腾讯云 TVP 走进三一集团,揭秘 AI+DeepSeek 工业智造新未来

腾讯云TVP走进三一集团,揭秘 AI+DeepSeek 工业智造新未来

随着AI 技术的不断成熟,AI 在工业领域已成为提升生产效率、降低成本、优化流程的创新力量。DeepSeek 的出现为工业注入全新的动力,有效为企业智能化转型提供强大技术支持。在实际落地中,面对复杂的工业环境,如何最大化发挥AI+DeepSeek 潜力?如何在工业领域拓展更多AI创新场景,加快工业企业的数智化转型?

4月10日,由腾讯云 TVP 与三一集团联合主办的「AI+DeepSeek工业场景融合——腾讯云TVP走进三一集团」活动在长沙成功举办。本次活动汇聚来各行业及技术领域的产学研专家,一同参观三一智联重卡产业园和三一重工18号灯塔工厂,实地见证三一集团先进的智能制造实践。通过主题分享和互动讨论的方式,各位专家多视角深入探讨 AI+DeepSeek在工业场景的最新落地与发展,以及工业数智化转型之道,共同见证前沿 AI 技术如何真正赋能工业。

开场致辞

三一集团首席信息官、腾讯云TVP 许国强

三一集团首席信息官、腾讯云TVP 许国强在致辞中表示,自2018年起,三一集团将数字化转型作为三大战略之一,并将数字化转型分为三大方向:智能产品、智能制造和智能运营。在智能产品上,三一集团提升设备、挖掘机等主机产品的智能化水平,例如通过为远程控制的无人挖机及矿山装配设备添加AI能力,使产品智能程度越来越高。在智能制造上,三一集团建立全球重工行业的灯塔工厂,其“18号灯塔工厂”是智能制造行业的典范。基于“三四互”基座能力,三一结合AI质检和工业视觉等技术,来增强其智能制造能力与提升效率。在智能运营上,将研供产销服等业务流程进行数字化改造,并实施“全员AI”策略,使用AI来为业务赋能。

通过本次三一集团与腾讯TVP的活动,大家一起探索在第四次工业革命浪潮下,如何将数字经济与实体经济进行融合。许国强表示,期待通过专家们的共同研讨激发乘数效应,通过分享企业实践探索出新发展路径,让我们共同探讨中国制造的新发展范式,共见数字世界如何影响实体世界,构筑全新未来。

腾讯云副总裁、智能制造与智慧能源负责人 曹磊

腾讯云副总裁、智能制造与智慧能源负责人 曹磊发表致辞谈到,DeepSeek等技术的爆发给传统行业带来巨大冲击及不确定性,但更多的是机会。腾讯云TVP 旨在搭建一个畅所欲言的分享交流平台,以促进新兴技术在不同产业中的探索与创新。本次TVP走进三一,也是期望拉通产业,对标标杆,互相借鉴,共促发展。

腾讯 2024 年最新财报向产业传递出,在To B领域,腾讯更加注重业务健康可持续,更加强调产品与研发投入,进而更加夯实面向产业的服务能力。聚焦 AI 及大模型,在本次技术浪潮之初,腾讯就注重自研大模型的投入,DeepSeek爆发之后,腾讯从SaaS应用,PaaS产品及云底座,全面接入,赋能产业。

腾讯与三一集团的合作由来已久,双方于2014 年共同打造“根云”工业互联网平台,融合腾讯云底座及三一集团在工程机械行业的领先实践。在矿车远控场景中,通过 5G、自动驾驶、腾讯音视频等技术实现矿区无人驾驶。获得行业嘉奖的同时,在矿区、港口大规模落地商业化应用。此外,双方合作开发CDC专属云架构方案,开创智能制造领域云边端一体化的先河。在大模型时代,腾讯将与三一集团继续携手,共同推动AI 技术在产业场景的落地。

未来已来:DeepSeek与大模型协同进化之路

中南大学信息与网络中心主任、腾讯云TVP 奎晓燕

中南大学信息与网络中心主任、腾讯云TVP 奎晓燕发表《未来已来:DeepSeek与大模型协同进化之路》的主题演讲。

DeepSeek拥有开源、免费、低成本、功能强大的特点,是中国AI技术的重大突破技术。DeepSeek支持智能对话、文本生成、语义理解、计算推理、代码生成补全等应用场景,支持联网搜索与深度思考。自2023年7月推出以来,DeepSeek经历多次迭代,今年1月推出的DeepSeek-R1在大模型排名Arena中其基准测试升至全类别大模型第三。

目前,DeepSeek在高校的应用主要分为三大块:在科研方面,通过DeepSeek进行文献分析和知识发现,进行跨学科研究、数据分析等;在教学方面,可通过DeepSeek辅助教学演示、实验数据分析、数字教材、大纲生成和制作PPT等;在校务管理上,对学生画像进行分析与建议、育人成效评估,进行办公自动化、行政管理、食堂成本分析,还可进行业务咨询和场地预约等。

中南大学今年2月上线校园版DeepSeek,3月上线DeepSeek-V3满血版;在技术培训上,设计各类 AI+课程,邀请院士专家做DeepSeek知识培训;还有搭建中南大学AI能力应用中心等。

奎晓燕提醒道,我们拥抱技术变革时,需要理性看待大模型的能力,明确其优势与局限,避免过度依赖。她建议,加强师生和管理者AI素养培训,结合专业领域知识优化使用效果。其次,以AI建设倒逼数据治理与系统整合,如利用AI建设需求,推动校内数据标准化、清洗与跨部门共享;还需打破数据孤岛,整合教务、科研、管理等系统,构建高质量数据底座。然后,建立“场景驱动”的渐进式的推广路径,优先选择高价值、低风险场景试点,最终形成“试点—反馈—优化—推广”闭环,确保技术与需求精准匹配。

AI引领:三一创新实践与产业赋能

三一集团首席数据官 傅杰

三一集团首席数据官 傅杰在《AI引领:三一创新实践与产业赋能》的演讲中,介绍三一集团的数智化转型之路、智能制造实践以及AI应用的具体案例。

回顾三一集团数智化转型,经历以下重要阶段:

  • 破冰期(1999年):引入 CAD 软件,开启 3D 数字化设计;
  • 基础建设期(2000-2010年):逐步将数字化应用于部分业务的线上管理,与企业的快速发展同步进行;
  • 高速发展期(2010-2020年):通过 CRM、PLM 等系统的实施,实现全面信息化,打通研供产销服业务流和数据流, 基本实现产品全价值链的线上管理;
  • 数字蝶变期(2020年后):全面数智化变革,实现数智化三一,智能制造。

其中,数智化是三一集团关键的三化战略之一。

目前,三一在智能制造实践收获一些成果和进步:三一建设全球重工行业仅有的 2 家“灯塔工厂”,全球风电行业首座“灯塔工厂”,三一内部工厂以灯塔工厂标准来制定工艺流水线。装备自动化通过引进机器人等自动化设备,大模型等 AI 技术来实现分拣、自动开坡口和机器人喷涂等过程的智能化,大幅提升生产效率。三一搭建韶山叶片数字元平台,通过数字孪生技术,实现虚拟工厂与现实工厂数智物联,大幅提升风电叶片产品质量和生产效率。

在智能运营上,三一集团 AI 应用整体战略逻辑是围绕业务,梳理业务场景,将业务在线,把数据采集清晰定义好每个场景下到底需要哪些数据,真正做到“All in AI”。基于此,AI 整体规划是打造“数据+AI” 双轮驱动体系,统一数仓沉淀数据资产,基于 AI 基座支撑多场景应用形成“数据治理-资产沉淀-AI 赋能”闭环,来加速数据价值转化。目前,三一在 AI 应用的探索已覆盖生产制造(自动排程、智能套料)、营销服务(智慧导购、售后服务助手)和智能办公(数字人、多语种翻译)等领域。

傅杰表示,三一集团正处在全面 AI 探索的过程,不仅积极构建自身基础能力,还携手腾讯等企业共同推动技术创新与发展。

企业级数字员工落地的实践

来也科技首席产品官、腾讯云TVP 褚瑞

来也科技首席产品官、腾讯云TVP 褚瑞 分享《企业级数字员工落地的实践》的主题演讲。褚瑞从他在2001年做的“按键精灵”谈起,并说明时至今日,企业员工仍然需要每天在不同业务系统中做一些录入、校对或复制粘贴等简单重复的工作,效率十分低下。为了提升办公室自动化程度,来也科技从“按键精灵”中获得灵感,在2019年推出数字员工产品,也就是依靠RPA和AI技术,让软件自动帮员工完成每天重复的劳动,这是数字员工 1.0 版。

当大模型时代来临,褚瑞认为大模型技术推动了数字员工的升级,实现了数字员工 2.0 版本,它包含两种主要的应用范式:

  • AI Agent(智能体/智能助理):常以对话机器人作为入口,可根据用户需求,由大模型自动拆解任务并执行,方便灵活地完成指定任务。
  • AI Workflow(智能工作流):常以定时器、触发器作为入口,并以工作流的方式来定义任务的每个步骤,在任务中引用大模型能力,以自动处理大量复杂的工作。

以上两种范式各有优缺点,AI Agent 主要是减少个人工作量,AI Workflow 主要是提升业务效率,前者优点在于开发成本低,灵活性强,后者优点是执行效率较高,确定性较高。根据目前的观察,在企业场景中,以 AI Workflow 为主,以 AI Agent 为辅。

褚瑞强调:“在AI Workflow中,更强调的是人、大模型、传统程序的三者协同,并不是有了大模型其他的就不需要了。实际上,人、大模型、传统程序各有优缺点,需要在不同场景选择恰当的组合来解决问题。”

在企业应用AI Workflow 落地时,褚瑞有以下建议:首先,不能想当然,要对大模型的输出格式进行验证,如果验证不通过,不妨重试几次;其次,传统程序能做的,就用传统程序做,如果要用大模型,尽量一次只用来做一个相对单一的子任务;最后,如果要对工作流的结果负责,仍然有必要设置传统程序或人工验证的环节。

腾讯云AI与大模型实践分享

腾讯云企业数字化首席专家、腾讯研究院特约研究员 马徐

腾讯云企业数字化首席专家、腾讯研究院特约研究员 马徐带来《腾讯云AI与大模型实践分享》的主题演讲。

当我们来到 AI 时代,工业企业如何实现转型升级成为重要议题。新质生产力从最初的从“三大特征”到“五个着力点”,涵盖技术的更新突破、新产业体系、绿色低碳、新生产关系、人才等,其中蕴含重要启示:随着 AI 时代的发展,工业企业转型升级不全是AI。

基于此,腾讯云提出五个“新”方向来助力工业企业转型:“新”产业布局,从产品出海到产业出海;“新”业务场景,AI 与大模型驱动场景创新;“新”生产要素,数据成为重要的生产要素;“新”IT基础设施,集团一体化IT基础设施升级;“新”组织方式,组织效能的全面提升。

腾讯云在每一个维度上均做了大量的尝试,在本次演讲中马徐详细介绍腾讯云在AI和大模型方向所做的工作。腾讯云提出“N+6+1+1”体系架构来助力 AI 和大模型在工业企业的落地。即N个延申场景,6个速赢能力,1 套算力底座,1 套AI产品化团队。

“N”是指N个贯穿工业企业研、产、供、销、服、IT 的AI场景,例如加速研发流程、绿色智能生产、精益智慧运维、客户体验提升、IT降本提效等场景。6 大速赢能力包含文生文、文生图、文生视频能力,数智人,知识引擎,智能客服,数据分析,员工助手这六项能力。

对于不同规模的企业,马徐建议采用适合自身情况的AI部署方案,大型企业可使用混合云模式,而中小型企业则推荐公有云的方式。此外,随着AI时代的到来,企业组织架构应有适当的调整,他认为企业建设全功能的AI团队至关重要的,确保从“AI项目” 到“AI产品” 持续运营,该团队应包含产品专家、算法专家、技术专家和运营专家,以确保AI项目的顺利推进。

深度探讨热点话题,观点PK创新思维

腾讯云TVP 系列活动注重交流和分享,本次活动的最后一个环节是开放讨论,数十位来自工业、AI 领域的专家分组交流,通过两个 AI 热点话题开启AI 如何赋能工业未来的深入探讨。

话题一、AI战略如何与企业数智化转型路径协同?

三组永钢集团 赵国宾表示,一是AI应用应聚焦核心业务,分析企业主要业务价值点,从中找到数字化转型和AI落地的方向,这是实现最大效益和最有效投入的方式。二是以点带面推进,落地AI和数字化转型的经验是相通的,相对来说企业很多点的数据质量非常好,找到这些领域,利用AI技术来解决实际的业务问题,使其比人工操作做得更好、更准确、更高效,当多个这样的业务“点”被 AI 提升效率后,逐步构成“面”的变革。

赵国宾表示,目前关于AI的讨论热烈,但在具体主体业务里的实际落地案例并不多。这反映出AI对业务数字化的要求较高,希望在这轮AI浪潮下,企业重新审视并加强其数字化转型的基础工作,为未来的AI落地打下坚实基石。既不能很超前,也不能太保守,应将AI与数字化转型有机结合,通过抓主要业务、由点及面的方式,通过 AI 反推原先企业数字化转型工作有效落地。

话题二、大模型在智能制造行业的落地和应用

来自第一组的代表,三一集团 傅杰表示,针对大模型在智能制造行业的落地和应用话题,从研供产销服领域来看,可使用大模型做以下工作,例如在营销上,利用大模型提升客户问询处理能力和产品理解力;在零售上,探讨大模型是否能替代传统推荐模式,并优化库存结构等;在服务上,通过大模型技术提升服务水平。

此外,在构建大模型专业领域知识库时,尤其是医学等特定行业,对知识的要求较高,无法通过众包或低成本的模式由普通人完成标注,需要行业专家的参与,这无疑增加成本。因此,未来应建立专门的训练知识设计标准、知识生产流水线以及完善的生态系统,以满足专业领域的要求。

值得一提的是,高校学生思想活跃、开放,是企业创新的活水。加强校企合作,有效推动大模型技术创新与落地。

二组代表青宁科技 白慧冬指出,目前业内在使用大模型的过程中有个误区,是人们认为简单得将通用大模型与专业数据简单结合,就可以获得期望的专业结果,这是严重错误的。

所有的大模型都有所采集方向的数据与逻辑提取的算法,经过大量正负样本数据的深度学习训练后形成的结果集,脱离基础场景直接输入专业数据,不可能获得专业结果,而且所有的大模型给普通用户提供的会话长度都是有限的(对计算能力和缓存空间有限),这些会话长度里所填充的数据不足以构建起专业模型的深度。真正的专业模型是基于底层采用专业数据通过深度学习方法逐层构建起来的。

对于智能制造领域,基于自身数据构建起专业大模型是不可或缺的,而不能单纯依赖外部通用模型加自身积累的数据。

大数据和数据量巨大之间,也有着一个巨大的专业鸿沟。

例如在材料加工的过程中涉及材料缺陷发生的概率问题,即使材料从基础矿藏到采矿过程到冶炼、提纯和加工制造是标准化流程,里头存在因为原材料和加工制造过程中出现的概率性的缺陷问题。这意味着企业需要基于自身数据构建适合自己需求的大模型,基于这样构建起来的大模型,才能对未来设备的使用寿命缺陷的发生以及分布等获得更有效的预测与计算结果,只有这样才有助于精准地识别和管理生产和产品运行过程中的潜在风险。

结语

在「AI+DeepSeek工业场景融合——腾讯云TVP走进三一集团」活动中,上午,与会专家们实地考察三一智联重卡产业园和三一重工18号灯塔工厂,亲身感受三一集团在先进智能制造领域的落地实践。下午,来自工业制造、数字化、AI领域的产学研专家从多视角分享前沿的实践经验与真知灼见,为我们带来宝贵的启发和切实的指导。在分组研讨环节,各位专家从不同角度深入探讨数字化转型与AI技术的发展路径,帮助我们理清思路,带来诸多收获。

未来,腾讯云 TVP 将继续携手更多大咖,走进更多企业,分享最新鲜、最落地的技术实践。腾讯云 TVP通过开展各类线上线下活动,为大家提供一个开放、平等、知无不言的交流环境,献上一场场精彩有料、有趣、有用的技术盛宴。

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 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: Electron以慢著称,腾讯文档却能实现内存优化60%?
下一篇: 智能运维新时代:如何打造你的专属知识库
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