如何设计一个支付系统:核心交易系统架构丨架构师系列文集

图片

图片

👉目录

1 概述

2 支付系统/核心交易系统的架构特点

3 系统预告

在上一篇文章如何设计一个支付系统丨架构师系列文集中,我们主要讲解了支付系统的设计全貌,为了帮助大家进一步深入理解支付系统的设计细节,腾讯云开发者社区联合原作者产出系列深度文章。本文将主要介绍支付系统在电商系统中的重要性,包括其作为连接消费者、商家和金融机构的桥梁作用,以及在支付处理、安全性保障、支付方式管理、订单管理与结算、交易记录和报告、退款与售后支持等方面的关键作用。同时指出支付系统的发展阶段,从封闭的独立应用系统到开放的服务系统,强调了其对电商企业运营和用户体验的重要性。

关注腾讯云开发者,一手技术干货提前解锁👇

「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组织。同盟共创,携手同道,关注每一位中国架构师成长。

扫码报名加入

图片

01

概述

在电商系统中,支付系统扮演着至关重要的角色,是连接消费者、商家(或平台)和金融机构的桥梁,管理支付数据,调用第三方支付平台接口,记录支付信息(对应订单号,支付金额等),金额对账等功能。根据不同公司对于支付业务的定位不同大概分为几个阶段:

第一阶段:支付作为一个(封闭)的、独立的应用系统,为各系统提供支付功能支持。一般来说,这个系统仅限于为公司内部的业务提供支付支持,并且和业务紧密耦合。

第二阶段:支付作为一个开放的系统,为公司内外部系统、各种业务提供支付服务,服务本身应该和具体的业务解耦合。

下面是支付系统在电商系统中的几个关键作用:

  • 支付处理:支付系统负责处理用户的支付请求。当用户选择支付方式并确认购买时,支付系统会接收并处理支付请求,验证用户的身份和支付信息,并与支付渠道(如银行、第三方支付平台)进行交互,完成支付操作。

  • 安全性保障:支付系统在电商系统中起到重要的安全保障作用。它使用加密技术和安全协议,确保用户的支付信息和交易数据在传输和处理过程中得到保护。支付系统还需要符合PCI DSS(Payment Card Industry Data Security Standard)等相关安全标准,以确保用户支付信息的安全性。

  • 支付方式管理:支付系统管理和支持多种支付方式,如信用卡支付、借记卡支付、电子钱包支付、支付宝、微信支付等。它负责与不同的支付渠道和服务提供商进行集成,以提供多样化的支付选择给用户。

  • 订单管理与结算:支付系统与订单管理系统和库存管理系统进行集成,确保支付和订单信息的一致性。支付系统负责将支付成功的订单状态更新,并触发后续的订单处理流程,如订单确认、发货、退款等。它还负责处理结算相关的操作,将支付款项结算给商家,并生成相应的结算报表。

  • 交易记录和报告:支付系统记录和存储所有的交易信息,包括支付时间、金额、支付方式、交易状态等。这些交易数据可以用于生成交易报告和分析,帮助电商企业了解销售情况、用户行为和支付趋势,为业务决策提供依据。

  • 退款与售后支持:支付系统支持退款和售后服务流程。当用户发起退款申请时,支付系统负责验证退款请求的合法性,并与相关系统协同工作,进行退款操作。它还可以提供售后支持,如取消订单、修改订单等功能。

支付系统在电商系统中发挥着至关重要的作用,涵盖了支付处理、安全性保障、支付方式管理、订单管理与结算、交易记录和报告、退款与售后支持等方面。一个高效、安全、可靠的支付系统对于电商企业的顺利运营和用户体验至关重要。

02

支付系统/核心交易系统的架构特点

   2.1 支付系统的作用

从上图中我们可以看出真实的资金流向。首先当用户产生支付行为时,资金从用户端流向支付系统,退款时则相反,从支付系统回流至用户端。因此在整个交易过程中用户端与支付系统是双向资金的流动方式。对于支付系统而言,资金有进有出。

从支付系统到商户端就比较简单了,在清算完成后支付系统负责将代收的资金结算给商户,通常结算的操作可以在线上来完成(采用支付公司代付接口或者银企直连接口来完成),也可以由公司财务通过线下手工转账的方式来完成,因此这种资金流动的方式是单向的。出于资金安全考虑,大多数公司通常这部分采用线下方式实现。

真实的资金流由支付公司按照约定期限(通常 T+1 )结算到平台公司对公账户中,然后再由平台公司再按照交易明细进行二次清算后结算给对应的商户。

   2.2 支付系统的架构

   2.2.1 架构概述

系统说明:

  1. 支付网关:支付网关是连接不同支付渠道和商户系统的中间平台,负责接收来自商户的支付请求,然后将请求传递给相应的支付渠道或支付核心,以完成支付过程。

  2. 收银台:用户在进行线上购物或支付时,通过进入一个页面来完成支付的过程。用户可以在收银台上选择支付方式、输入支付信息,并进行支付操作。收银台通常是支付网关的一部分。

  3. 交易系统:业务发起支付时,支付系统与业务方的前置模块,主要用于对业务的校验、接单、查询请求等处理。

  4. 支付核心:支付核心是支付系统的核心引擎,负责处理支付过程中的各种交易请求,包括接收支付请求、交易处理、资金结算等。

  5. 商户系统:商户系统是为商户提供的管理支付交易、查询交易数据、配置支付选项等功能的管理平台。商户可以通过商户平台来管理自己的支付业务。

  6. 补偿系统:补偿系统通常用于处理支付过程中出现的异常情况,例如支付失败、订单取消等情况,需要对相关方进行补偿或调整。

  7. 清结算系统:清结算系统负责处理支付过程中的结算动作,确保资金结算到位,包括向商户结算款项,同时也负责向渠道支付相应的手续费等。

  8. 对账系统:对账系统用于进行不同支付系统之间的数据对账,以确保交易数据的准确性。它会对支付核心、商户平台、清结算中心等各个组件的数据进行对比,防止数据出现异常。

  9. 会计系统:会计系统用于处理支付过程中产生的会计核算相关的数据,确保资金的正确流转和账务处理,保证支付过程中的财务准确性。

  10. 财务系统:财务系统用于整体管理和监控支付过程中的资金流动和资金状况,帮助企业进行财务决策和管理。

  11. 运营系统:运营系统负责支付系统的日常运营管理,包括系统监控、问题处理、性能优化等,确保支付系统的稳定运行。

  12. 渠道管理:渠道管理用于管理支付网关连接的不同支付渠道,包括银行、第三方支付服务提供商等,以确保支付网关可以顺利地将支付请求发送到适当的支付渠道。

   2.2.2 支付系统设计要点

支付系统的核心在于优化用户体验与便捷性,通过简化流程并支持多种支付方式(如信用卡、借记卡、电子钱包和二维码支付),提升用户转化率。结合一键支付和智能推荐功能,可进一步提高用户满意度与使用频率。系统需兼顾业务与技术,优化体验、保障安全与高并发处理,依托现代技术架构构建高效、灵活且稳定的支付体系。

  • 关键业务要点

  1. 用户体验与易用性:简化用户支付流程,支持多种支付方式(信用卡、借记卡、钱包、二维码支付等)。采用一键支付和智能推荐的方式来提升用户转化率。

  2. 支付安全性:采用HTTPS加密传输,实施PCI DSS(支付卡行业数据安全标准)合规性,利用双重认证和生物识别技术增强用户身份验证,定期进行安全测试和渗透测试。

  3. 交易处理与结算:设计高效的交易处理流程,利用分布式架构进行负载均衡;建立快速结算系统,支持实时结算和异步操作,以提高交易处理速度。

  4. 退款与纠纷处理:建立高效的退款处理机制,支持自动审批和人工处理相结合;提供清晰的争议解决流程和用户自助服务渠道。

  5. 法规遵循与合规性:了解并遵循国家的法律法规(如GDPR、反洗钱法等),建立合规性审核机制,确保支付系统在法律框架内运作。

  • 关键技术要点

  1. 系统架构设计:采用微服务架构(Microservices)进行模块化设计,各个服务独立部署,确保系统的灵活性与扩展性。使用Kubernetes等容器编排工具进行服务管理。

  2. 高并发处理:使用分布式队列(如RabbitMQ、Kafka)异步处理支付请求,防止系统过载。通过API网关(如Kong、Nginx)进行流量控制和限流。

  3. 数据存储与管理:采用分布式数据库(如Cassandra、MongoDB)存储交易数据,确保系统的可扩展性。使用缓存技术(如Redis)加速查询,提升系统响应速度。

  4. 监控与告警机制:建立全面的日志管理与监控机制,使用ELK(Elasticsearch、Logstash、Kibana)栈分析日志,设定阈值告警,及时响应系统异常。

  5. 版本控制与灰度发布:采用版本控制系统(如Git)管理代码,实施DevOps流程进行CI/CD,采用蓝绿部署或灰度发布机制,确保新版本在上线后的稳定性。

  6. API 接口设计:遵循RESTful设计原则,设计清晰的API文档,提供SDK支持。同时建立API版本管理机制,方便后续的迭代与维护。

  7. 支付系统的设计需要在业务和技术上双管齐下,通过优化用户体验、确保安全性和高并发处理,结合现代技术架构,建立一个高效、灵活、稳定的支付系统。

  • 核心流程如下图:

  • 涉及相关的表:

   2.2.2.1 支付网关

支付网关是连接商户和支付处理方的重要组件,负责处理支付请求、验证并转发交易信息,同时确保交易的安全与合规。可将网关功能拆分为API层、验证层、限流层和收银台,每个层模块独立,实现高内聚低耦合,便于后续维护与扩展。采用微服务架构将各个功能模块独立化,确保各模块之间低耦合、高内聚,支持独立扩展和部署,提高整体系统的灵活性和维护性。

关键功能包括:交易处理、订单管理和报表与分析。在交易处理方面,系统需支持高并发的交易请求,利用负载均衡技术(如反向代理负载均衡)将请求分发至多个后端服务,以确保交易请求的实时处理与响应,并根据用户行为动态优化交易体验。在订单管理方面,系统应提供订单状态跟踪功能,实时更新订单状态,包括待支付、支付成功、支付失败和退款等,同时实现订单退款、撤销和修改功能,以确保用户能够便捷地管理其订单。最后,在报表与分析功能中,系统需要生成交易报表,统计支付成功率、失败原因和渠道使用情况,支持运营团队进行数据分析和决策,并提供监控面板,实时展示支付系统状态、流量情况与交易成功率,以帮助运维人员及时发现并解决问题。

核心设计逻辑涉及多个关键方面。首先,在API管理方面,需设计清晰且易用的API,确保文档完备,支持信用卡、银行卡、电子钱包等多种支付方式的接入,同时利用API网关工具(如Kong或API Gateway)进行流量管理,实施统一的身份验证与授权控制。其次,在流量控制方面,设定合理的流量限制,采用令牌桶或漏斗算法进行限流管理,以防止系统过载,并持续监控API的使用情况,及时调整流量策略,确保系统的可用性。最后,在安全性措施上,必须使用HTTPS/SSL加密通信,确保用户数据在传输过程中不被窃取,同时实施多重身份验证(如双重认证、短信验证码等),以增强用户身份验证的安全性,并记录交易日志,定期进行安全审计,以防止潜在的安全风险。

   2.2.2.2 交易系统

交易系统负责处理来自支付网关的交易请求,管理订单状态与支付信息,确保交易过程的顺利进行。系统通过模块化设计将功能分为订单管理、支付管理和通知管理等,以支持灵活的业务需求,确保系统的可维护性和可扩展性。

架构设计思路:利用分布式架构和高性能消息队列(如Kafka、RabbitMQ)处理高并发请求,确保在大量同时交易情况下系统依然流畅高效。无论交易量如何激增,系统通过横向扩展灵活应对,保证每位用户的支付请求能迅速完成。利用SQL/NoSQL数据库的分库分表策略提高读写性能,降低单一数据库的压力。针对失败订单,实施重试机制,确保操作一致性,并记录失败原因以便后续分析和优化。

核心设计逻辑

  • 授权验证:在交易开始前,验证用户身份和支付信息,确保自有资金的合理使用。

  • 订单管理:实时更新和查询订单状态,支持多种状态的切换(如待支付、已支付、退款中等)。

  • 通知机制:通过Webhook或者异步消息的方式,实时向商户和用户推送订单状态变化。

   2.2.2.3 支付核心

支付核心是支付系统的核心模块,负责处理各种支付请求,确保支付过程的准确性和及时性。这个模块通过高效的流程管理和安全控制,提升支付处理速度,并保护用户的敏感信息。

架构设计思路:将支付、退款和代付功能模块化,增强代码可维护性,确保每个模块功能明确,使用有效的加密和签名机制(如RSA、AES)保护敏感信息,确保数据传输的安全性,及时更新加密算法,针对新出现的安全威胁采取预防措施。

核心设计逻辑:基于状态机设计支付流程,由用户、商户和银行三方共同验证,提高交易的安全性和透明度。(后续重点讲)

   2.2.2.4 清结算系统

清结算系统是支付生态中的关键组成部分,旨在确保交易后资金的准确清分与结算,提供真实、透明、准确和及时的财务数据。这一系统不仅负责对所有交易进行汇总和 reconciliations,还必须与相关金融机构、商户和用户之间建立高效的资金流转渠道,从而优化资金的使用效率。

业务场景要点:

  1. 自动根据交易信息、订单信息和商户约定规则进行资金清分,确保每笔交易资金在各方账户之间合理且及时地流转,支持多种清分规则,如按比例、固定金额或时间段清分,以满足不同商户的业务需求。

  2. 支持每日、每周、每月的定期结算功能,确保清算周期与商户需求及行业法规相一致,生成详细的结算报表,记录每一笔交易的资金流入和流出,确保透明性和可追溯性。

  3. 实现与银行、支付网关、商户的双向对账功能,确保账务信息的准确一致,自动识别和处理对账差异,及时调整和修正。

  4. 支持交易退款过程中的快速清算和资金回流,确保用户体验的顺畅,处理交易失败或异常订单的补偿机制,确保客户权益得到保护。

整体设计,将清结算系统分为多个独立服务(如资金清分服务、对账服务、报告生成服务等),确保高可用性和可维护性,每个服务单独部署和扩展,根据业务负载灵活调整资源,提高系统的适应能力。使用负载均衡器与高可用数据库(如主从复制或分片技术)来确保系统的稳定性与容错能力,实现服务熔断机制,以防止因单点故障导致的整体服务失效,提升系统的可靠性。实施多重身份验证和权限控制,确保只有经过授权的用户能够访问清结算系统及其相关数据,对所有资金流转数据进行加密传输,确保用户和商户的敏感信息不会被泄露。

   2.2.2.5 风控合规

风控合规系统是支付生态系统中至关重要的组成部分,旨在通过实时监测交易风险、合规审查和数据分析,保护用户和商户的利益,维护金融环境的安全与稳定。该系统不仅能识别和防范潜在的欺诈行为,还需确保所有交易行为遵守相关法律法规,从而提升整个支付系统的信任度和可靠性。针对发现的风险事件,快速启动应急响应机制,包括交易冻结、用户通知、资金审查等措施,确保用户与商户权益不受损害,提供风险处置流程,确保能够有效记录、追踪和总结事件,以便进行后续的分析和优化,生成全面的风险报告,评估交易活动和风控策略的有效性,支持合规审查和管理决策。

架构设计要点:

  1. 将风控合规系统划分为多个独立模块(如实时监测服务、风险评分服务、合规审查服务等),提高系统的灵活性和可维护性。

  2. 集成大数据处理平台(如Hadoop、Spark),实现对历史和实时数据的高效存储与分析能力,支持复杂查询和数据挖掘,采用实时数据流处理框架(如Apache Flink或Kafka Streams)来处理交易事件,确保风控决策的及时性和准确性。

  3. 系统设计应遵循相关的法律法规及行业标准(如GDPR、CCPA等),确保业务流程的合规,与外部监管机构、金融服务平台及数据库进行接口集成,实时获取必要的合规信息与风险数据,提升合规审查的效率。

  4. 智能决策引擎,智能决策引擎在风控系统中的作用是至关重要的,它通过利用人工智能(AI)和机器学习(ML)技术,实时分析和判断交易风险,能够适应动态变化的欺诈模式和风险环境。

核心模块说明:

  1. 交易数据采集:实时获取用户交易数据。

  2. 用户行为分析:监控用户行为,收集用户活动数据。

  3. 外部数据集成:接入外部数据源,比如信用评分、IP地址信息等。

  4. 数据预处理模块:

  • 数据清洗:去除噪声和异常数据。

  • 特征提取:分析与生成特征,为模型训练提供输入。

  • 模型选择与训练:

    • 选择算法(如随机森林、决策树、梯度提升、深度学习等)。

    • 训练模型:使用历史数据进行模型训练和验证。

  • 模型评估:分析模型性能,选择最佳模型。

  • 实时风险评估:

    • 输入交易数据:新交易数据进入。

    • 输出风险评分:基于模型输出实时风险评分。

  • 规则引擎:根据生成的风险评分决定交易处理方式(放行、人工审核或拒绝)。

  • 通过这些细致的设计和实现步骤,智能决策引擎可以为风控系统提供强大的支持,逐步提升对交易风险的识别能力,并有效应对复杂的欺诈行为。这将为整个支付系统的安全性和用户的信任度提供重要保障。

       2.2.2.6 会计系统

    会计系统负责管理公司的财务数据及日常会计业务,通过精确的财务管理为公司的决策提供支持。系统应确保财务数据的准确性、及时性和安全性。设计账务、日切和汇总模块,确保财务透明,便于后期审计和分析。与支付核心系统无缝连接,实时获取交易数据,避免因数据延迟造成的财务误差。

    • 核心设计逻辑

    1. 自动化记账:根据交易数据自动生成账目,利用ETL(Extract, Transform, Load)工具减少人工干预,提高效率。

    2. 试算平衡:保证账目在每个结算周期结束时的平衡,定期进行数据核对。

    • 注意事项

    1. 定期进行财务审计,确保账目准确,及时发现并纠正错误。

    2. 确保系统的高可用性,防止因系统故障导致的财务数据丢失。

    通过自动化记账和试算平衡功能的优化,能显著提升会计系统的效率、准确性和合规性。利用 ETL 工具进行数据管理,不仅降低了人工干预,还能提高交易处理的实时性。

       2.2.2.7 渠道管理

    聚道管理系统的主要作用是高效管理和优化支付渠道,集中管理信用卡、借记卡、电子钱包和银行转账等多种支付方式的接入、配置与切换。系统实时监控交易状态,及时处理异常交易以保障资金安全,并分析交易数据提供决策支持。根据实时交易情况,自动切换支付渠道,提高交易成功率和用户体验。

    聚道管理系统的主要作用是高效管理和优化支付渠道,集中管理信用卡、借记卡、电子钱包和银行转账等多种支付方式的接入、配置与切换。系统实时监控交易状态,及时处理异常交易以保障资金安全,并分析交易数据提供决策支持。根据实时交易情况,自动切换支付渠道,提高交易成功率和用户体验。

    第三方支付中,支付宝和微信支付是主要选择,占交易量的90%以上,便于用户授权支付,无需绑卡。银联则便于与银行对接,但需要用户绑卡,可能导致部分用户流失。银联快捷支付较简单,而网银支付较复杂,接入需ADSS认证。根据2024年数据,中国共有4425家金融机构,银行对接预计耗时3周,且多需专线接入,每年成本在几万元。手机支付如苹果的In-App支付和华为支付,特定于某些手机型号,需根据业务需求接入。

    03

    系统预告

    支付系统下:主题是支付链路优化、对账系统的设计

    支付系统是一个繁杂的系统,其中涉及了各种错综复杂的业务流程,以上只是简单介绍了支付系统我们能看见的一些问题和设计,还有后续的系统保障没有写出来,没写出来的才是关键部分,比如:支付系统监控(业务监控分类、渠道监控、商户监控、账户监控)。文章只是引子, 架构不是静态的,而是动态演化的。只有能够不断应对环境变化的系统,才是有生命力的系统。所以即使你掌握了以上所有的业务细节,仍然需要演化式思维,在设计的同时,借助反馈和进化的力量推动架构的持续演进。

       作者介绍

    江湖人称“山哥”,腾讯云架构师技术同盟名人堂专家、“技术方舟”主理人,专注于人工智能、互联网金融和大型电商领域,拥有丰富的架构设计和开发经验,擅长大模型调优及智能体搭建,精通TensorFlow和PyTorch等深度学习框架,具备全面的技术选型与实施能力,为企业提供高效、稳定的技术解决方案。

    -End-

    原创作者|李伟山

    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


    对于支付系统系列文章,你还有哪些想了解的技术细节点?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16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 892

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: 每个程序员都应该了解的GPU工作原理:从硬件到架构
下一篇: 彻底爆了!一文吃透AIGC、Agent、MCP的概念和关系
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