腾讯云架构师技术沙龙 · 长沙站圆满落幕,共话AI驱动下的技术架构与前沿应用

引言


AI 以前所未有的速度颠覆人们的想象,不断地重塑各行各业。从生活场景的重构到产业的全面赋能,AI 的触角无处不在。在软件开发领域,AI 从需求分析到测试部署,正全面渗透软件开发生命周期的每个环节。站在 AI 巨变的起点,企业如何找准赛道,融合 AI 创新应用?开发者该如何打磨核心竞争力,找到适合的发展之路?


5 月 25 日,由腾讯云架构师技术同盟和腾讯云 TVP 联合主办「AI 驱动下的技术架构与前沿应用——腾讯云架构师技术沙龙」在长沙成功举办。来自 AI 领域的创新者、技术领袖齐聚,深度解读 AI 驱动的架构演进趋势以及前沿落地经验,真诚地分享他们在 AI 时代下的所思所想所得,帮助架构师们厘清思路,在不确定性中寻找确定性。


出品人开场

腾讯云架构师技术同盟活动组织主席 王晓波


出品人腾讯云架构师技术同盟活动组织主席 王晓波主持开场。他介绍道,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!


腾讯云架构师技术同盟是腾讯云为架构领域知名专家与从业精英打造的专业技术社交圈,通过多样的技术交流会议、社群专业探讨、权威内容输出,打造业界领先的架构师专业技术同盟。


开场致辞

湖南省企业联合会/湖南省企业家协会顾问 罗如圭


湖南省企业联合会/湖南省企业家协会顾问 罗如圭发表致辞。罗如圭首先预祝本次腾讯云架构师技术同盟沙龙活动成功举办。本次活动主题“AI 驱动下的技术架构与前沿应用”,寓意人工智能如长江之浪,风起云涌,激荡时代的发展。在人工智能时代,80 岁的罗如圭怀抱“活到老、学到老”的心态,积极了解 DeepSeek 等技术的前沿发展。科技创新,人才先行,罗如圭建议长沙同盟开展人才培训,建立培训基地。


腾讯云架构师长沙同盟成立


2024 年 12 月,腾讯云架构师技术同盟正式启动,以汇聚全国架构师力量, 搭建顶级架构师交流圈。为加强长沙地区架构技术的交流与学习,腾讯云架构师长沙同盟正式成立。腾讯云架构师技术同盟长沙地区理事会也同步成立,由 13 位资深架构师专家和行业领袖担任理事。活动现场举行授勋仪式,以表彰各位理事对腾讯云架构师长沙同盟的鼎力支持与无私贡献。


腾讯云架构师技术同盟副秘书长 李佳忆表示,腾讯云与长沙结缘已久,2019 年 4 月,腾讯云开发者社区沙龙走进长沙,曾深深感受到长沙开发者的热情以及浓厚的技术氛围。2024 年 4 月,Techo TVP 技术沙龙再次走进长沙。而在 2025 年的初夏,腾讯云在熟悉的会场,又一次与长沙的技术专家们团聚,共同见证腾讯云架构师技术同盟长沙分会成立。


一直以来,腾讯云架构师技术同盟的使命就是,关注每一位架构师的成长。我们长期致力于为成员提供影响力曝光的舞台,助力每一位架构师影响力与个人能力的提升。不仅是线下的交流,腾讯云架构师技术同盟也为架构师们提供了线上交流场景,作为全国首个架构师在线交流社区,腾讯云架构师技术同盟在线交流圈拥有名人智囊团、海量交流会、干货知识库、万人讨论区,每位成员都可在其中进行交流、探讨、学习、输出和转化。希望技术同盟,成为每位技术人、每位架构师提升自己,茁壮成长的最佳土壤。

腾讯云架构师技术同盟副秘书长 李佳忆


腾讯云架构师同盟长沙同盟理事长 李颖悟表示,“惟楚有才,于斯为盛”,在互联网行业里,湖南籍技术人才约为三分之一。希望各位技术同仁发扬拼搏的湖湘精神,继承先辈创新革命精神,敢为天下先,积极开拓新技术领域。随着腾讯云架构师技术同盟长沙地区分会的成立,将汇聚本地架构师人才,推动技术交流,营造良好技术创新氛围,助力长沙技术生态蓬勃发展。在 AI 时代,为湖南乃至全国贡献来自长沙的智慧与力量。

腾讯云架构师同盟长沙同盟理事长 李颖悟


关于DeepSeek现象的若干洞察和展望


硅基流动联合创始人、腾讯云 TVP 杨攀发表《关于 DeepSeek 现象的若干洞察和展望》的主题演讲。

硅基流动联合创始人 腾讯云 TVP 杨攀


杨攀表示,DeepSeek 的破圈发展,让所有企业都意识到可以低成本地拥有一个自己的模型。当一项技术的成本趋于零的时候,就会迎来巨大的爆发。根据杰文斯悖论,大模型成本的下降,将促进更多生产的应用。以工业革命为例,带来生产力提升和成本下降,引发巨大的生产力革命。DeepSeek 将可能带来算力多元化发展,产生新的算法和新的芯片。


DeepSeek 现阶段的目标是在全球范围内率先达到通用人工智能,以占领全球科技高地。杨攀强调,DeepSeek 不单是一个产品,更是一项技术范式的变革,基于智能模型和高质量数据来输出高质量的内容。例如百度地图集成 DeepSeek 功能后,用户通过自然语言来查询大模型深度思考的结果。从 Artificial Analysis 报告中,我们可以看出中美大模型的发展趋势,美国领先的是闭源模型,中国领先的是开源模型。DeepSeek 打破“智力-价格”霸权,价格低,智能接近 Open AI。因此,越激烈的竞争,消费者就能享受到越好的产品和服务。


杨攀分析 Reasoning(推理)模型对 AI 应用的实际改变,主要是智能提升、推理过程可见,还有提升编码能力。基于此,杨攀建议人们在使用 DeepSeek 时,需结合适合自身发展的场景来应用,不要人云亦云,所有场景都得用 DeepSeek。


由 DeepSeek 带来的中国 AI 产业希望有哪些?在杨攀看来,一是从闭源模型到开源模型,二是从科技叙事到基建叙事,三是芯片禁令到芯片国产,四是从模型能力到工程能力,DeepSeek 带来巨大变革。杨攀表示,DeepSeek 的破圈为中国 AI 带来诸多贡献,推动技术形成标准,将人们的认知达成一致,加速生态系统的发展,实现从技术到产业引领的跨越。


AI加持的敏捷研发实践


正马软件 CTO、腾讯云架构师技术同盟活动组织主席 沈淦做《AI 加持的敏捷研发实践》的报告。

正马软件 CTO腾讯云架构师技术同盟活动组织主席 沈淦


在研发领域, AI 工具已深度融入每位开发者的日常工作中。在沈淦看来,当前的 AI 编程工具在快速开发“浅”应用(功能简单)和从 0 到 1 的功能开发这两类场景的效果较好。然而,在处理遗留系统维护,核心系统代码或当涉及复杂业务逻辑时,AI 编程工具仍面临诸多挑战。从研发管理的视角来看,AI 编程擅长解决简单、封闭类的问题;反之,对于开放的问题,AI 面临的挑战较大。


项目的产研工作可分为两类:第一类是知识密度优先,主要面向产品经理、架构师、核心开发等核心角色。如何利用 AI 协助这些角色,将他们从繁琐的事物性工作中解放出来,使其聚焦在高价值、高知识密度的任务?对此,AI 需要构建并维护专业知识库,涵盖领域知识、最佳实践、设计模式、历史项目经验等,为高知识密度的任务提供支持。第二类是效率优先,目标是通过 AI 让人的工作更少更简单。AI 可以负责重复性强、规则性强的工作,从而提升效率、降低成本、减少人为错误。针对测试、运维、实施交付等角色,通过 Agent 技术,AI 可自动执行测试用例、构建部署流程、交付配置流程等,将原本依赖人工的操作转化为自动化流程。这种做法本质上是人机协作的调整,人在其中承担的工作越来越简化,但承担的职责越来越大。目前,大多数 AI IDE 工具都往这个方向发展。


沈淦表示,在处理复杂任务时,完全依赖 AI 或完全依赖人都是不可行的。“人机协同”模式更为有效,通过持续互动与协作,动态决定每个环节由谁主导,并不断调整修正。据沈淦观察,一些基础性工作将逐步由 AI 协同完成,开发者的职责随之逐渐上移,从“写代码”转向“写设计”,即更多地投入到设计业务策略、架构等更高价值工作中。在 AI 时代,技术管理者和架构师的核心价值在于:明确价值创造路径,设计过程指标,合理划分 AI 与人的职责模块,从而发挥人机协同的最大效能。


端云协同:AI大模型安全生产应用架构设计与实践


湖南展通人工智能研究院院长、腾讯云架构师同盟长沙同盟理事长 李颖悟发表《端云协同:AI 大模型安全生产应用架构设计与实践》的主题演讲。

湖南展通人工智能研究院院长、腾讯云架构师同盟长沙同盟理事长 李颖悟


随着国家对人工智能战略的推进,“人工智能+”已成为产业赋能引领性政策,AI 的价值日益显现。DeepSeek 提供强大的 AI 引擎,但需将“发动机”转化为实际应用。李颖悟表示,人们不是想要“发动机”,而是更好的“汽车”。因此大模型是能力而非产品,只有结合场景才能发挥价值。


2025 年被视为 AI 应用规模落地元年,所有的行业都值得用 AI 重做一遍。特别是安全生产领域,尽管全国安全事故连年下降,但整体数量居高不下。生产安全问题类型多样,但其中有许多是人为的不安全违规操作,因此可用 AI 技术来加强管理,强化安全生产。


例如,安全人员检查安全隐患时,可能存在看不准、看不全的问题,展通利用 AI 快速识别隐患,并一键出报告,目前已应用在宁乡经开区、株洲、山东等地的安全局及园区中。传统的安全监控一般由保安监控,由于人力有限、摄像头数量多,安全隐患往往被忽视。展通将摄像头接入 AI 大模型,实现全天候自动监控,降低人工成本。针对视频汇聚分析时不同解码方式的解码,管理和配置盒子等问题,团队开发视频 AI 盒子,以解决不同摄像头的兼容性问题,并实现实时报警功能。


展通已打造系列安全数智化产品,涵盖政府监督、行业管理、企业管理以 AI 大模型应用。此外,展通研发的安全 AI 大模型,可满足不同行业不同企业的个性化需求。目前,展通 AI 平台在安全领域的泛化能力较强,并持续自我优化能力,实时自动全天候监测,还可高度定制化、高度智能化。展通平台具备强大的数据优势,积累 60 万条隐患数据,覆盖 30+ 行业,自研数百种安全生产垂直行业的算法,为科技兴安提供坚实的技术支撑。目前,展通为宁乡经开区 400 多家企业提供安全生产的 Maas 服务,提升隐患识别率,提升企业本质安全水平。海尔智慧工厂应用展通 AI 平台,实现安全管理。


AI应用观察: 什么样的人能与AI互相成就


腾讯云 CodeBuddy 首席架构师、腾讯云架构师名人堂专家 林强分享《AI 应用观察:什么样的人能与 AI 互相成就》的主题演讲。

腾讯云 CodeBuddy 首席架构师、腾讯云架构师名人堂专家 林强


林强表示,当前人工智能的发展呈现出四大趋势:大模型能力快速演进,中美技术差距不断缩小,推模型 inference 成本快速下降,人工智能应用与用户数量与日俱增。


AI 发展日新月异,数据作为人工智能训练的核心,当前数据增长速度远远落后于人工智能基建及算法发展。那么模型会用尽人类所有数据吗?林强表明确道,“数据会被用尽。”据 EPOCH AI 数据显示,人类产生的公开文字资料的有效储量约为 300 万亿个 token,文字资料储量将于 2026 年至 2032 年期间被 AI 模型完全使用。


据 Anthropic 调查显示,目前只有 4% 的职业在工作中高强度使用 AI,36% 的职业在工作中 1/4 以上的任务使用 AI。在这种趋势下,开发者如何在 AI 时代更好地学习成长,职业发展之路如何走通走顺?林强表示,与其忧虑未来,不如改变自己。作为技术人员,需要保持终身学习的心态。在工作上,学会善用 AI 辅助,采用人机协作模式来提升效率。腾讯云推出的 AI 编程工具 CodeBuddy,可进行 AI 辅助编码到 AI 辅助软件工程,以帮助开发者拥抱不确定性,提升编程效率。


林强指出,当前人们此刻的注意力过于集中在 AI 上,很少人关注工程。然而在他看来,AI 的泡沫较大,因此我们落地 AI 时需结合具体的场景,站在客观、理性、深入理解的角度来判断,不要过于激进。大厂关注通用基建,释放差异化场景支撑服务业务,因此中小企业可以深入差异化场景,以形成壁垒和优势。


最后,林强提出几点建议,对于管理者来说,需要建立准确的全栈认知,了解下属的下属的工作内容;在准确的认知下,保持空杯心态和批判性思维;关注行业现状和“共识”周期迭代。作为普通开发者,应关注技术和核心价值,重点在于挖掘场景,找准自己的赛道。学习和掌握机器学习等知识。保持长期主义的心态,关注自己的学习和成长。人生是场长跑,我们至少需要 3~5 年逐步成长,而不是明天就要立竿见影。


与AI同行:走进架构师的新时代


腾讯云架构师技术同盟入会成长主席 史海峰发表《与 AI 同行:走进架构师的新时代》的主题演讲。

腾讯云架构师技术同盟入会成长主席 史海峰


史海峰从“架构师”的定义开始谈起,他认为架构师本质上是更资深、更全面的工程师。面对 AI 的快速发展,我们都应积极拥抱新技术,不是被 AI 替代,而是借助 AI 的能力来成长,成为“加一”或者“加二”(职业晋升),将自身价值放大,享受 AI 时代带来的红利。


然而在现实中,史海峰曾看到一些开发者对 AI 工具仍停留在“听说过”的层面,并未真正地将 AI 应用在日常工作中。因此他建议开发者以实际行动来拥抱技术发展,多使用 AI 工具,例如多提问大模型问题,多对比不同模型间的区别,真正将 AI 融入到自己的工作生活中。


AI 时代下,会不会取代架构师?史海峰强调,系统工程的本质没有变,底层逻辑依然重要。AI 只是放大器、加速器,而非替代者。架构师的工作内容依然是以工程思维全面理解业务需求,满足业务需求且保证系统质量,基于模型和基础模式抽象简化,在可预见的周期内具备扩展性,提出恰当的可行整体解决方案,在限定的资源范围内完成明确目标,并在系统生命周期内持续演进。因此架构师不仅具备扎实的技术能力,还需要具备行业知识、沟通协作、情绪管理等能力。这些均是 AI 无法替代的,反而我们要积极拥抱 AI,使用 AI 技术为自己赋能。


面对 AI 的发展,史海峰表示,企业对工程师的能力和要求仍在不断地提升,而不是降低门槛。我们需要学习更多的技能和知识,专注某个行业的实践,以增强自身竞争力。最后,史海峰引用歌词“我们都是和自己赛跑的人,为了更好的未来拼命努力,争取一种意义非凡的胜利”来祝福开发者,请专注自我成长,不断提升自己,突破自己,以实现理想,创造更多价值。


圆桌对话——AI 破界:行业应用重构与价值突围


活动特设圆桌对话环节,在腾讯云架构师技术同盟活动组织主席 王晓波的主持下,神经元智能科技 CTO 陈顼,三一集团首席数据官 傅杰,心莱信息科技 CTO、腾讯云架构师同盟长沙同盟理事 李文强,腾讯云 CodeBuddy 首席架构师、腾讯云架构师名人堂专家林强四位专家,围绕 “AI 破界:行业应用重构与价值突围”为主题,深入探讨 AI 跨行业融合的创新路径与实践经验,为参会者带来多维度的思考与启发。


创业公司如何快速验证 AI 产品的商业价值? 如何避免通用大模型对垂类应用的挤压?


陈顼以亲身经历分享,自 2022 年起,他开始接触 AI 就想用 AI 赋能在线教育,思考如何用 AI 在流量、销售转化、客户服务等环节赋能。他发现企业需要的不是用 AI 取代销冠,而是帮助新人快速上手工作。例如,通过 AI 进行数据训练,整合公司 SOP 流程,来辅导新人进行话术训练等销售培训,将新人出单的效率提升 30%-50%,形成飞轮效应,因此他认为离开业务的 AI 是没有商业价值的。

神经元智能科技 CTO 陈顼


关于通用大模型和垂类大模型的选择,从成本来看,他建议可以借助大厂提供的基模来构建垂直领域的应用,针对具体场景解决具体问题。找到每个场景的特性,将不同模型串联起来,最终实现自身业务需求的闭环。他提醒道,如果企业试图用单一模型来解决所有业务问题,是不现实的,毕竟每个模型所擅长的能力不同。只有通过具体的工程实践,结合多模型的协同运作,才能真正解决具体的业务问题。


陈顼以更具体的案例进一步分析 AI 在创业公司的应用价值,针对小微教育企业,如何使用 AI 来协同赋能交付? 陈顼表示,可通过 AI 在小红书等渠道设置自动回复用户、引导入群或添加企微,并收集信息。企业将课程介绍、知识点和话术预先给 AI 设置,AI 回复用户,如果用户希望人工介入,则转人工后 AI 停止流程。在服务环节,AI 可解答问题、发送资料,实现 AI 与人工高效协同,提升教师的服务效率。


AI 技术在智能制造领域落地的核心挑战与破局路径有哪些?


傅杰结合三一集团的实践经验谈到,随着 DeepSeek 等 AI 技术的迅速发展,三一集团持续深化数智化战略,推行“AI 引领,平台协同”的工作方式,希望在企业内部建立起以 AI 引领的文化。但在具体落地过程中,面临一些挑战:在认知层面,大家对 AI 的理解存在两个极端:有的人认为 AI 无所不能,期待达到很好的效果;有的人对 AI 缺乏关注。在数据层面,与互联网行业相比,制造业的数据质量较低,生产环节中所需的关键数据未被采集、未被定义,导致数据获取成本高。在场景落地方面,如何找准标杆场景是关键突破口。

三一集团首席数据官 傅杰


对此,三一集团对准关键应用场景,如智能售后来落地 AI 应用。在销售和服务方面,三一集团有众多工程师,百万级设备分布全球,通过 AI 工具拉平服务能力,进而提升整体服务保障水平。同时,在办公领域引入成熟的 AI 工具,让员工逐步感受到 AI 的实际价值,在使用过程中不断挖掘新场景,沉淀知识,为迎接 AI 时代的做好准备。


AI 技术从技术验证到规模化落地的关键因素有哪些?如何跨越技术与商业化的鸿沟?


李文强从技术负责人的角度来分析,首先需要考虑的是 AI 真正解决客户的需求,客户愿意付费,提供哪些价值。其次,大模型依赖深度学习,因此数据十分重要,建设知识库对各行业而言都十分关键。此外,技术可靠性也是关键的指标。

心莱信息科技 CTO腾讯云架构师同盟长沙同盟理事 李文强


跨越技术与商业化的鸿沟,第一,需要考虑技术产品的价值,解决用户痛点;第二,对 AI 的投资,需要有长期主义思维才能走得长远;第三, 根据自身企业情况,提前计算投入产出比。


AI 编程是否会让研发团队的“技术性”弱化?互联网公司如何重构产研团队,将有哪些新兴角色的兴起或传统角色的淘汰?


林强表示,技术性不会变弱而会变强。过去,一位优秀的工程师一天写的代码量是有限的。现在,工程师更多的时间来思考和关注工程的落地,来提升产能。在这样的趋势下,对程序员的需求也在发生变化,从以前的“你需要什么需求”到现在“你要解决问题”,开发者从基层执行转到系统设计上。因此,未来对于架构师的需要将越来越多,但部分传统开发岗位可能面临降本风险。此外,AI 赋能软件研发之后,开发者可以开发更多软件,整个行业的盘子会越来越大,开发者仍然有许多机会。


如何破解学生就业难与企业人才紧缺的矛盾?


王晓波指出,学校与企业间存在人才供需的问题,主要是由于社会对学校定位存在偏差:学校是生产人才的“工厂”,还是研究学术的殿堂?如果将大学视为“人才工厂”,其专业设置无法跟上市场的变化,因为企业每时每刻都在发生变化 必然产生矛盾。如果将学校视为“学术殿堂”,学校提供基础教育和思维训练,企业以“选胚+自主培养”的方式来选择毕业生。

腾讯云架构师技术同盟活动组织主席 王晓波


AI 编程工具 CodeBuddy 和 Cursor 的区别有哪些?


林强分析道,Cursor 平台的优势在于其与 Claude 的深度结合,在发展过程中逐渐趋向定制化。CodeBuddy 专注于国内市场需求,满足用户的数据需求,支持私有化部署、SaaS、SaaS 独立 VPC 集群方案。CodeBuddy 即将推出的新版本将覆盖产测研全流程,涵盖辅助开发、设计、DevOps 等环节,通过用户反馈构建数据飞轮提升产品竞争力。


李文强在深入体验两个工具后,发现各有优势:CodeBuddy 在从 0 到 1 构建项目方面表现突出,具备差异化竞争力。但是在企业级场景,两者需要深耕全流程开发,以提高工作效率。对于企业开发者而言,大部分工作是维护现有的代码,每个项目风格、环境均不同,Cursor 表现更优一些,但 CodeBuddy 发展势头强劲,也在加快发展。


AI 时代下,普通开发者面临被淘汰、转型的难题,该如何面对?


傅杰表示,未来,“架构师”可能不再是一个头衔,而是一位工程师做了架构相关的工作。因此,工程师需要了解 AI 工程的整体架构设计,可以不用深入底层算法研究。此外,还需了解各类模型的应用场景。更重要的是,工程师要具备领域知识。如此一来,具备这些能力的工程师在未来存在巨大的发展潜力,例如成为优秀的产品经理等角色。


李文强建议道,请不必过度焦虑未来。在他看来,即使是初级程序员在短期内难以被 AI 取代。AI 正赋能我们成为“超级个体”,我们应抓住这一轮发展机遇,提升个人交付能力。在大量实践中,我们的认知和能力边界也在不断拓展。在 AI 加持下,人的能力边界被打破,获得更多的发展空间。


王晓波犀利地指出,面对时代的变迁,生产力的变革,该淘汰的岗位还是会被淘汰掉。从历史发展规律来看,当新的生产力出来后,旧的生产力就会被淘汰。因此,当一项新生产力推出后,先学会、先使用的人将会先得到利益,但如果保持不变的人可能会被淘汰。下一代程序员应成长为架构师,所谓“长江后浪推前浪”,新岗位不断出现,旧岗位逐步被淘汰,这是时代发展的必然结果。我们要客观、理性地看待,积极拥抱前沿浪潮,踏浪前行。


结语
人工智能已成为推动技术创新与产业变革的重要引擎,开发者正身处一场前所未有的技术变革之中。通过本次腾讯云架构师技术沙龙,各位专家深入分享前沿技术洞察,探讨 AI 落地的应用路径与实践经验,为架构师的职业发展指明方向。


腾讯云架构师长沙同盟和腾讯云架构师技术同盟长沙地区理事会正式成立。未来,腾讯云架构师长沙同盟将凝心聚力,打造属于本地架构师的学习与成长的家园,助力中国架构的蓬勃发展。未来已来,让我们携手腾讯云架构师技术同盟,逐浪而行。

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 404

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 1162

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 424

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 713

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 715

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 1125

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 710

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 708

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 906

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 821

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 464

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 574

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 621

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 838

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 756

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 1161

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 1202

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 1195

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 2631

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 626

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 607

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 873

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 889

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 760

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 418

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 673
上一篇: 为什么我们需要工程师文化?
下一篇: 如何设计一个支付系统丨架构师系列文集
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