Multi-agent 框架构建上层 AI 应用生态,用户可通过自然语言和运维工具交互,完成隐患发现、容量预测、混沌验证等一系列复杂任务。云上治理从传统规则驱动进阶为意图驱动,提升了人机协作效率,多智能体之间无缝协同,共同打造智能化的“聊天作战室”

  • ChatBI:整合用云隐患数据、监控日志、专家经验等多模态数据,构建云顾问统一数仓,支持用户 NL2SQL 自然语言实时查询架构图节点的指标情况,并生成智能洞察结论,最终形成千人千面的自定义报表,提高架构治理效率。

刘庆兴强调,AI 大模型落地到 AIOps 生产必然存在强知识依赖、低幻觉容忍等挑战,所以一定要构建一套自己的知识库,作为智能体的外置大脑。

目前,腾讯云顾问平台已服务 13000+ 企业,累计生成 10000+ 架构图,有效助力了数以万计的腾讯云客户提升云上系统的稳定性。

基于DeepSeek的WPS AI办公应用实践

金山办公高级产品总监 赵九州发表了《基于 DeepSeek 的 WPS AI 办公应用实践》的主题演讲。他介绍,金山办公通过“大模型生成+工程化函数调用+场景化应用切片”的应用路径,将 DeepSeek 能力与办公工具深度耦合,验证了 Agent 框架在复杂任务调度、格式保留等场景的技术可行性。

图片

金山办公高级产品总监 赵九州

金山办公采用“不造大模型,专注应用集成”的策略,与 DeepSeek 等主流模型厂商深度合作,构建了技术架构。在应用层面,面向企业客户提供 Office 协作功能,通过统一网关实现多模型调度,并支持模型私有化部署。工程化调度层面,将大模型输出与传统工具 API(如格式引擎、虚拟机、按键模拟)结合,解决纯模型能力无法覆盖的格式保留、多模态处理等问题。

推理模型给办公带来了新的应用范式,但推理模型并非万能。赵九州强调了模型选型逻辑:在确定性任务,如翻译,要选择通用模型;复杂工作流场景则采用 DeepSeek-R1 的 Agent 框架优化任务拆解效率,如 PPT 生成场景。

在产品设计上,考虑到用户不擅长 Prompt 输入,WPS 推出了“AI 写作助手”模式:

  • 上下文感知:将用户输入的上文作为隐式 Prompt,通过 DeepSeek-V3 实时生成联想内容(灰色字体),用户可通过快捷键采纳建议,避免交互中断。

  • 格式保留技术:在修订模式中注入 AI 能力,记录修改轨迹并说明原因,确保用户对格式与内容的双重控制权。

  • 场景化切片:聚焦办公最小切片(如 PPT 风格克隆、表格数据清洗),通过 Agent 框架串联 RAG、语料库与工具 API。

赵九州总结了 WPS AI 用户级产品的五大原则:

  • 不要让用户输入 Prompt,让 AIGC 回归创作本身

  • 聚焦用户的办公、效率场景的最小切片

  • 避开不能接受幻觉的领域

  • 增强召回,减少噪音

  • 围绕小切片做上下游工作流产品

目前,WPS AI 办公助手系列已成为金山办公的年度活跃度最高的产品线,沉浸式交互设计使 AI 采纳率提升,加上 PPT 风格克隆、多模态滤镜等功能,此类 AI 应用为 WPS 贡献了亿元规模的年收入。而在政务材料生成场景中,文本规范性、诗词典故引用准确率都得到提高。 

金山办公的实践表明,AI 办公应用需以用户体验为锚点,通过工程化能力弥补大模型短板,最终实现技术价值与商业价值的闭环。

头脑风暴:DeepSeek落地畅想

活动的分组讨论模拟路演中,与会者还针对 DeepSeek 多个相关热点话题展开激烈的辩论,并就看好的应用场景进行模拟路演,直观展现了 DeepSeek 技术成果转化为生产力的不同可能。

话题一:DeepSeek 会加速人才流动,还是形成大厂垄断

图片

「架构师之路」主理人、腾讯云TVP 沈剑

一组代表「架构师之路」主理人、腾讯云TVP 沈剑表示,技术迭代天然促进市场细分和新领域出现,加速人才流动是必然结果,DeepSeek 也不例外。他解释说,DeepSeek 降低技术门槛,使中小厂无需依赖硬件资源即可参与 AI 竞争,人才不再因资源限制而被迫蹲在大厂。同时,对于人才追求技术实现和职业发展机会,DeepSeek 生态可以提供更多创新赛道,当前小公司创新产品频出就是证据。另一方面,AI 效率提升也导致岗位需求出现变化,倒逼人才被动流动以适应新领域。

图片

《知识增强大模型》作者、前达观数据副总裁、腾讯云TVP 王文广

二组代表《知识增强大模型》作者、前达观数据副总裁、腾讯云TVP 王文广则从历史案例论证:新技术会通过人才聚集形成垄断而形成大厂,大模型领域也会重复这一路径。在资源与生态方面,大厂不仅通过高薪、稳定性吸引人才聚集,形成技术壁垒,还通过开源、生态合作扩大影响力,中小厂难以与之竞争。大模型基模领域头部效应显著。DeepSeek 可视为“新大厂”,自身从人数上看规模还小,但生态庞大。

话题二:DeepSeek 应用趋势下,企业是否应该考虑建设 AI 中台?

图片

ClickPaaS CPO、腾讯云TVP 马俊

三组代表ClickPaaS CPO、腾讯云TVP 马俊从标准化、降本增效、以应用场景为中心,说明了建设 AI 中台的重要性,并以腾讯等大厂的实践作为背书。具体而言,AI 能力是企业的核心能力,也是成本比较高的能力(如 API 调用、模型训练)标准化程度高,集中管理中台可避免重复开发,降低资源浪费,提升企业AI治理能力。对于私有化部署定制模型(如结合内部数据微调),以及未来的多模型共存,中台可也提供 RAG 等工具链支持,以及统一调度和模型优化能力。利用企业构建的数据中台和业务中台,打造企业完整的能力共享中心。

图片

《软件研发效能提升之美》作者、腾讯云TVP 吴骏龙

四组代表《软件研发效能提升之美》作者、腾讯云TVP 吴骏龙则从业务不确定性、成本与灵活性矛盾、组织管理挑战等角度提出相反的观点。对于中小企业和单一业务线,公司无需中台,定制化需求可通过轻量工具解决。对于大企业,中台需业务稳定性支撑,而 AI 领域“破坏性创新”频发,技术迭代非常快,场景不成熟,建设中台可能因业务变化而失效。同时中台建设成本高且周期长,可能拖累业务响应速度。此外,中台还会限制业务部门创新自由度,与 AI 领域快速试错的需求冲突。

项目路演一:365智慧学伴

图片

Microtop AI CTO 齐国峰

Microtop AI CTO 齐国峰带来了「365 智慧学伴」助教助管项目路演。该项目面向中小学生,试图用 AI 引导和激发学习兴趣与特长,解决教育内卷下个性化学习需求。产品形态是软硬件结合提供给学生,终端覆盖平板、智能音箱、智能手表,通过大模型分析学生特长,用思维链引导学习,如拆解作文框架,主打将思考逻辑带给学生,而不是直接提供答案。商业模式上兼顾 2B 和 2C,前者与地方政府、学校合作,后者是家长付费。市场推广策略则是通过中小学科普、公益走入校园,以及举办学科竞赛提升产品影响力。

图片

金山办公高级产品总监 赵九州

对于该项目,金山办公高级产品总监 赵九州点评认为,项目定位过于模糊,同时做 2B 和 2C 会导致资源分散,影响推广效果,建议聚焦单一场景。同时,学生需求间歇性,家长付费意愿低,需找到更刚需的切入口,类似拍照搜题。此外,思维链功能非常容易被大厂复制,需强化独特体验才能保证产品竞争力。

项目路演二:AI与寺庙文化

图片

上海安畅网络架构师 孙家卿

第五组代表上海安畅网络架构师 孙家卿带来的项目,核心是结合 AI 与寺庙文化,面向海外年轻人及有信仰人群,连接到不同的寺庙,基于 RAG 技术对寺庙特色文化进行层层探索与解析,提供线上虚拟方丈/主持/小师傅的信仰指导服务,并计划与寺庙合作推出文化周边。商业模式上,项目分三个等级订阅制服务,联动寺庙资源进行线上线下推广。

图片

《知识增强大模型》作者、前达观数据副总裁、腾讯云TVP 王文广

《知识增强大模型》作者、前达观数据副总裁、腾讯云TVP 王文广点评认为首先就项目合规性提出疑问,认为国内寺庙多为非营利机构,商业合作难度大,且宗教内容宣传受限。另一个问题是需求不明确。不过,他建议参考 AI 算命类产品,出海东南亚、港台市场。

项目路演三:AI 国产化单机数据库

图片

杭州云贝数据技术有限公司 CTO 郭一军

杭州云贝数据技术有限公司 CTO 郭一军带来一个 AI 国产化单机数据库的路演。项目针对中小企业及需国产化替代的政企客户需求,基于 DeepSeek 技术打造单机分布式一体化数据库,主打“四高两低”(高可用、高性能、高扩展、高安全;低成本、低风险),通过 AI 实现智能化运维,支持弹性扩缩容。商业模式上,项目按节点收费,3 节点起售,100 万/套,主打国产化政策红利市场,预估 500 亿规模。

图片

腾讯云顾问产品总监 刘庆兴

腾讯云顾问产品总监 刘庆兴表示,项目商业逻辑可行,因为国产化替代需求明确,价格优势吸引中小企业,但存在两大挑战:一是相对云厂商的成熟方案,还需解决单机数据库的运维 Know how,二是自动索引、弹性扩展等功能需证明技术壁垒。

项目路演四:软件智能化 Agent

图片

描路科技创始人、腾讯云TVP 施德来

第八组是描路科技创始人、腾讯云TVP 施德来的路演。他首先分享了一个 AI 应用的三个核心要素:数据(Data)→处理(Insight)→执行(Action),目前的大模型主要在最后的执行部分发挥作用。他根据其公司现有的成熟先进的手机软件界面和操作流程数据的收集能力,提出来利用这些数据结合包括大模型在内的多种 AI 模型,推出 AI 生成产品原型的产品。它的优势是:使用门槛更低、更契合实际设计迭代的产品。

图片

腾讯云顾问产品总经理  许小川

嘉宾腾讯云顾问产品总经理  许小川点评认为,项目的关键在于,B 端软件公司是否愿意为实现智能化改造而付费使用第三方 SDK。客户普遍关注 SDK 是否能真正解决他们的核心痛点、带来实际 ROI 回报。同时,是否具备差异化的技术优势、低门槛的集成体验、可信的服务能力以及清晰的价值主张。

结语

活动在各种奇思妙想的碰撞中圆满结束。邵浩最后提到"广深高速进出行",“广”是指市场的广阔性;“深”是指创新的深厚性;“高”是指团队的高配性(团队本身的能力包括了情商、智商和逆商);“速”是指成长的快速性;后面三个字就是投资所关注的财务层面,“进”是指选择合适的进入时点,是 A 轮、B 轮还是 C 轮,“出”是指在什么时候退出,再加上“行”-综合判断可行性,就形成了“广深高速进出行”的要诀,但实际上判断项目是非常难的,尤其是对于早期的 AI 项目。

DeepSeek 的成功,源于技术理想主义者对边界的无畏突破,以科技重塑世界的信念。他相信,在 TVP AI 创变研讨会的牵引下,与会嘉宾们,不管来自大厂还是创业公司,如果能坚守对 AI 技术的理想与热忱,持续探索创新,推动技术与场景向极致演进,必将创造更美好的未来。

TVP,即腾讯云最具价值专家(Tencent Cloud Valuable Professional),是腾讯云授予云计算领域技术专家的一个奖项。TVP 致力打造与行业技术专家的交流平台,促进腾讯云与技术专家和用户之间的有效沟通,从而构建云计算技术生态,实现“用科技影响世界”的美好愿景。

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 1170

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 702

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 893

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: 只是文档灌Dify?RAG发展一篇文就入门!
下一篇: 大厂不再招测试?软件测试左移开发合理吗?
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