TVP专家谈CodeBuddy:助力高效编程,潜力无限

导语 | 近日,由腾讯云 TVP 携手腾讯云代码助手CodeBuddy团队精心打造 TVP 吐槽大会腾讯云 CodeBuddy 专题线上研讨会圆满落幕,7 位资深的行业专家深度体验CodeBuddy,分享真实体验和建议,在用户体验、产品能力、生态发展等多角度给出进化秘笈。一句话就能生成好应用,CodeBuddy真有这么强?一起来看看TVP专家与CodeBuddy 产品技术掌舵人的巅峰对决!

腾讯云代码助手 CodeBuddy 融合工程理解 Codebase、代码补全 、单元测试、代码评审、MCP 等多能力于一身,还推出Vibe Coding对话式编程智能体 Craft, 真正实现 "一句话就生成好应用"。

为了聆听用户的真实使用体验,5 月 17 日,腾讯云 CodeBuddy 登上 TVP 吐槽大会的舞台,接受业界大咖的深度体验与暴风吐槽,为 CodeBuddy 带来真实的用户反馈与洞察,推动 AI 编程工具的持续进化。

腾讯云CodeBuddy:一句话就能生成好应用

大会嘉宾:

Agilean 首席顾问、腾讯云 TVP 吴穹

领敏科技创始人、腾讯云 TVP 乔梁

德邦基金 CTO、腾讯云 TVP 李鑫

心莱科技 CTO、腾讯云 TVP 李文强(本期Talk King)

清华大学计算机博士、腾讯云 TVP 陈旸

天润聚粮执行董事总经理、腾讯云 TVP 付晓岩

永辉彩食鲜大前端负责人 丁建忠

在对CodeBuddy 深度体验后,德邦基金 CTO、腾讯云 TVP 李鑫评价道: “惊艳”“震撼”最能形容它带来的感受。CodeBuddy 是一款和 IDE 集成度非常高的智能化开发辅助工具,其智能化开发能力堪称 “杀手级”,提供非常全面、完善的功能的支持。

智能化编程综合体 Craft,通过分析用户意图给出详细思路和所依赖的核心组件,进而自动生成工程项目、编译、运行。在代码文件生成过程,它和用户确认,并根据用户意图进行调整,最终生成符合用户需求的应用。CodeBuddy除了支持常规的文本匹配补全能力外,还支持智能化的代码补全,用户可以用文字输入意图,CodeBuddy 自动识别并生成相关代码,做到人机交互。CodeBuddy 可一键识别所有的测试路径,并解释每条测试路径的用途,达到近100%的测试覆盖率。CodeBuddy 提供Code Review 功能,能精准识别工程代码的隐患和漏洞,给出合理化修改建议。CodeBuddy 提供和IDE紧密结合的对话Chat。它支持通过Ollama部署本地大模型。开发者能自由调配AI能力,既能用云端模型解决大型项目需求, 又能用本地模型处理敏感任务,十分灵活。CodeBuddy 支持 MCP,用户可以基于 MCP 市场来选择支持 MCP 智能体,用搭积木的方式来构建自己的 DevOps。

李鑫给 CodeBuddy 打 9~9.5 分(满分 10 分),未来 CodeBuddy 可进一步完善优化:一是目前 CodeBuddy 不支持 诸如NetBeans IDE这类较小众的IDE,二是在使用 Craft 生成项目过程中,需要人工确认的内容较多,建议先批量生成,并提供后修改功能。

清华大学计算机博士、腾讯云 TVP 陈旸表示,CodeBuddy 基于腾讯混元大模型和 DeepSeek 模型,支持 200 种编程语言,兼容主流 IDE,具备 MCP 支持,拓展应用能力。他认为最大的亮点是拥有知识库问答、代码诊断与优化、单元测试。他结合实际应用场景进行演示介绍,与同类产品相比,CodeBuddy 使用起来智能、流畅。目前 CodeBuddy 个人版免费,企业旗舰版免费,专项版收费,费用较合理。他分享两个 CodeBuddy 令人惊艳的功能,一是创建智能体,在企业用户里创建智能体后,所有成员都可以使用这个智能体,其他智能体也可以和它交互。二是企业知识库存,支持自定义知识库, 比如新建 DashScope 使用知识库,方便后续直接查询开发文档。

在实际使用 CodeBuddy 的过程中,陈旸认为CodeBuddy 在单元测试上表现尤为出色。对比同类产品,CodeBuddy 生成的测试代码准确,操作便捷,是他使用过最好用的单元测试工具。同时他提出一些建议:当处理超出上下文的数据表时,可能导致死循环的问题;在使用 CodeBuddy 时,选中部分代码或数据后,无法便捷地将其插入到聊天窗口中;CodeBuddy 支持 MCP ,期待未来能进一步丰富生态资源。

针对以上问题,主持人CodeBuddy 运营负责人 孔德远回应道,针对上下文的限制,团队正在持续优化。在终端过程中,可加入Carft 或作为一个上下文引用,这样报错可快速解决,目前这个功能已经支持,后续将做相关操作指引说明。

心莱科技CTO,腾讯云TVP李文强在深度测评 CodeBuddy、Cursor Agent时,从企业级开发场景设置四个测试关卡来对比两者实力。他发现从0到1构建项目,CodeBuddy遥遥领先,CodeBuddy 一次生成项目,技术实现完全超预期,并且 UI 美观。业务逻辑进阶测试环节,在对考试管理系统题目的数据解析、批量题目解析上,两者表现相当。从项目结构来看,CodeBuddy生成单一工程,没有把测试代码和业务代码做分离,相对来讲,项目结构Cursor更合理,但是没有一次到位。在对历史代码维护挑战上,从代码结构和可拓展性,CodeBuddy的Craft 实现得很好。在对代码复用场景里,在没有规则的情况下,CodeBuddy和Cursor都分别完成模块的完整实现。从整体测评效果来看,他认为 CodeBuddy 更具优势。

然而在企业级开发场景中,他认为没有赢家。AI 编程虽能提升效率,但也带来四大“幻觉”:效率幻觉、规范性幻觉、能力边界幻觉、高产下的隐形危机。因此在实际的过程中,他建议开发者结合使用各项 AI工具,不要迷信AI编程。在将复杂需求进行结构化拆解,结合项目规范和精准的约束条件后,开发者可以基于 AI 编程工具实现目标代码的精准生成,高效完成开发任务。

孔德远回应道,CodeBuddy 已上线 rules规则功能,可在高级设置里开启。

永辉彩食鲜大前端负责人 丁建忠使用CodeBuddy来开发个人和企业项目,他认为 CodeBuddy 的表现超预期。在细节上,他希望 CodeBuddy 还可在以下方面做一些精进:例如在交互体验上,CodeBuddy 设计最小窗口宽度设置不合理,无法自适应缩放,在 CodeReview 场景中有些交互操作不够直观。在产品命名上,Craft 与 Chat 模式的功能边界模糊,“Craft”一词在文档里没有具体解释。“default”模型尽管在文档中说明为腾讯混元大模型,但没在界面直接展示名称。

在代码评审上,目前 CodeBuddy 的能力还有提升空间,建议CodeBuddy设置相关规则,让它达到更好的效果。在大模型能力上,CodeBuddy 可在某些场景里从“快”与“好”之间提供更多选择,以满足不同开发场景的需求。未来他期待 CodeReview 可预设最佳实践 rules,使用更多案例来介绍 MCP,在交互细节、大模型等方面持续优化迭代。

Agilean首席顾问,腾讯云TVP吴穹从今年 2 月起,他开始持续使用 AI 编程工具重新投入编码实践。当前国内企业十分关注国产 IDE 的发展进程,他欣喜地看到腾讯推出 CodeBuddy,从数据安全来看,如果没有国产IDE,本地AI生产力工具进入企业将十分困难。他认为,IDE 未来将成为研发团队的顶级入口。当前越来越多的代码、文档等信息都存储在 Git 里,贯彻“Everything As code”理念。

本次他基于真实项目,对CodeBuddy和Cursor的进行深入测评。他观察到,CodeBuddy 的 Craft 功能基本和 Cursor 核心功能持平,但有一些细节需要继续打磨,例如在文件名搜索定位还需加强,另外在回退操作中出现炫酷动画,一行行扫描代码,这个过程稍微有些慢,影响开发节奏。他建议 CodeBuddy 尽快提供“@整个目录”的功能,以帮助开发者分析代码。未来,他期待 CodeBuddy 持续优化 Craft 的使用生成细节,需要提供目录作为上下文的能力,还需增强模糊搜索能力。AI 浪潮席卷下,随着国产化 AI 编程工具的发展,CodeBuddy 赋能企业用户,帮助开发者真正从中获益。

润聚粮执行董事总经理,腾讯云TVP付晓岩从事业务能力设计,通过业务能力推导企业系统设计,他从一位不会写代码但深度使用AI编程工具的独特视角来体验 CodeBuddy。在他看来,AI 编程工具不只是编程入口,未来 AI 编程工具可作为操作级系统的入口。对于很多企业来说,竞争力就是数字化速度,编程工具对于提高企业系统质量,提高转型速度发挥很大作用。

在实际体验的过程中,付晓岩基于软件工程和企业架构的思路,和 CodeBuddy 一起讨论系统需求、业务架构、业务流程、数据模型、数据库、应用架构的设计等。在所有架构文档设计出来后,让 CodeBuddy 进行编码、测试,付晓岩不会写代码,但在 CodeBuddy 的支持下,不到半个月的时间做出一套成熟的系统。

然而他发现,目前 AI 编程工具野心太小,大多定位在给技术人员辅助编程的目标上,期待能进一步帮助非专业人士开发属于自己的应用,降低编程门槛。此外,AI 编程工具的界面风格基本相似,例如黑色编程风格,希望未来会有更多个性化设计。他表示,AI 编程工具前景广阔,期待 CodeBuddy 能成为行业里顶尖的编程工具。

《持续交付2.0》的作者、腾讯云 TVP 乔梁表示,他早在今年3月就开始体验一次CodeBuddy。在刚刚打开 CodeBuddy 时,它给人的感觉是“非常熟悉”,与其它同类产品的基本设计都类似,当然也是免费试用的,初次体验还OK。

近期腾讯云 TVP 带着CodeBuddy 发布的Craft 智能体和MCP 以及众多新功能邀请我体验。我使用了 CodeBuddy Craft Agent能力,并提供更多的上下文,发现20分钟左右用尽了Token,遇到了限额。乔梁老师第一时间把这个体验问题反馈了CodeBuddy同学,CodeBuddy的产品相关同学专群重点支持,推进,并于当晚紧急协调GPU资源,感受到腾讯云CodeBuddy对于用户是在真心服务,这是其他大厂没有的服务!

后来,乔梁老师在自己的日常工作中更长时间地体验了 CodeBuddy,并提出了一些使用中遇到的一些case,比如图片作为上下文上传功能、生成文档、和代码,总体带来的感觉是惊讶。在使用CodeBuddy 做编码相关的工作时,在提示词中要求是“翻译成中文”,但结果没有发生变化,重启就好了,也许是万能的重启大法。

另外,在要求 CodeBuddy对 MarkDown文档做全文翻译时,它会自主添加内容(比如将文件名写翻译出来并加入到正文中,但是也偶尔产生了“翻译结果错位”的情况,同时我们把相关问题反馈给到CodeBuddy团队,CodeBuddy团队也在持续完善,体验之后乔梁老师感慨:总体而言,相比3月之前版本,CodeBuddy进步非常快,推出了Craft Agent、MCP、知识库、Rules并增强了代码评审和单元测试能力,这是一件非常好的事情。腾讯很多产品都是从细节体验打磨胜出,我们也期待CodeBuddy完善的更加智能,让用户在工作中能快速地进入“心流状态”。

聆听真实心声,匠心打磨产品

CodeBuddy 产品技术嘉宾:

腾讯资深产品专家&产品负责人 汪晟杰

CodeBuddy 技术负责人 杨苏博

腾讯云开发者产品负责人 李婧玮

AI IDE技术负责人 林伟勋

腾讯云开发者AI产品负责人 丁宁

CodeBuddy 运营负责人 孔德远

腾讯资深产品专家&产品负责人 汪晟杰首先对各位老师的真实反馈和建议表示感谢,产品团已认真记下这些反馈,其中有一些功能已在规划当中。例如在今年上半年,CodeBuddy在代码评审、单元测试、代码补全、知识库等功能上优化迭代,并推出多端 IDE 支持。在智能体Craft上,在Q2末将升级一个大版本,做Ask、Edit、Craft智能的大一统,所有的模型都会变成同一种交互形态,在对话里面提供不同的模式,同时提供Edit,模型通过用户意图识别判定用户是Ask、Edit、Craft。

汪晟杰总结了Vibe Coding 的五大要点:立范围、述问题、定目标、提示事例、补要求。根据这五点的话,CodeBuddy 产品也在持续优化,例如在产品层面上会约定有更小更优的改动机制,将 rules 开放设计给到人,让人告诉AI怎么去生成。强化模型,深耕模型参数和微调,提高推理速度,增强对反思机制的灵敏,做拓展机制,活动加强拓展机制、压缩提示词等,还将设计一些demo案例等。

今年,CodeBuddy聚焦在编码智能体和Agentic Workflow中,深耕企业场景下自定义的能力,支持自定义的扩展指令、rules、模型、快速开发、接入、MCP等。后面还会规划CodeBuddy 的出海能力,再考虑国外模型的接入。近期,CodeBuddy 将发布一个大版本,欢迎大家来体验。

腾讯云CodeBuddy 技术负责人 杨苏博从技术层面进行回应,他明确CodeBuddy 的核心逻辑为两个功能,一是基于自然语言来生成代码,二是基于已有的代码来生成代码,所有功能都是围绕这两个点来展开。

AI产品的核心是把它当成具备人类思维的智能体,从这个角度来看,CodeBuddy在IDE的底层对产品功能进行拟人化设计,通过模拟人解决问题的思路,用AI的方式来帮助开发者解决问题。未来,我们会实现预测下一次边际行为,例如开发者有哪些编辑历史,模型根据编辑行为和打开文件的上下文信息,来推测开发者接下来要写的代码是什么。

针对乔梁老师提到的补全提示有重复的问题,内部正在优化中;单元测试的问题,通过Carft功能来实现单元测试是可以的,腾讯内部也会用Carft来生成单元测试。关于插件放在左侧的问题,目前受限于 VS Coding 插件扩展机制,它不支持放到右侧,所以只能放到左侧,未来提供 AI IDE 产品能力时,可以将它放在任意位置的,这块内容请大家尽请期待。

腾讯云开发者产品负责人 李婧玮针对MCP 案例问题的回应道,不同 MCP 的使用方式不同,如何更好地引导大家使用 MCP,团队后续将进行更多的运营和分享。关于 MCP 资源,例如高德地图等将尽快上线。另外,大家可提交自己开发的MCP,经人工审核通过后,可投放在 MCP市场。一些配置习惯使用的MCP,团队会根据用户需求分享 MCP 内容。此外,腾讯云开发社区也有 MCP 市场。

腾讯云 AI IDE技术负责人 林伟勋针对李鑫老师提出的在Craft 生成项目过程中,需要人工确认的内容较多的问题,林伟勋回答道:其实这是 CodeBuddy出于安全的考虑,后面将设置更多开关让 AI 模型可自主完成。针对上下文超限的问题,这是行业共性问题,解决思路是可以尝试将这些内容去掉,让AI确定什么时候读回来。

针对吴穹和付晓岩老师提到的如果 IDE 设计得更加用户友好、降低使用门槛,就能面向更广泛的用户群体。传统的 IDE 界面以黑色背景为主,左侧为目录树,中间代码区,右侧为插件区。未来 IDE 有更多创新,使得 IDE 不仅服务于开发者,还能被产品经理、设计师、架构师、普通用户广泛使用。

腾讯云开发者AI产品负责人 丁宁表示, 腾讯云CodeBuddy 的定位除了解决个人开发者的问题外,对企业研发团队、Startup 研发团队而言,总体思路是将所有工具串联,将决策交给大模型,大模型拿到用户输入后做推理决策,基于 Code base、RAG做精准召回,做超短期记忆检索,做 Planning,将需求、任务拆解,规划后去执行。在 DevOps环节中,它可拆分成规划、设计和开发,这是目前 Carft 和将要推出的 AI IDE 主要工作的3个阶段。

丁宁详细分享了 CodeBuddy 接下来在各个阶段对单点工具的增强工作,此外,在DevOps流程中,CodeBuddy将提供更加工程级别的 Agile flow 和 vide coding 支持。未来规划的方向一是设计和研发进一步融合,希望在未来推出的AI IDE当中,可以基于腾讯设计的PRD能力,结合D2C的能力,在一个IDE中完整完成PRD闭环。二是结合腾讯云的后端服务,通过Craft、AIIDE在内部通过MCP的方式或者API的方式去调BaaS,在开发过程中,加速调用数据库、API鉴权、存储、业务智能体等,让用户更加专注于逻辑开发,不需要去关注基础设施。此外,团队将进一步增强企业开发的安全能力,希望在CodeBuddy和AII DE中闭环。

主持人CodeBuddy 运营负责人 孔德远总结道,今天吐槽大会是个很好的契机, 一个好的产品离不开良好的运营和用户体验。通过本次大会,我们收集并传递用户的真实心声给产品团队,让产品打磨更贴合需求,才能让用户自然而然传播开来。

腾讯云CodeBuddy

腾讯云代码助手(Tencent Cloud CodeBuddy,以下简称CodeBuddy),由腾讯自研的一款专为开发者提供的一款 AI 辅助编程提效工具,基于腾讯混元 + DeepSeek 双轮模型,构建对开发者友好,好用易用的代码助手,为开发者提供AI技术问答、全新开发智能体Craft 、代码补全、单元测试、代码诊断和智能评审等多Agent能力,兼容 MCP 开放生态,并可支持团队知识库管理、自定义智能体与指令管理、多模型接入、企业账号集成等功能,辅助开发者提升编码效率和质量,助力研发团队提质增效。

CodeBuddy支持 Vistual Studio Code、Jetbrains 系列IDEs(Goland、IDEA、Pycharm、CLion、Android Studio、鸿蒙DevEco Studio等)、 Xcode、Visual Studio for 2022、Vim/Neovim IDE 等 IDE,覆盖支持200+语言生成和框架。目前,腾讯85%工程师都在用,编码时间缩短超40%,累计服务数十万开发者用户,数千家企业团队,和多款国民级产品。

在 AI 技术的加持下,腾讯云CodeBuddy 未来也将推出 AI IDE和国际版,为全球开发者提供高效稳定、全面便捷的 AI 辅助编程工具。在VSCode、Jetbrains IDEs、VS、Xcode及微信开发者工具、CloudStudio 等IDE扩展插件中搜索「腾讯云代码助手」即可安装。

结语

吐槽,是为了帮助产品团队真实倾听用户的心声,更贴近用户的实际需求,最终打造更实用的落地产品。未来,腾讯云代码助手团队将打磨更优质更智能的产品来回馈大家,实现技术与用户的“双向奔赴”。

TVP 吐槽大会,是腾讯云 TVP 首创的技术圈的吐槽大会,旨在为行业专家及客户提供一个吐槽不设上限的平台。吐槽是来真的,技术是来硬的。腾讯云TVP持续践行“用科技影响世界”的理念,未来的日子,我们一起同行。

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 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: 庆幸经历过没有AI的时代——一个程序员爸爸的担忧
下一篇: 未来十年文旅业会被AI颠覆吗?揭秘“云+AI”如何重构游客的江南体验
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