程序员版「长安的荔枝」:别当职场软柿子,掌握核心竞争力

图片

图片

👉目录

1 需求太多,怎么办?

2 会议、沟通太低效,怎么办?

3 上下文信息不清晰,怎么办?

4 没有架构思维,怎么办?

5 写在最后

唐天宝年间,长安城内,杨贵妃对岭南荔枝念念不忘。为了博得佳人一笑,唐玄宗下旨:要在三日之内,将新鲜的荔枝从千里之外的岭南运到长安。这个看似不可能的任务,最终落在了驿站小吏李善德的头上。

李善德面对的是一个必败的局面:荔枝娇嫩易坏,千里迢迢的运输路程,加上层层官僚的压力传递,每一个环节都可能导致任务失败。但是,他必须完成,因为完不成就是死路一条。

程序员也常常接到各种各样不可能的任务,完成了不一定有奖,失败了大概率背锅,怎么办?

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~👇

马伯庸在《长安的荔枝》中为我们描绘了这样一个古代版"Mission Impossible"。李善德用他的智慧、韧性和对人性的洞察,最终完成了这个荡气回肠的传奇。

值得一提的是,这样的事件几乎每天都发生在程序员的身上:

“这个需求很简单,怎么实现我不管”

“只改两行代码,为什么要用两天”

“预算2w块,客户要开发一个类微信 IM工具”

时间、成本、质量的“不可能三角”,是程序员每天反复横跳的日常。

怎么破局,成为了制约一个程序员从新手到卓越的关键,掌握这些核心竞争力,或许对各位小吏成长为架构师大有裨益!

01

需求太多,怎么办?

   1.1 并行过多,状态起伏大

编程需要集中大量精力和注意力。然而注意力是一种稀缺资源。我们可能会设定闹钟提醒自己的待办事项,然后因为太忙又忘记设置闹钟… …你是否有过忘记提代码就打包了?你是否发版本发了一半被打断后就忘了继续?

并行处理太多任务会迅速耗尽我们的注意力,注意力耗尽后,继续进行需要高度集中注意力的活动变得不再适宜。这个时候,我们需要通过一些不需太多专注的活动来恢复,比如休息、喝咖啡或听音乐,这类似于游戏中的行动点系统。番茄工作法?它可以提供了一个专注工作的理由,给自己勇气在一段时间内不接受打扰。

WIP 追踪(Work In Progress,进行中的任务)

个人的 WIP 上限值不尽相同,就像每个人的注意力点数不同,一旦超载,效率会迅速下降。当新任务来临,而我们的并行处理能力已达上限,我们只能在任务之间不断切换,影响效率。就如下图中,背包要去承载大小不一、形状各异的任务,超出任务要并行就只能不断地拿出来装进去,来回腾挪… …

为自己或团队设置 WIP 限制,通过开发视角的看板实时追踪 WIP,以便及时调整。

优先级混乱

无论什么原因,我们总能找到办法逃避真正的工作,就像写“暑假作业”,总能找到调整优先级的借口,而把真正紧急的工作滞后。并行过多时,合理评估优先级,排除个人喜好和需求,按照真实的紧急程度来执行。

   1.2 工时评估的差异

正如上面提到的,实际开发工作中是并行着诸多流程和琐事的,所以开发不要以100%的完全时间来评估工时,可以尝试一下计划评审方法。

计划评审(PERT,program evaluation and review technology):

  • O:乐观预估,这是个非常乐观的数字,一切顺利则可以在这个时间完成,事实上这个概率应当尽可能的小。预估因素:考虑历史上类似任务的最快完成时间。

  • 考虑如果一切顺利(无延误、无问题)的情况下完成任务所需的时间。

  • 可以询问有经验的团队成员或专家他们认为的最佳情况时间。

  • N:标准预估,也是概率最大的数字。预估因素:分析任务的常规流程和常见问题

  • 参考过去类似任务的平均完成时间。

  • 与项目团队成员讨论并达成共识,考虑正常的工作效率和可能的小延误。

  • P:悲观预估,这是最糟糕的时候,应当考虑到各种意外,比如第三方依赖的延期、个人事务处理等等,通常这个概率也应该尽可能小。根据以上可以得出一个预估的分布以及期望的时间,将这个结果反馈给项目管理人员,是一个避免了过度预估的合理方法。预估因素:考虑所有可能导致重大延误的因素,如资源短缺、技术难题、外部依赖等。

  • 查看历史记录中类似任务遇到的最长延误情况。

  • 咨询专家或团队成员预测在最坏情况下完成任务需要多久。

在实践中,开发人员经常需要提供精确的时间评估。因此我们应从多角度综合考虑,将各个预估的权重汇总,给出最切合实际的预期。同时把大任务尽可能拆小,然后再加总,会比单独预估大任务的准确度高很多。

通常我们不必对评估时间过度焦虑,在项目进行过程中,保持进度的透明度也极为关键。真正不能接受的是,表面上每日报告一切正常,而直到最后一天,突然宣布进度延迟。

估算精度

对于有些旷日持久的大项目时,当我们被要求给到工时评估的时候,通常出入也会比较大。这个时候要考虑提供多高的精度,大约125天、25周、6个月,你会发现这个单位会对结果的可信度产生影响。125天看上去很准确,是经过非常详尽的分解得到的,给人更可信的感觉。所以在做估算的时候,当你的数子足够大,不妨调整一下估算单位:

持续时间

估算单位

1-15天

天

3-6周

周

8-20周

月

   1.3 说不

不要说试试看

不要轻易作出承诺,除非你确信能在某个确定时间点完成任务。面对要求你承诺不确定事项的情况,应立即表明立场拒绝。作为专业人士,学会说“不”,实际上是一种负责任的表现。如果完成某项任务的前提是需要连续加班牺牲休息,这种情况下应谨慎考虑并作出决策。

警惕排期陷阱

  • 需求方的误解:“这个需求很简单,开发应该很快完成。”这种先入为主的观念可能会导致开发人员在评估时若给出较长的预估时间就被认为是“能力不足”。

  • 模棱两可的需求评审:在需求评审阶段不明确需求,然后在开发过程中不断添加新的需求,这种做法将严重影响开发的进度和质量。

  • 不断变动的截止日期:刻意压缩截止日期,然后再不断推迟,使开发工作长时间超负荷运转,这不仅会影响项目质量,还会严重损害开发团队的士气。

02

会议、沟通太低效,怎么办?

拒绝参加无效会议

会议是必需的,但同时又会消费大量注意力和时间。邀请参会的人不负责管理你的时间,为时间负责的人只有开发自己。确认你不需要参加的会议,可以礼貌的拒绝,不要勉强自己。

会议时间的建议,除了一些固定的宣讲日外,平时的会议尽可能不要打扰开发的黄金时间,别人可能刚刚进入深度开发状态,比如10-11点,14-16点等。

不要当快嘴王

经常在做业务分享、需求评审等会议中,都能遇到快嘴王,要知道听众可能没有你那么熟悉你所讲的内容。

快言快语的人表达问题时滔滔不绝、态度坚定且语速飞快,强行推进议程,使别人来不及评估检视或反对。快言快语在压制那些讲话慢且担心出丑的人时,显得尤为有效,但千万不要做这样的人。要认识到,你的责任是讲清楚事情,有一点没讲清楚都不要接着往下讲。

如果你对“快嘴王”感到有压力可以说一句“抱歉我比较迟钝,但是我希望你慢点说,好让我明白你的意思”,然后,该问问题就问问题,不要遗漏任何一点。

两分钟法则:你至少让人在两分钟内不受打扰的解释他的观点,不要急于插话表达自己的意见。

专心聆听

在每日站会或是周会上,很多人都不理会其他人,只是简单的等着汇报自己的更新情况,而且发言时能少说就少说,这让人觉得无聊。又或者有些人会在会上滔滔不绝,这需要明确杜绝,并在会下单独讨论。

目标明确、结论清晰

会议有明确的主持人,明确的目标,明确的议程,谨防跑题。所有会议讨论,都应该产出总结来结束讨论,如果达成一致应当明确指出,如果没有也应当说明。会议后的进一步行动、待办清单、任务分派、截止日期都应该清晰的进行记录和同步。

03

上下文信息不清晰,怎么办?

杜绝个人英雄主义

长期忽略文档建设和技术沉淀,导致很多业务过于依赖某些员工,个人英雄主义。这对于业务本身来说也会产生巨大的风险,而对于员工来讲也会容易出现自扫门前雪的现象,同时无法对产品技术更好的掌握。而文档的缺失对于员工之间信息分享、新员工接替以及业务本身的交接都会产生巨大的成本。核心技术、核心能力没有得到沉淀,这些智力资产任由其留在个别人的脑海中、少数人的硬盘里或者被淹没于无序的文档中。

扩大业务视野

随着业务的发展,业务信息也会大爆炸,每一个模块的改动都会有很多关联模块的影响,扩大业务视野,理解上下游链路,才能更好的进行方案设计、排查问题。像迷雾模式一样去探索业务边界,扩大覆盖面,警惕黑盒功能,不要排斥获得更多信息,当没有足够的渠道去了解时,请主动反馈。

互相分享、知识沉淀,模块互备都是很好的扩大业务面的好方法。

在合理范围内尽可能扩大信息辐射

信息通道狭窄,未辐射到所有团队成员。需求阶段产品内部讨论,不与研发测试等同学阐明需求来源,研发过程中各个需求负责的同学只关注自己的模块,不参与也不关注其它同学的功能,长期以往会造成业务模块的壁垒。发布上线后的真实数据往往产品同学会单独讨论,也不会反馈给相应的研发同学,导致后者参与度不高,缺少产品统一目标意识,长此以往形成习惯,往往只停留在完成自己相应模块功能,流水线般机械生产,缺乏思考。

实际上,功能的研发和上线之后,获得实际的现网反馈是非常重要的,这可以极大地激发员工对产品的投入感和责任意识。

04

没有架构思维,怎么办?

   4.1 耦合与柔性策略

耦合是修改之敌,它将模块紧密联系在一起,要改就得一起改,这让修改起来非常困难。要么花上很多时间,弄清楚各个模块要修改的地方,要么就会因为修改不到位,把时间花在不断地问题排查过程中。

业务膨胀不可避免,每一个模块的增加都会增加耦合性,关联度越高,复杂度和迭代成本也越高。而且耦合有传递性,A 与 B 耦合,B 与 M/N 耦合,那么实际上A与 B/M/N 都存在耦合。当耦合发生,一个简单的修改会传播到其它不相关模块,开发害怕更改代码,因为不确定会造成什么影响。开会不知道拉谁,索性全部拉上,因为不确定会有多少关联模块。

当我们确保刚性,比如一座桥,就需要将组件耦合在一起,让结构得到刚性,不易变形。

当设计不断变化的应用时,我们希望他更灵活,更容易变化,就如下面这样。这样的结构没有了刚性,连接个体可以灵活变动,其它部分总能很快的适应。

   4.2 ETC 设计(easy to change)

设计和编码的时候,考虑一下它是否易于变更,所谓的解耦、单一职责等原则,都只是为了让代码更易于变更。无论未来发生什么,这块代码都不会成为路障。ETC 只是一个观念,帮助思考和决策,当你保存文件时问一下自己,当你写测试的时候问一下自己,当你修复 BUG 的时候问一下自己。

很多时候与其在一开始浪费精力为不确定的未来做过度设计,不如把你的代码设计成最小成本可替换的,当有一天想要丢弃或更换时,可以非常容易和平滑进行。

   4.3 不要超过前灯范围

开车的时候,前灯只能照射一定范围,并且只在直线投射。在软件开发者,我们无法看到很远的未来,越远越黑暗,保持小步前进,不要过度设计,步子迈得过大。比如:估计未来几个月后的完成时间,猜测未来有的技术,猜测未来不着边际的需求。每一次调整,都在得到足够的反馈后继续前进,好比给小孩喂辅食一样,每一种辅食单独添加并观察足够天数后再添加下一样,才能让孩子更好的接受和排敏。

   4.4 轻量开发

敏捷开发作为一种“轻量型”开发方式,其简单要求体现在整个项目的各个方面,只要是当前不必需的就不必考虑。如果我们可以用图片表示当前设计方案,就没有必要把他总结为一定格式的文档;如果当前功能是不需要的,我们就不用把它更新到功能图中;当前完成的功能只需按照当前的要求来做,不需要过分考虑可能要增加的需求;无需大量的前期设计,重视最后的可用产品。

   4.5 让复用变得容易

完成代码后发现早有相似实现,可能源于信息共享不足、团队交流缺失、不充分的调研,或认为既存代码是一坨,难以重用而倾向于重新编写。有效的团队沟通和紧密联系通常能够预防这类问题。鼓励开发人员经常性地进行交流,共享知识(包括专题分享和轻分享)、代码审核,建设团队论坛也是促进这种文化的好方式。

交流和分享是互惠的活动,认真研读他人的知识沉淀,是对他人的尊重。这不是偷窥别人的工作,而是在向他们学习,不要想太多。事实上,在系统内每一处知识和策略都应当是集中、单一、清晰并权威地表达,避免不必要的重复。

   4.6 重构与松弛

何时重构

  • 发现了大量重复的功能和代码;

  • 过时的逻辑和知识点,需求已经偏移;

  • 上线后发现大量冗余功能和设计的存在;

  • 性能不足,急需提高。

松弛一下

重构实际上是一种疼痛治疗,发起重构需要考虑它的收益、成本以及不去重构的隐患。没有时间重构么?

尝试为每个迭代增加一个叫做松弛的简单实践,团队使用松弛为每个迭代增加额外的工作量。松弛也就是加入少量可选和不太重要的项,如果将来进度落后,可以先去掉这些工作项。反之,团队可以利用这段时间进行代码重构,避免历史债务的累积。

05

写在最后

在《长安的荔枝》的结尾,李善德成功完成了任务,但更重要的是,他在这个过程中成长为了一个真正的问题解决者。他学会了系统思考,学会了资源整合,学会了风险管控。

现代的程序员们,我们面对的“荔枝任务”或许比古代更加复杂:技术更新换代的速度、市场竞争的激烈程度、用户需求的多样化,都远超古人的想象。但是,我们也有古人没有的优势:丰富的开源资源、便捷的协作工具、完善的学习渠道。

在技术人员的职业发展中,最重要的是对世界有一个正确的认识,并且在这个认识下能够有一个好的方法成就自己,而不是在一脸蒙圈的状态下随波逐流。

每个程序员都应该成为自己的李善德:

  • 拥有工匠精神:对代码质量的追求,对技术细节的把控。

  • 具备系统思维:能够统筹全局,协调各方资源。

  • 保持学习能力:在快速变化的技术环境中持续成长。

  • 练就沟通技巧:在复杂的组织关系中游刃有余。

李善德的成功不在于他运送的荔枝有多新鲜,而在于他在这个过程中展现的智慧、勇气和担当。同样,程序员的价值不在于写了多少行代码,而在于解决了多少实际问题,创造了多少真实价值。

一骑红尘妃子笑,无人知是荔枝来。但我们知道,那个在马背上奔驰的人,才是真正的英雄。

-End-

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

你的职业生涯接到过哪些让你印象深刻的不可能任务?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25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 1220

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: 这才是中间件client API设计!
下一篇: 分享一个讲透任意知识点的万能框架,程序员提升个人技术影响力必备!
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