李建忠:智能体正将互联网从信息网络重构为行动网络

引言

模型正在从训练为主转换为推理为主的新范式,智能体正将互联网从信息网络重构为行动网络,我们正处在从人类使用互联网到 AI 代理使用互联网的转折点。这不是未来,而是此刻已经发生的颠覆。

3 月 22 日,在腾讯云架构师技术同盟举办的线下沙龙“DeepSeek 实战——驱动行业智变”中。优快云 高级副总裁、全球机器学习技术大会主席 李建忠老师在其题为《DeepSeek 创新驱动的 AI 应用寒武纪》的演讲中,为我们系统阐述了 DeepSeek 在 AI 领域的突破性创新及其对整个产业生态的深远影响。他借用生物学中"寒武纪物种大爆发"的比喻,形象地描绘了 AI 应用即将迎来的空前繁荣时代。正如寒武纪时期地球上生物种类爆发性增长,以 DeepSeek 为代表的大模型技术创新正在催生全新的 AI 应用生态系统。本文将跟随李建忠老师的观点,全面解读 DeepSeek 模型的技术创新如何引领产业变革,并探讨这场技术革命的深远意义。

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

一、DeepSeek的技术创新

大语言模型(LLM)自 ChatGPT 问世以来迅速发展,然而在 2023年 前,业界普遍认为大模型主要是以预训练为主的模仿学习,缺乏强大的推理能力。DeepSeek 团队的一系列技术突破正在改变这一现状,引领了从"训练为王"到"推理为王"的新时代。

推理范式的革命性转变

DeepSeek 最具革命性的创新在于其对强化学习在推理侧的全面应用和开源,这一突破与 OpenAI 的 o1 模型共同引领了大模型从"训练为王"到"推理为王"的范式转换。

这种转变实现了从"快思考"(系统1)到"慢思考"(系统2)的能力飞跃。借用诺贝尔经济学家丹尼尔. 卡尼曼提出的思考模式,李建忠老师指出:"系统1"是直觉的、无意识的快速反应,占人类日常思考的 95%;而"系统2"是逻辑性的、深度推理的思考过程,是科学发现和工程设计的基础。

图片

快思考与慢思考

在 2023 年 9 月底之前,市面上的大语言模型主要为快思考模式,缺乏深思熟虑的能力。OpenAI 的 o1 首先展示了强化学习在提升模型推理能力方面的潜力,顶级数学家陶哲轩评价 o1 已达到其带领数学博士生的水平。DeepSeek 于 2024 年 1 月底正式开源 R1 模型,时间点与 o1 接近,技术史上可视为几乎同步的突破。更为重要的是,DeepSeek 选择了完全开源其技术方案,在全球多个实验室得到了复现。

李建忠老师以通俗的方式解释了这一转变的意义:在强化学习出现之前,大模型主要依靠预训练学会了"讲知识",通过后训练学会"讲礼貌",强化学习通过奖励和惩罚机制,使模型真正具备了推理能力,学会了 "讲道理"。

模型架构创新

除了推理能力的革命性突破,DeepSeek 在模型架构上也实现了重要创新:

MLA(多头潜在注意力机制) 是 DeepSeek 在 2023 年 6 月 V2 论文中提出的原创技术,通过优化缓存减少了 93% 的查询 KV 量,显著提高了推理效率。

MOE(混合专家模型) 虽然专家网络的思想在学术界早已存在,但 DeepSeek 将专家网络数量推至 256 个,远超业界通常的 8-16 个水平。这种设计使得在实际任务中只需激活一小部分参数,例如在某个任务中,DeepSeek 总规模为 671B 参数,但只激活了 37B 参数,极大提升了效率。

图片

MOE与MLA

软硬协同的工程优化

凭借团队来自幻方的背景,DeepSeek 在系统工程和算法优化方面表现出色。他们实现了"压榨式"的算力优化,从跨节点通信到 CUDA 底层优化,在每个技术细节上都追求极致。

李建忠老师引用图灵奖得主 David Patterson 的观点:"硬件架构的创新往往诞生于软件需求对硬件的持续鞭策",认为 DeepSeek 的工程创新可能引领"软件定义硬件"的新范式,为中国突破国际算力垄断创造战略窗口期。

二、DeepSeek对AI生态的深远意义

DeepSeek 的技术创新不仅带来了模型能力的提升,更重要的是,它彻底改变了 AI 应用的成本结构。AI 应用普及的最大障碍之一一直是高昂的训练和推理成本,而 DeepSeek 通过一系列创新正在颠覆这一局面。

成本急剧下降引发应用爆发

DeepSeek 将大模型的训练成本降至 OpenAI 的约 1/20,更令人惊讶的是,它将推理输出成本降至与谷歌搜索相当甚至更低的水平:

服务类型成本对比
谷歌搜索约0.2美分/次基准参考
DeepSeek R1推理输出约0.2美分/次与搜索持平
DeepSeek对话输出约0.025美分/次搜索成本的1/8

这种成本结构的根本性变革具有历史性意义。李建忠老师将其比作 2011 年小米推出 1999 元安卓手机的情景——正是小米的低价策略,催生了微信、美团、滴滴等移动互联网应用的蓬勃发展。同理,DeepSeek 的低成本方案有望触发 AI 应用的"寒武纪式爆发",使 AI 技术真正走入千家万户。

对算力生态的重塑效应

DeepSeek 的推理范式转变对全球算力格局产生深远影响。在预训练领域,英伟达的优势遥遥领先,但在推理侧,其他厂商的差距大幅缩小。

随着强化学习推理范式的确立,推理市场将远超预训练市场,因为预训练会趋于收敛,未来可能只有少数几家厂商做自研模型。这一趋势已引起产业巨头的重视,英伟达 CEO 黄仁勋在近期 GTC 大会上明确提出"All in 推理"的新策略,表明推理市场的巨大潜力已获得普遍认可。

开源长期主义的战略性创新

与技术和成本创新同样重要的是 DeepSeek 的开源战略。DeepSeek 采用商业最友好的 MIT 协议,无下游应用限制,不仅开源模型权重,还开源了核心代码和技术方案,甚至允许模型蒸馏,为业界提供小模型方案。

从一开始,DeepSeek 就明确了"用长期主义来扩展开源语言模型"的理念。这种开源态度已在全球,特别是欧洲、东亚、中东等地区引发强烈关注,可能带来全球开源 AI 版图的重大变动。

三、AI产品的范式转换理论

理解 DeepSeek 创新的历史意义,需要将其放在更宏大的技术发展框架中考量。李建忠老师从历史和哲学角度探讨了技术演进规律,提出了理解 AI 创新的全新框架,帮助我们把握 AI 时代的产品机会。

技术演进的周期性加速

李建忠老师提出了一个技术发展的周期性框架,展示了人类科技史的加速趋势:
●  连接1.0时代(1837-1940年,约 100年):电报、电话、广播等将人类连接起来
●  计算1.0时代(1940-1990年,约50年):从大型机、小型机到 PC 的计算革命
●  连接2.0时代(1990-2020年,约25-30年):互联网和移动互联网再次连接世界
●  计算2.0时代(2020年至今):大模型开启 AI 时代的新计算革命

这一演进过程呈现明显的加速特征,周期不断缩短(100年→50年→30年→?)。按此推算,人工通用智能(AGI)可能在 2035-2040 年到来,与谷歌 AI 学家库兹韦尔预言的 2039 年相近。李建忠老师指出了一个重要认知差距——人类对变化的感知往往是线性的,而技术发展实际上是指数级的,这导致我们经常低估技术变革的速度和影响深度。

创新"立方体"模型

为了更好地理解 AI 创新机会,李建忠老师创造性地提出了三维"立方体"模型来表达他的思考:
●  X轴(技术轴):计算1.0、连接2.0、计算2.0等技术演进路径
●  Y轴(需求轴):信息、娱乐、搜索、社交、商业等人类核心需求
●  Z轴(模态轴):文字、图片、音频、视频、3D 等表现形式

技术史上的发展往往遵循特定模态路径:从文本开始(如博客),逐渐发展到图片(朋友圈)、音频(喜马拉雅)、视频(视频号);大模型发展也遵循类似路径,从文本模型逐渐向多模态扩展。

大模型的差异化颠覆力与内容创作民主化

基于这一立体模型,李建忠老师分析了大模型在不同领域的颠覆力差异。在生产力工具、搜索、信息等领域,大模型的颠覆力强且快速,因为大模型智商高,能有效解决问题、提高效率。相比之下,在电商、娱乐、社交等领域,大模型的颠覆力较弱且缓慢,因为大模型情商极低,无法提供情绪价值。他形象地总结:"大模型提供内酚酞(成就感),但不提供多巴胺(快感)"。

从哲学层面探究这一差异的根源,李建忠老师指出大模型的根本局限在于"不懂死亡"——正因为没有生死概念,大模型无法真正理解构成人类价值体系的爱恨情仇。这一观点解释了为何在各平台上的数字人体验普遍不佳,用户感受到的是"冰冷"而非情感连接。即使在智能高度发达的未来,人类的情感需求仍将是不可替代的。

与大模型的颠覆性影响同步发展的是内容创作门槛的持续降低。传统媒体时代只有主编才能发布内容,Web2.0 时代博客作者与读者比例约为 1:100,短视频时代如某短视频平台的创作者与用户比例已达到 3:8,而AI时代可能实现 1:1 的创作消费比例。李建忠老师提出了"提示词就是创作"的新口号,预示着创作与消费边界的最终消融。

四、AI智能体的爆发与应用新生态

DeepSeek 等模型在强化学习方面的突破为智能体(Agent)提供了关键能力,我们正进入 AI 智能体的爆发期。智能体不再是简单的对话工具,而是能够实际执行任务的行动主体,这将彻底改变互联网的基础架构。

智能体补足大模型的局限

DeepSeek 的强化学习突破为智能体提供了关键能力,补足了大模型在记忆、规划、工具调用和协作方面的不足。李建忠老师强调,正是因为推理能力的提升,智能体才能在 2024 年迎来真正的爆发。

从信息网络到行动网络

AI 发展历程可以概括为三个关键模式的演进:

●  检索模式(传统计算产业)专注于存取、查找、计算,所有互联网应用本质上都是这三件事的组合。
●  生成模式(大模型初期)拓展了学习、预测、创造的能力,扩展了计算机从数据处理到内容生成的边界。
●  行动模式(智能体时代)突出了推理、规划、执行的能力,如 Manus 等应用已展示的全新交互范式。

这一演进将带来从"对话交互"(被动的、独立的,用户一天只提出有限问题)到"伴随交互"(主动的、持续的,如自动安排会议、订机票等)的根本性转变。

智能体重构互联网生态

更为深远的是从"信息网络"到"行动网络"的转变。李建忠老师提出了从"信息网络"到"行动网络"的转变理论:

●  信息网络(传统互联网):人类查询信息→人类规划→人类行动→得到结果 
●  行动网络(智能体时代):人类表达需求→智能体规划→智能体行动→人类得到结果

这一转变将重构整个互联网生态,因为未来不仅是人类使用互联网服务,智能体本身也将成为各种服务的消费者。

搜索引擎将为智能体提供决策信息;广告系统需要适应智能体的需求;电商平台将面对智能体代替人类决策的新现象;智能体之间的信息交换将形成新型社交网络;智能体也需要了解世界新闻以做出更好决策。多智能体协作不仅发生在人与 AI 之间,还会发生在 AI 与 AI 之间,形成新型的"智能体社会"。

未来的产品设计将从面向人类需求转变为同时面向人类和智能体的需求,整个互联网逻辑和模式将在 AGI 时代被彻底重构。这不仅是技术层面的革新,更是整个产业形态和社会结构的深刻变革。

结语

DeepSeek 的技术创新,尤其是强化学习在推理方面的突破性应用,标志着 AI 从训练到推理的范式转变。其开源策略和成本优势正在引发整个 AI 应用生态的"寒武纪爆发",而这仅仅是 AI 革命的开端。随着技术周期加速演进,我们正在进入从信息网络到行动网络的历史性转折点,智能体将彻底重构互联网生态。

李建忠老师的立体框架为我们提供了理解这一转变的多维视角,而他对大模型局限性的哲学思考——"大模型不懂死亡"——则为我们理解 AI 与人类的关系提供了深刻洞见。在这场技术革命中,技术本身以前所未有的速度发展,但人类的情感价值与创造力将始终是不可替代的核心资产。面对这一前所未有的变革时代,我们需要既拥抱技术创新,又保持对人类价值的坚守,共同塑造 AI 时代的新形态。

腾讯云架构师技术沙龙

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!

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 1219

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 762

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: DeepSeek驱动行业智变提速,腾讯云汇聚大咖共话进阶之路
下一篇: 腾讯程序员:从做管理转回写代码,我所理解的工程师文化
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