这才是中间件client API设计!

图片

图片

👉目录

1 中间件 client API 概述

2 外网问题两例

3 中间件 client API 设计要点

4 结语

后台中间件类服务的 client API,往往都要做网络、异步、缓存等逻辑,通常功能较为复杂。最近遇到两个外网问题,一个是Tcaplus client API(TcaplusDB 是腾讯云专为游戏设计的分布式 NoSQL 数据存储服务) 另一个则是 pulsar go client API 使用不当所致,本文是笔者结合排查经过,加上自己的思考做的一点探讨分享。

关注腾讯云开发者,一手技术干货提前解锁👇

鹅厂程序员面对面直播继续,每周将邀请鹅厂明星技术大咖讲解 AI 时代下的“程序员护城河”。更有蛇年公仔等精美周边等你来拿,记得提前预约直播~👇

01

中间件 client API 概述

消息队列、zookeeper、etcd、redis ... 等服务的 client API,功能复杂,可以称得上是 rich API。它们都需要和远端服务打交道,而为了和一个远端服务打交道:

  1. 首先得要能和远端建立网络链接,所以必然要处理网络链接管理,网络异常了,要能重建链接。

  2. 如果服务侧不提供路由反向代理,且 client 需要感知 master、slave 情况的,则还得做主备选择相关的逻辑。

  3. 要考虑异步处理(基于线程、协程、回调等),作为后台服务的 API,需要设计异步机制来确保应用的吞吐不受影响。

  4. 有时还需要做数据的缓存,例如对于消息队列而言,push 的数据可能需要先缓存到本地队列里,远端 ack 之后再删除。

以上希望能给大家建立一点基本的印象,有了基本的印象之后,笔者接下来分享下遇到的两个问题。

02

外网问题两例

   2.1 问题一:tcaplus API 回调 coredump

tcaplus API(TcaplusDB 是腾讯云专为游戏设计的分布式 NoSQL 数据存储服务) 在收到回包之后,回调业务注册的回调函数,发生 coredump。

对应的堆栈上下文:

上图中的指针解引用后的 map 相关访问是非法访问,导致了 coredump。指针非法访问这类问题无非就两种可能:

  1. 指针是错乱的,被冲毁了。关于这点,通常我们会查看指针附近的变量情况,因为冲毁往往都是成片的,很少恰好仅仅冲毁了指针,在本例中指针附近变量并未冲毁。

  2. 指针没错乱,但是它失效了,也就是它成了野指针。关于这点,分析指针赋值上下文,最后发现它指向一个栈变量,所以如果对应栈已经销毁,那这个指针就成了一个野指针。

因为这里是异步的 API,业务的异步上下文如果没有做好相关 callback 情况的标记或清理,显然容易会造成野指针问题。

让我们来看一下流程示例:

———— 某业务协程- 业务逻辑- 初始化一个 tcaplus callback 对象,对象里有个指针指向了一个栈变量- 请求 tcaplus 查询数据- 切协程栈等回包- 因为超时等原因,唤醒协程栈- 业务协程结束,释放相关协程栈,此时 callback 对象里的指针成了野指针———— tcaplus 回包- tcaplus 回包姗姗来迟,找回了尚未销毁的 callback 对象- 执行到了上面截图的回调代码,访问到了野指针,coredump

知道了原因后,其实就很容易修复,我们可以在业务协程结束时,清理掉不需要的 callback 对象,或者将 callback 对象中的指针置空,再或者做一个标记,表示本 callback 对象已经无效了,这些做法都可以解决上述 coredump 问题。

   2.2 问题二:pulsar go API 死锁

我们采用 sidecar 方式来写入消息队列,业务进程通过本机 rpc 发给 sidecar,再由 sidecar 通过 pulsar go client api 写入消息队列。有一天傍晚出现了大量的写入失败错误,通过线上分析 goroutine 的堆栈情况,发现 API 内出现了死锁。

注:采用 sidecar 方式可以简化消息队列 API 接入的工作,只需要接一种语言的 API 即可。

下图是死锁时 API 内【eventsloop goroutine】的堆栈:

下图是死锁时 API 内【超时清理 goroutine】堆栈:

结合代码可以清晰地看到 Lock 这里导致了死锁,加锁的代码如下:

其中的 pp.Close 对应以下代码:

producer Close 加锁成功后,会调用 partitionProducer 的 Close 接口,这里会等收到 doneCh 通道的数据才返回,而 doneCh 是 【eventsloop goroutine】写入的。

综合以上信息,具体来讲,死锁是因果链条是:

  1. 首先是 API 内部感知到有较多的消息队列写入超时。

  2. 【超时清理 goroutine】会清理已经超时蛮久的消息,并回调生产事件的 callback 告知给业务调用方,在业务的 callback 里识别到异常,会去做一个关闭行为,而关闭是先向 cmdChan 通道发一个命令给【eventsloop goroutine】,然后会通过 doneCh 等待关闭完成的通知(参见上文的代码截图)。

  3. 【eventsloop goroutine】收到 cmdChan 通道过来的关闭命令,它会做一些清理工作,将 pending 的一些消息清空掉,并且在清空的时候也会调用 callback 告知给业务调用方(这个也说得通,需要告诉业务相关消息其实没被投递),这些都处理完毕之后才会写入 doneCh。

  4. 前述两点叠加到一起,便会产生互等死锁:

    - 【超时清理 goroutine】识别到超时,在做超时消息清理时,调用业务 callback,加锁成功,发出关闭命令,等 doneCh。

    - 【eventsloop goroutine】收到关闭命令,清理 pending 消息,也要调用业务 callback,加锁,但因为已经被锁了需要等锁,因此也不会执行到写入 doneCh 的逻辑。

callback 代码是业务上层调用提供的,用于 API 通知业务具体消息的推送结果,可能是成功也可能是失败。在失败的时候,callback 里面做了关闭生产者的处理。正是由于这个行为,结合 API 自身的机制,导致了最终 API 死锁,不同 goroutine 之间互等。解决方案也很简单,我们只要不在 callback 里直接关闭生产者,就可以避免上述问题。

ok,至此两个问题都分享完了,管中窥豹,中间件的 client API 显然是比较复杂的。

接下来让我们稍微打开一点话题,换个视角,假设我们自己是设计者,发散聊聊一个中间件复杂 API 设计需要注意的点。笔者这里并不想做面面俱到的列举,所以就权且“以偏概全”地想到哪谈到哪,如果读者朋友发现其他想讨论的点,欢迎在评论区留言。

03

中间件 client API 设计要点

   3.1 清晰易用的接口

最好是只需要少数接口即可,使用起来非常简单,例如主要就初始化接口、读写接口、清理关闭接口,然后再搭配一些方便查问题的日志回调、debuginfo 之类的接口。

   3.2 运转驱动机制

合理规划线程结构,设计 API 的逻辑驱动机制,和业务逻辑之间做好衔接。一般可以分两大类:

  1. 一类是完全由业务来驱动,API 自己不启动任何线程,这种一般需要业务自己调用 API 的 Tick() 之类的接口来驱动运转。

  2. 另一类则是 API 底层自己有个 runtime,它会自己启动一些独立的执行流程,跑自己的  eventloop,它也完全可以有自己的网络管理线程。(问题二中的 API 就是这类)。

当然有时候也会是两者兼有的,既要业务自己去调用驱动接口,同时它自己内部也做了一些独立线程,tcaplus 的 API 就是如此。

   3.3 异步回调机制

后台场景下考虑到吞吐,一般中间件 client API 都需要提供异步接口。而对于常态的通信上下文恢复,一般也有两种做法:

  1. 业务主动调用 API 的接口来进行查询,类似轮询。采用轮询未必是低效的,没数据的时候可以立即返回。

  2. API 通过回调的方式,直接调用业务提供的回调函数。(问题一和问题二中的 API 都使用了回调机制)。

这里注意回调函数内的业务代码,非必要就别再直接调用 API 的接口,否则可能形成堆栈交叉的情况(API -> callback -> API -> callback...),上文的问题二其实就是这种情况。从设计者的角度,也可以适当考虑到这类情况,做一定的容错。

   3.4 网络并发

API 在和远端通信时,考虑到性能,会在上一个请求回包之前就发出下一个请求,甚至可以设计一定程度的 batch,例如消息队列的推送,就可以做一个切片时间的 batch,批量提交。

由于请求是批量多个的,应答也会相应地持续不断抵达的,我们需要明确应答包和哪个请求上下文对应,所以一般会设计一个异步会话 seqID,通过这个 seqID 来找到原来的上下文对象。请求的包里会带上这个 seqID,然后中间件服务端处理后可以回传,这样就可以做上下文关联。

如果是有保序要求的业务场景,网络之上的逻辑层自己也可以有一个 ID,例如消息队列的有序消息 ID,远端在应答的时候只要告诉请求端已经推送成功的最大消息 ID,API 侧就知道哪些消息都推送成功了。

   3.5 接口重入

API 的接口要结合使用环境来对重入进行考虑,如果允许多线程环境调用,API 内部要谨慎使用锁。锁范围必须尽量小,而且最好是加锁之后不阻塞等待其他流程,否则就容易产生死锁类问题(参考上文问题二)。

   3.6 容错设计

网络容错

因为要访问远端服务,依赖了网络通信,所以首先网络错误就在所难免。API 需要定义好各种统一的错误码和错误描述,方便应用层快速定位问题。API 还应该做自愈,如果网络链接异常了,需要重建网络链接。

在网络链接重建好之前,业务层的请求也可以考虑做缓存,当然这取决于业务对实时性的要求情况。如果是 req - rsp 等待型的,可能不合适缓存,而是直接返回失败。如果是消息队列投递类业务,对时效要求不高,其实可以先缓存着,等网络好了再重试投递。

重试机制

设计合适的重试机制,也可以支持时效,如果是太久之前的请求仍然可以丢弃。

上文问题二里提到的 pulsar go client API,它里面就设计了 pendingQueue,推送的时候会先放到队列里,等远端明确 ACK 了才从队列里删除,这样可以提高投递的可靠性。

重试也是与具体业务类型有关的,能做到幂等的才适合无脑重试。做不到幂等的,就需要明确感知到请求包并未投递到网络上,并且满足时效要求,才可以重试,如果只是发包超时没回包之类的,不能贸然直接重试。

restart-safe

支持优雅停止,例如对于消息队列的 API,理想情况是得都投递成功后再退出,如果太久了才强行结束。

crash-safe

现在很多业务都倾向于无状态化,重启后就漂移了,所以如果要做 crash-safe,得使用云磁盘。通常 crash-safe 都会和 WAL 技术相关,但因为实现起来细节较多相对复杂,业务 crash 概率又低,所以实际上大部分情况下并不会考虑这点。

   3.7 方便维护

无损配置刷新

支持部分字段的配置化更新,这里涉及到平滑切换的一些逻辑,例如原来 API 内最大 pending 队列长度为 10000,但是改为 1000 了,然而队列本身里面已经有 2000 条数据了,此时就需要合理考虑 pending 队列内的已有数据如何处理。

提供日志接口

可以支持注册日志接口给 API,这样 API 输出的日志能整合到业务日志之中,方便做问题排查。

提供内部信息接口

对 API 运作情况进行统计,暴露接口支持输出 API 当前的内部状态,可以方便调用者了解 API 运行的情况。

04

结语

除了中间件的 client API 较为复杂外,其实还有很多代码库也是相对复杂的,例如 tcmalloc、libcurl 等。在我们实际的工作中,未必会让大家去设计一个复杂的中间件 client API,但是我们自己业务本身其实也会面临相似的问题,这些问题背后的思考是相通的,我们都会希望代码的实现:

  1. 易用性好,接口简单明了。

  2. 高并发性能,稳定性好,充分考虑性能和容错。

  3. 易维护,适当配置化,输出清晰的日志,统计上报关键信息。

全文完,感谢阅读 ~

-End-

原创作者|吴连火

感谢你读到这里,不如关注一下?👇

图片

📢📢来领开发者专属福利!点击下方图片直达👇

图片

图片

你认为中间件 client API 设计中最重要的一点是什么?欢迎评论留言补充。我们将选取1则优质的评论,送出腾讯云定制文件袋套装1个(见下图)。6月24日中午12点开奖。

图片

图片

图片

图片

图片

图片

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: 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
下一篇: 程序员版「长安的荔枝」:别当职场软柿子,掌握核心竞争力
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