一文搞定手游内存优化

图片

图片

👉目录

1 整体思路

2 具体实践

3 总结

内存优化属于性能优化的一部分,内存优化没有功耗、卡顿和帧率等优化可以被玩家们直观的体验到,但是一旦发生Out Of Memory(OOM)问题,玩家将会直接从游戏中闪退。所以内存优化是一个重要的工作。 随着手游3A化、精品化的发展,越来越精美细致的画面表现,越来越丰富的游戏玩法都对内存带来了更大的压力。所以内存优化是一个常态化的工作。 业内的内存分享大多介绍平台侧、引擎侧、工具侧的内存实践。本文将从内存优化的整体思路到具体的实践细节,总结整理Unity手游客户端在内存优化方面所做的实践。

关注腾讯云开发者,一手技术干货提前解锁👇

01

整体思路

内存优化主要分为两个方面:增量内存优化和存量内存优化。

项目初期,优化重点集中在存量优化上。

此阶段主要优化引擎框架、业务代码框架及美术标准等基础内容,为项目打下坚实基础。有句话叫做“优化越早开始收益越大”。当然在项目初期玩法开发最为重要,需要集中力量赶项目进度,而内存优化往往会被忽略。

从后来人的角度往前看,很多内存难题都是因为项目初期赶进度产生的。当项目上线并发展到特定阶段,对一些基础模块进行调整的风险显著增加。有时就不得不在“玩家体验”和“项目质量”之间做出权衡。

所以“优化越早开始收益越大”是有道理的。

在项目发展阶段,工作重心在增量内存优化上。

在这个阶段需要对测试流程,内存分析工具和业务代码逻辑进行优化。到了这个阶段,项目已经在线上稳定运行,业务代码都有固定的框架来开发,所以进行一些大的、底层的、框架性的优化方法需要谨慎再谨慎。

并且到了这个阶段,项目复杂度已经大大提升,需要优化测试流程来覆盖丰富的场景,需要新的内存分析工具来提高内存优化效率。

内存优化从工作流程上可以分为以下3点:

  1. QA测试产生内存数据。

  2. 分析测试数据定位内存问题。

  3. 开发解决方案降低内存。

QA测试需要关注以下方面:

  • 主流程内存峰值。

  • 连续多次主流程后的内存峰值。

  • 特殊场景内存峰值,比如运营活动,第三方SDK。

  • 数据稳定性。

分析测试数据需要关注以下方面:

  • 工具效率。

  • 数据归档。

开发解决方案需要注意以下方面:

  • 预防大于兜底。

  • 优化核心增长点。

02

具体实践

   2.1 测试产生数据

测试需要遵循这几个要求:可重复,可对比,尽量全面。

Unity手游项目目前有以下类型的测试,每种测试类型针对的场景不同。

   2.1.1 每日冒烟测试

目的:检查每日新增内存。

方法:对游戏主玩法的主流程进行测试。

为了数据的可对比性和稳定性,每日冒烟测试会尽可能多的固定变量:固定阵容,固定皮肤,固定设备,固定账号,固定服务器。

固定以上条件之后,内存增量来自于:主流程逻辑变化,战场玩法变化,装备/符文/地图等通用模块的美术资源变化。

为了进一步提高测试数据的稳定性和全面性,每日冒烟测试还分为了自动化测试和技能流测试。

自动化测试:

战场的10个英雄皆由脚本按照既定规则运行,会根据对局的发展做出不同行为。自动化测试的优点在于可以覆盖战场新增玩法,但是内存数据会存在一定差异。

技能流测试:

战场的10个英雄的所有行为都有提前预制的技能流控制。技能流的优点在于英雄的行为完全受控所以内存数据会更加稳定,但是每个新版本都需要先更新技能流,以覆盖战场新玩法。

主流程冒烟测试:

   2.1.2 功能测试

目的:对新版本的新增功能进行内存测试。

方法主要有:

  • 新皮肤测试。

  • 子系统测试。

  • 运营活动测试。

   2.1.3 专项测试

专项测试是一些特殊测试,主要有:

  • 模拟玩家行为进行测试。

  • 特殊设备测试。

  • 业内竞品测试。

   2.2 分析数据

“分析数据”的最主要工作其实是开发内存分析工具。有效的工具能够让测试提供有效的数据,有效的数据能够提高分析效率,从而加快内存优化工作。

那么什么是有效的数据呢,什么工具能够提供有效数据呢?

   2.2.1 阶梯式数据

有效的数据应该是“总-分-细分”的阶梯式数据:

  • 整体数据 表示当前内存量级,判断OOM风险。

  • 分模块数据 表示大型模块的内存。在大型项目中,各团队负责的模块不同。有了分模块数据可以方便调动各管线力量进行内存优化。

  • 细分数据 提供具体的内存分配堆栈,具体的资源名,能够非常直观的表示哪行代码分配了多少内存。

   2.2.2 数据工具链

有了想要的数据之后,就可以去找相应的工具来获取数据。

下面是Unity手游项目的具体实践:项目的内存数据以iOS为主,联合XCode工具链+Unity工具链+第三方工具链实现内存数据采集分析工作。

工具链的整体工作流如图所示:

1、整体数据

对于整体数据,有3个工具可以获取:

  • PerfDog:公司级自研性能分析工具。

  • XUP:光子内部自研性能分析工具。

  • XCode MemGraph:Apple提供的工具。

这3个工具都可以获取项目占用的全部FootPrint内存,可以用来衡量游戏OOM的风险。这3款工具都提供了丰富的使用指引和开发文档,使用起来没有门槛。

业内还是Unity UPR和UWA Tool,但是这两个工具并不支持项目当前使用的引擎,而且都需要额外付费,所以没有被大规模采用。

2、分模块数据

对于分模块数据,这是内存工具遇到的第一个难点。

一般情况下大家会使用Unity提供的Unity Profiler工具。但是Unity Profiler统计的内存是少于游戏总内存的,而且在项目上是远少于游戏总内存的。

Unity Profiler统计不到的内存是:第三方SDK内存,项目 GameCore内存,Unity引擎框架自身运行使用的内存。那么这3块内存该如何统计呢?

  • 对于项目 GameCore内存,在框架设计的时候内存的分配都是统一接口管理的,所以这块内存在分配/释放函数上加统计就可以了。

  • 对于第三方SDK和Unity引擎框架自身的内存,一般的做法是使用hook的方式。

Android平台使用plt Hook方式进行hook。IEG有自研的工具LoliProfiler,使用起来比较方便。

iOS平台使用FishHook的方式进行统计,然后自己统计堆栈。

对于iOS平台,除了Fish Hook的方式,还有一套使用门槛更低的工具链:MemGraph + vmmap + malloc_history

MemGraph + vmmap + malloc_history工具链实践

1)先通过XCode工程截取内存MemGraph快照。

2)然后通过vmmap工具将快照文件按照VM ZONE进行分类。

这里我们关注以下VM Zone:

  • Malloc_Large/Small/Tiny,这部分 = Heap内存 = 所有通过new() / malloc()/ alloc() / align_alloc()分配的内存。

根据项目游戏特点,Malloc_* = Unity Native + 第三方SDK分配的内存:

  • VMALLOCATE,这部分 = 所有通过mmap()分配的内存。

根据项目游戏特点,VMALLOCATE = GameCore + IL2CPP Managed的内存:

  • IOAcclerator,这部分 = GPU占用的所有内存。

到这里,我们通过vmmap --summary命令就得到了一个初步的分模块内存。而且所有模块内存相加等于游戏整体内存,没有遗漏。

并且vmmap工具给出的数据很清晰表示出内存的Dirty Size 和 Swapped Size,而Dirty Size + Swapped Size = FootPrint内存。减少了clean内存的干扰。

3)还可以再进一步,将GameCore内存和IL2CPP Managed内存从VMALLOCATE中区分出来:

通过malloc_history工具可以将addr内存转为堆栈。具体做法是:

  • 先通过vmmap工具将VMALLOCATE中的所有内存地址打印出来。

  • 然后通过malloc_history工具将内存地址转为分配堆栈。

  • 最后再将堆栈按照GameCore和IL2CPP Managed进行归类,就可以统计出GameCore和IL2CPP Managed内存。

经过以上的数据处理,我们将游戏整体划分为了 Heap + GameCore + IL2CPP Managed + IOAccelerator 4个大模块。

3、细分数据

最后就是对Heap + GameCore + IL2CPP Managed + IOAccelerator 这4个模块进行细分。

1)Heap内存

Heap内存 = Unity引擎框架占用内存 + 第三方SDK内存 + Unity Native内存。Heap内存的分配堆栈可以由2种方式获取:

1是通过Heap命令打印出Heap区域的所有内存地址,然后通过malloc_history输出地址对应的堆栈。

但是这个对于Unity手游项目这种大型项目来说效率太低了,或者说根本无法实现。

2是使用Instrument Allocations工具。

Instrument Allocations工具可以通过堆栈来查看Heap的内存,并且已经将堆栈进行了聚合。

这部分堆栈可以完整的Copy出来,然后进一步按照关键字进行业务分类,或者直接按照堆栈进行对比找到2个版本堆栈相同但是内存占用不同的地方。

但是项目使用C#开发,因为协程+IL2CPP会让堆栈变得复杂。

我们在实践中总结出以下经验:

  • 将统计中的count类别取消掉,

  • 将limit限制为1KB甚至1MB。

这样子做有2个用处:1、这样子过滤之后堆栈的缩进是一致的,可以按照缩进处理堆栈的层次关系。2、可以减少堆栈数量,提高操作效率。

通过Instruments Allocation工具,我们可以得到Heap内存的所有堆栈。

2)GameCore内存

GameCore采用C++语言编写,内存申请和释放完全由业务代码控制。在开发GameCore的时候就在内存申请。

3)IL2CPP Managed内存

这块内存之前很难处理。

我们都知道Unity MemoryProfiler工具可以按照对象类别将IL2CPP Managed内存进行分类,并且可以查到内存对象的依赖关系。

但是Unity Memory Profiler的比较难用。难用主要体现在以下方面:

  • 对于大型项目,单单是打开Unity Memory Profiler的GUI就会非常卡顿。

  • 然后Unity Memory Profiler的对比功能非常鸡肋。

  • 最后就是最致命的地方,它对数据的GUI处理方式导致对于大型数据简直无法使用。

举一个实际例子,问:新版本比老版本多了2W+字符串,请回答这些字符串出自哪里?

首先从20W+的字符串中找出这2W字符串在GUI上就已经无法实现了,就更别说这些字符串来自哪里了。

再举一个实际例子,问:新版本比老版本多了2K个int[]数组,请回答它们的分配来源是什么?

但凡数据量上升到“百”这个单位后,靠人工肉眼来排查问题几乎不可能了。所以得另寻工具。

Unity MemoryClawer通过terminal的方式来处理数据,很方便对数据进行二次处理:

  • 对于上面讲到的2w个字符串问题,我们可以通过MemoryClawer将2个版本的所有字符串都打印出来,然后就可以对比出来增长的字符串是什么。

  • 对于上面提到的2K个int[]数组问题,我们扩展了MemoryClawer能力,根据内存对象的依赖关系将内存对象分类。这样分类之后,对于这些数量巨大的对象,我们直接分类,就可以很清晰的看到它来自哪些模块。

MemoryClawer本身还提供了很多能力,可以帮助定位小内存,内存碎片问题。MemoryClawer提供源码,方便接入和扩展。

4)IOAcclerator的内存

我们使用XCode的截帧工具来具体分析这部分内存。

XCode截帧工具GUI友好,使用简单,还有大量的使用指南。使用成本很低。

有了这套工具链就基本完成了总-分-细分的数据分析。

更进一步的,我们通过在资源加载函数上增加日志,结合这部分日志就可以找到具体的资源名。

这样子堆栈和资源名都被获得,而且是阶梯状数据。所以不论是排查增量问题还是分析存量内存,都可以提供准确的数据。

通过这套工具链,降低了数据分析工作的门槛,便于在特定时期投入更多人力进行内存分析工作。提高了内存分析效率,为内存优化提供了明确指引。

   2.3 具体优化

大部分优化方法都可以在各类分享中找到实现原理和实现方式。下面列出我们验证过效果比较明显的优化方法,以及具体实践中的经验。

   2.3.1 业务优化

  • 资源LOD

如果资源分的够细致,内存问题都不会太大。毕竟内存中占大头的是贴图,shader,音频。低内存设备加载低精度的资源,高内存设备加载高精度的资源这样子做就会比较合理。但是多一份LOD对于美术就多一份工作量,也会撑大包体。所以LOD的划分需要根据项目实际情况来制定。

  • 大数组防止扩容

对于一些很大的数组,初始化的时候就指定一个足够的空间,会比数组自己扩容要省内存。这一招虽然简单但是有效。

  • 避免字符串冗余

资源路径,文案,配置会使得游戏中存在大量的字符串。我们的做法是将字符串转成ID使用。这样可以避免存储重复字符串。

  • 压缩

ASTC使用合适的压缩比,动画使用ACL压缩,表格字符串压缩。尝试将资源压缩使用。

  • 图集

禁用图集的read/write。这个优化要做个工具进行校验。大型项目管线复杂,很容易出现低级错误。用工具来做校验可以避免这类问题。

限制图集的大小。超大的图集往往是为了制作方便,但是也往往导致内存浪费。

03

总结

内存优化的分享就是以上内容。感谢耐心阅读。

这里再总结一下,对于内存优化我们需要以下措施:

  • 可以稳定重复的测试流。

  • “总-分-细分”的阶梯式数据。

  • 防范重于兜底的优化思路。

下面分享一些业内比较优质的内存优化相关的文章,做一个知识汇总,常看常新。

也感谢各位大佬过往的分享,让我可以站在巨人们的肩膀上工作。

由于能力有限,可能在某些内容的理解上存在谬误,也请大家包涵指正。

拓展阅读:

《Profile and optimize your game's memory》https://developer.apple.com/videos/play/wwdc2022/10106/

《浅谈Unity内存管理》https://www.bilibili.com/video/BV1aJ411t7N6/?vd_source=b4ce29f7f4280b6a23c340a93abff9d4

-End-

原创作者|黄志恒

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


你在资源管理方面有哪些内存优化的经验?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)。7月8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 1169

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 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 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 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 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 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: 预见 · 超越 · 破茧 | 腾讯云架构师长沙同盟AI主题沙龙圆满落幕!
下一篇: 架构师技术同盟·问答热力季(参与有奖)
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