DeepSeek驱动行业智变提速,腾讯云汇聚大咖共话进阶之路

引言

DeepSeek 以迅雷之势席卷全球,并以实战为突破点,推动 AI 技术在实际应用中的深刻变革。我们站在这个新起点上,远眺 AI 技术落地最汹涌的浪潮。各行各业正积极探索如何利用 DeepSeek 等前沿 AI 技术实现业务创新。在众多 AI 技术和应用中,找到那些真正具有颠覆性和引领性的方向,并实现切实可行的落地应用,已成为企业当前关键的战略思考。

3 月 22 日,由腾讯云架构师技术同盟与腾讯云 TVP 联合主办的「DeepSeek 实战驱动行业智变——腾讯云架构师技术沙龙」成功举办。本次活动邀请到 AI 领域的大咖分享 DeepSeek 落地案例的宝贵经验,共同探寻 AI 技术赋能业务智能化变革的进阶路径。

图片

腾讯云架构师技术同盟上海分会正式成立

图片


同程旅行出行事业群CTO、腾讯云架构师技术同盟活动组织主席 王晓波

大会伊始,同程旅行出行事业群CTO、腾讯云架构师技术同盟活动组织主席 王晓波主持开场。他介绍本次腾讯云架构师技术沙龙是腾讯云面向广大架构师与资深开发者举办的技术交流活动,聚焦前沿话题,汇聚专家智慧,深度探讨,携手共创,用最专业的分享与思辨,助力广大架构师共同成长!

「腾讯云架构师技术同盟」是腾讯云为架构领域知名专家与从业精英打造的专业技术社交圈,通过多样的技术交流会议、社群专业探讨、权威内容输出,打造业界领先的架构师专业技术同盟。

图片


腾讯云架构师技术同盟主席 毛剑

腾讯云架构师技术同盟主席 毛剑宣布,腾讯云架构师技术同盟首个分会——上海分会正式成立。腾讯云架构师技术同盟上海分会作为国内首个启动的地区同盟,肩负引领地区同盟发展的重任。未来腾讯云架构师技术同盟将计划扩展至北京、深圳、广州、成都等地,以本地化方式促进技术交流,以开展各种线上线下活动,吸引更多优秀架构师参与,帮助更多架构师成长发展。

会上,腾讯云架构师技术同盟上海地区理事会同时成立,由 12 位腾讯云架构师名人堂专家担任理事。毛剑为各位理事颁发聘书,以感谢他们对上海分会作出的支持与贡献。

图片

ClickPaaS CPO、腾讯云架构师技术同盟上海地区理事会理事长 马俊表示,感谢腾讯对我的信任,作为上海地区理事会理事长,我深感责任重大,面对聚集架构师行业顶尖人才的压力,我决心将压力转化为动力。我们将致力通过腾讯云搭建的平台助力架构师成长,促进技术的普惠性和公益性,特别是帮助年轻的架构师提升自我、创造价值。

图片


ClickPaaS CPO、腾讯云架构师技术同盟上海地区理事会理事长 马俊

DeepSeek创新驱动的AI应用寒武纪

图片


优快云高级副总裁、全球机器学习技术大会主席 李建忠

在主题演讲环节中,优快云 高级副总裁、全球机器学习技术大会主席 李建忠发表题为《DeepSeek 创新驱动的 AI 应用寒武纪》的报告,介绍 DeepSeek 的关键技术创新、对 AI 生态的深远影响、AI 产品的范式转换立方体以及 AI Agent 智能体应用爆发寒武纪。

李建忠表示,DeepSeek 的关键技术创新有以下方面:

1、开源强化学习引领推理计算范式转换
DeepSeek R1 基于强化学习和 Self-play 实现推理的 Scaling Law,隐式思维链使模型学会中间过程的推理路径。DeepSeek 的出现,将大模型从预训练阶段的“统计学习” ,转变为推理阶段的“探索创新” ,完成了从“快思考”到“慢思考” 的飞跃。

2、MLA 和 MoE 等引领大模型架构创新
DeepSeek 在基于 Transformer 架构的基础上进行多项优化,例如 MLA 用于高效推理,显著降低推理显存的消耗。MOE 用于高效训练,其由多个专家模型组成,通过部分激活给定任务所需的特定专家,而不是激活整个神经网络,从而降低计算消耗。DeepSeek 使用高难度的 256 个路由专家和1个共享专家,并创新的采用冗余专家,来实现负载均衡策略和训练目标。

3、“贴身定制”的软硬协同工程优化
DeepSeek 从计算、存储、通信等多个层面实施了软硬协同的工程优化策略。面对算力限制,DeepSeek 采取了一系列措施,如混合精度训练、跨节点通信优化、双流水线机制、DualPipe 算法等,以实现高性能计算。李建忠表示,如果 DeepSeek 成为开源大模型领域的标配后,有机会通过“软件定义硬件”或者说 “模型定义硬件”来倒逼硬件厂商,走出一条颠覆英伟达 CUDA 生态的道路。

接着,李建忠探讨 DeepSeek 对 AI 生态系统的重要意义。一是随着 DeepSeek 大幅降低大模型的成本,推理和搜索的成本已接近甚至低于传统搜索引擎,这为 AI 应用的大规模普及创造条件,将迎来“寒武纪”式 AI 应用爆发。二是 DeepSeek 从 “训练”和“推理”重塑算力生态,AI 产业版图有望重塑。三是开源长期主义是创新摇篮,DeepSeek 从第一天就拥抱开源。这种开放的态度赢得全球开发者的广泛支持,越来越多的开发者和企业开始拥抱 DeepSeek 的开源解决方案。

针对 AI 产品的范式转换,李建忠创新提出“范式转换立方体”概念,该理论基于 X 轴(技术)、Y 轴(需求)和 Z 轴(模态)。X 轴涵盖计算和技术的发展阶段;Y 轴关注人类的核心需求领域,如信息、娱乐、搜索、社交及商业;Z 轴则代表了不同模态的变化,从文本到图片、音频、视频等。通过这三个维度的交叉分析,可以发现创新机会点。

随着 AI 智能体的兴起,技术正从信息网络向行动网络转变。智能体通过强大的推理、规划和执行能力,不仅弥补了大模型的不足,还实现主动交互,如自动安排会议和预订机票,这里需要多智能体的协作,而不是全由一个模型来完成。未来互联网将更多服务于智能体,可能需要改变搜索、广告、电商等模式,使其更适应智能体的需求,进而重构整个互联网架构和商业模式。因此李建忠表示,未来的产品,将从面向“人类”的需求, 转变为面向“智能体”的需求。

构建基于Ray框架的RL训练与分布式推理

图片


bilibili 机器学习平台负责人、腾讯云架构师名人堂专家 孙英男

bilibili 机器学习平台负责人、腾讯云架构师名人堂专家 孙英男带来《构建基于Ray 框架的 RL 训练与分布式推理》的主题演讲,探讨 DeepSeek 模型带来的范式变革,阐述如何利用 Ray 框架构建强化学习训练和推理系统。

DeepSeek 带来哪些技术范式变革?孙英男表示,DeepSeek-R1 作为推理模型,其能力得到显著提升。DeepSeek-R1 工作亮点有以下几点:一是结合 MOE+GRPO 训练整体成本低 ;二是 RL 驱动推理能力进化,验证 RL scaling 命题;三是对 Dense 模型蒸馏可大幅提升效果;四是证明 PRM 和 MCTS 路径走不通。

DeepSeek 开源后,驱动 AI 基础设施革新。DeepSeek 开源大量的工程工作,涉及从推理框架到底层算子全栈优化,AI 工程、INF 工程、SYS 工程,还进行大量推理成本优化工作。平台还在大规模 RL 训练 pipeline、高效分布式在/离线推理等方面做了许多重点工作。

接着,孙英男从框架的视角来介绍强化学习训练与推理。强化学习通过智能体与环境的互动来学习最优决策过程。智能体根据当前环境状态,使用策略网络决定采取的动作,以改变环境并获得奖励。随后,他详细介绍 PPO 和 GRPO 两种强化学习训练方法。PPO是一个推理和训练混合的过程,涉及多个模型( Actor / Critic / Reward / Reference 模型),通过采样和反向传播更新模型参数。相比之下,GRPO 没有 Value 模型,减少训练成本。

然而,RL 训练的过程中,面临多模型多阶段任务流、推理&训练的差异性、模型参数量持续增长等问题。为了应对多卡环境下的挑战,孙英男表示,使用 Ray 框架进行高效分布式训练和推理的方法。Ray 能够动态规划计算图,简化训练过程,并支持灵活的任务编排和资源调度。

Ray 框架最早应用于强化学习场景,支持 Single Controller,它通过封装无状态计算为 Task,并通过 Actor 抽象有状态存储,实现高效的资源调度和复用。具体实现中,Ray 可以将不同的模型分配到不同的显卡和机器上,形成一个高效的分布式训练和推理系统。目前社区基于 ray 的 RL 框架有 OpenRLHF、veRL 等。

最后,孙英男详细展开介绍推理侧落地 Ray 的场景:分布式推理、离线批量推理、GPU 分时复用。通过本次演讲,孙英男让我们清晰地看到在复杂的技术背后, 如何借助 Ray 框架实现高效的强化学习训练与分布式推理,为 Deepseek 实际应用提供坚实的技术支撑。

腾讯云顾问,用AI重塑SRE

图片


腾讯云顾问产品总经理、腾讯云架构师名人堂专家 许小川

腾讯云顾问产品总经理、腾讯云架构师名人堂专家 许小川在《DeepSeek 下的高效运维之路》的报告中,分享腾讯云顾问的最新进展和创新实践,阐述云顾问产品如何凭借其 AI 驱动的架构治理能力,引领云架构可视化治理的新时代。

许小川指出,DeepSeek 技术在不同行业的应用和渗透情况各不相同。他提到,尽管 AI 技术的潜力巨大,但不同行业对 AI 的使用程度和深度渗透率存在显著差异。这表明,AI 技术的广泛应用仍需克服行业特定的挑战和障碍。许小川强调高质量数据在 AI 项目工程落地中的重要性,并分享腾讯云在 AI 项目落地方面的经验和教训,并说明数据质量和工程实践的重要性。

云顾问是腾讯云提供的 AI 原生的一站式云上治理平台,旨在帮助企业优化云资源管理、提升系统稳定性并降低成本。云顾问基于腾讯云卓越架构理念“3层×6支柱”(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),提供可视化架构绘制和管理体验。

云顾问在产品构建理念上进行了优化和创新:相较于传统运维习惯使用的还原论方法,云顾问采用了系统论的视角,帮助客户从整体和系统层面,"看全"云架构,“看清”云架构,从而进行更全面和准确的治理。

许小川详细介绍了通过接入混元+DeepSeek,腾讯云顾问打造的全链路智能生图、ChatBI、以及在开发中的 AI 订阅等能力。

➢ 全链路智能生图:运维工程师在绘制架构图时,经常遇到由于业务变更快、实例配置漂移等问题带来的“图难对上实”的现象。为此,腾讯云顾问推出了“全链路智能生图”功能,让绘图和架构管理变得更实时更简单:

  • 全链路智能推理:基于资源配置、监控、日志等数据,AI 自动梳理上下游调用关系,一键生成精准拓扑图,实时追踪资源变动,消除“静态图纸”与“动态系统”偏差。

  • 风险生图/护航生图:自动生成风险中心或护航场景专属架构图,标注问题节点及影响范围,保障系统稳定运行。

  • 智能布局与定制化视图:AI 自动逻辑分层资源关系,按业务视角(成本、性能、安全)生成架构图,满足不同角色需求

➢ ChatBI:在云运维中,如何快速获取架构状态的关键信息、更灵活地调整监控与看板配置,往往对运维效率影响重大。针对这些需求,腾讯云顾问推出了 ChatBI 能力:

  • 自然语言查询:轻松查询架构监控数据,快速定位问题。

  • 高效微调与输出:借助 Text2SQL 技术,灵活调整并生成定制化图卡与图表。

  • 业务特性监控:结合架构逻辑生成专属 Dashboard,实时洞察架构健康趋势。

最后,许小川探讨云顾问产品未来的发展方向,包括更便捷、更智能的产品体验。他强调数据、可视化、治理的闭环驱动力在 AI 场景落地中的重要性“AI 在运维中应用的关键在数据, 数据的关键在治理,治理的关键在可视化。”,并表示将继续优化腾讯云顾问产品的功能和用户体验,推广数据、治理、可视化的理念和方法,用 AI 重塑 SRE。

DeepSeek时代,金融行业的创新与探索

图片


平安资产管理资深架构师、腾讯云架构师名人堂专家 屠乐奇

平安资产管理资深架构师、腾讯云架构师名人堂专家 屠乐奇以《DeepSeek 创新驱动下的金融应用和探索》为主题,详细阐述平安资管如何利用大模型技术推动金融领域的创新与实践。

关于金融行业对大模型的选型,屠乐奇表示,重点考虑私有化部署、安全性以及性能成本等因素。由于金融公司对从数据安全要求严格,大模型私有化部署是选型的先决条件。他们倾向于选择国产开源大模型,以确保数据安全和易于维护。这些国产大模型不仅满足金融行业的严格要求,还提供从高性能版的一体机到蒸馏版本的灵活部署选项,适应不同的业务需求。

如今,银行、证券公司、证券公司等金融机构都在部署大模型,都在探索大模型的应用及企业落地。目前,大模型可应用于金融行业的多个领域,包括交易支持、投研助理、流程优化和客户服务等。例如,在交易支持方面,投资经理可以利用大模型处理复杂的数据分析任务;在投研助理角色中,大模型帮助分析师完成数据分析工作;通过引入大模型,还可以加速金融交易系统的自动化进程,减少人工干预。

接着,屠乐奇分享大模型辅助金融行业的两类工作实践:一是结合内部知识库的大模型问答,如通过网页嵌入大模型问答,集成聊天工具集成,开放制作完成的简易智能体问答,内部文档可直接接入知识库, 将知识库上传权限开放给用户;二是量化策略开发,有助于回测策略编写,效率提高 30%,论文检索,投资信号制定,辅助择时,研报财报文生策略等。

最后,屠乐奇通过具体的流程优化案例来展示如何使用大模型简化交易过程中的繁琐步骤,大大提高处理效率。例如通过自然语言处理技术,大模型能自动识别并匹配交易相关的信息,大幅减少手动输入的工作量。他还分享如何利用规则引擎校验生成的数据,进一步确保数据的准确性和一致性。具体来说,通过大语言模型对自然语言进行初步处理,再结合数据字典进行精确匹配,最终形成可供系统使用的结构化数据。

通过屠乐奇的分享,让我们看到大模型在金融领域的创新实践,助力金融机构提升效率、优化服务,让大家对 AI 在金融行业的应用有更直观的了解。

深度解析AI如何落地企业

图片


广东省连锁经营协会技术委员会主席、腾讯云架构师名人堂专家 沈欣

广东省连锁经营协会技术委员会主席、腾讯云架构师名人堂专家 沈欣在《2025 AI 落地指南——从 DeepSeek 谈起》的演讲中,探讨 AI 技术在企业中的应用与探索,并提出具体实施的方法论和组织调整策略。

沈欣指出,AI 落地逻辑为效率外挂和大脑服务,通过 AI 提高工作效率,对于大型企业来说,这会变成大脑的服务。在讨论大模型作为企业“大脑外挂”时,沈欣将其分为四大类:一是广义翻译类,可低成本精准翻译,自动匹配场景和文化;二是信息类,解放人工劳动力,通过 AI 自动完成数据汇总、格式整理等工作;三是知识类,从数据中提取规则并沉淀为知识库,为企业的日常运营提供辅助支持;四是意图类,根据知识和数据判断意图并执行操作。沈欣提醒道,在实施上述各类应用的过程中,企业可能会经历一个阵痛期。企业应逐步完善规则体系,才能真正享受到 AI 带来的长期红利。

大模型在企业落地的重点,沈欣表示企业在实施 AI 时可遵循一些方法论,在宏观上,进行认知重建,认识到 AI 作为战略转型的关键驱动力,无论主观还是客观,AI 是必选题;在介观上,确定谁来做,有没有对应的组织体系来面对 AI;在微观上,聚焦具体实践和技术优化。总的来说,企业需从战略到执行全面布局,才能最大化利用大模型技术的优势。

随后,他分享 AI 在企业内部研发体系的落地,通过引入 AI,优化需求与产品团队的协作流程,明确每个需求的商业价值,并使用零代码、低代码及 AI 辅助编程提升开发效率,还有 PM 项目管理系统,确保交付质量和落地执行,最下面使用 AI 运维,确保系统正常运行。沈欣表示,尽管 OpenAI 预测 AI 将大幅减少可替代岗位,但从 2023-2024 年的实际情况来看,这些岗位的需求反而在增加。真相是减少能被 AI 替代工种的人力,其实并没有获得生产力提升的红利。如何享受红利并进行商业模式的迭代?沈欣表示,一是扩大这部分团队,降低该工种的平均收入; 二是解决其他不平衡部分的瓶颈;三是充分用 AI 赋能,获取最大的生产力提升红利。

为了有效落地 AI 技术,CIO 需先行推动变革。沈欣给出以下具体建议:

  • 安全规范先行,公有 AI 和内部数据、知识的隔离规范;

  • AI智能体协同低代码,可以快速实现功能:“AI+”和“+AI” ,减少和某个特定 AI大语言模型的绑定关系;

  • 考虑私有化+公有 AI 的混合结构,降低成本和增加灵活性;

  • 和 HR 一起搭建数字员工体系和知识体系;

  • 把开发解放出来以后,让老的技术人员进入业务部门作为 IT BP,提升业务满意度;

  • 多出去交流,看同行怎么用。

沈欣强调,在探讨 AI 技术在企业中的应用与探索时,需要重点关注安全问题和创新,“AI 的引入,不是让机器人去更快的抄书,而是设计出打印机,并通过卖墨盒挣钱。”

腾讯云AI代码助手+DeepSeek,掀起全场景编程革命

图片


腾讯云产品专家 汪晟杰

腾讯云产品专家 汪晟杰在《从需求到代码:DeepSeek+AI 代码助手的全场景编程革命》的分享中,从 DeepSeek 对开发者的助力、AI 产品创新探索及应用、场景接入的反馈以及未来展望这四个方向来介绍腾讯云 AI 代码助手如何利用 DeepSeek 模型,实现全场景编程革命。

传统的开发流程涉及需求沟通、编码、测试、发布上线等环节,在 AI 时代,每个环节都可以通过不同的模型进行优化,从而提高整体效率和质量。例如,在编码过程中,当输入“IF”时,AI 可以自动补全条件语句,减少打字量并提高生产力。此外,AI 还可以帮助调试代码,重构不理想的代码片段,并确保符合研发规范。

腾讯云推出 AI 代码助手,支持代码补全、技术问答、多文件生成、AGENT 智能体等核心能力,并可以支持 RAG 知识库、自定义指令、多模型切换、企业账号集成等自定义功能。每个模块背后都有不同的模型支持,如补全模型用于代码补全,对话模型用于处理开发者与 AI 之间的交互。以下为腾讯云 AI 代码助手的特性:

  • 代码补全特性强化:在编写代码时,实时根据光标位置,通过 AST 语法树结构,感知当前代码仓库中的关联性代码,实现精准补全;

  • 技术问答特性 :通过侧栏对话、内联对话、指令集等功能,为开发者提供全编码周期的实时技术问题求解能力;

  • 全面支持 DeepSeek R1/V3 (满血版)& 本地 Ollama 服务接入 DeepSeek;

  • 技术问答特性:企业结合企业专属知识进行回答,专属知识包含企业的研发规范、接口规范、业务框架、代码框架、垂直的业务知识等。

  • 软件开发者智能体 Craft:通过自然语言指令,AI 深度理解需求,自主完成多文件代码编写与修改,自动生成可执行的应用

  • 单元测试智能体产品特性:支持基于代码上下文自动构建符合主流测试框架的单元测试代码,支持根据函数输入输出定义自动填充逻辑语言,并通过语法树解析精准识别被测模块的依赖关系,自动注入 MOCK 数据并生成边界测试用例。

  • AICR 智能体特性:基于深度学习的静态分析引擎,自动检测代码质量缺陷、安全漏洞及架构异味,覆盖百款主流编程语言。

通过对招行和荣耀等企业的实际应用案例分析,汪晟杰展示腾讯云 AI 代码助手如何帮助企业快速构建面向特定领域的编码助手。

最后,汪晟杰介绍 AI 编程的演进以及探讨未来发展趋势:2022 年,聚焦补全;2023 年,以模型+对话+知识库为主;2024 年,智能体爆发,AI 代码助手将朝着更加自主化和智能化的方向发展。2025 年,往 Agentic SWE 方向发展,AI 不仅能自动编排流程,还能自我推导出最优解决方案。2026 年,迈向真正的 AGI,在这个过程中,AI 将与人类开发者形成紧密的合作关系,共同完成复杂的编程任务。“让 AI 助手成为你真正的 AI 代码助手,其模型通过不断沉淀推理和经验,持续进化,真正与开发者共同成长。”

结语

回顾本次腾讯云架构师技术沙龙,嘉宾们不仅展示 DeepSeek 的技术创新,还分享AI技术在各行各业的最新落地实践,向我们展示 AI 未来发展的无限可能。此次沙龙为架构师们搭建一个交流合作的平台,相信今天的每一场分享,每一次交流,都让开发者对 AI 技术赋能业务智能化变革有了更深入的理解。

会上,腾讯云架构师技术同盟上海分会正式扬帆启航,未来将引领地区同盟发展,汇聚更多优秀架构师,不断壮大本地技术力量,为架构师行业发展注入新的活力。未来,腾讯云架构师技术同盟将走进更多城市,通过腾讯云架构师技术沙龙等交流活动,与你共探技术新发展, 共话新未来。

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 1198

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 712

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: 大厂不再招测试?软件测试左移开发合理吗?
下一篇: 李建忠:智能体正将互联网从信息网络重构为行动网络
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