架构师夜谈:从历史的视角,看见技术人的财富机遇

数字浪潮再起,架构师何去何从?

软件行业正在经历一场 AI 驱动的深刻变革。技术浪潮与经济周期交替涌动,不断重塑产业格局。也对身处其核心的技术架构师提出了新的思考:我们正处于怎样的阶段?机遇何在?又该如何应对挑战,把握个人与职业发展的未来?

在 8 月 21 日由腾讯云架构师技术同盟举办的「架构师夜生活」直播中,多位资深行业专家与架构师齐聚一堂,贡献了他们的真知灼见。他们从各自的亲身经历与深刻洞察出发,围绕软件行业的周期性、AI 带来的颠覆性变革、个人职业发展策略、财富观念,乃至具体的赚钱之道,进行了一场坦诚而深入的对话。

本文基于《架构师夜生活》直播内容整理,在保持原意的基础上进行了编辑优化,旨在系统梳理这些宝贵的经验与思考,为广大技术从业者,特别是架构师群体,提供一份全面的战略指南,共同探索 AI 时代下的破局之道。

参与嘉宾(排名不分先后):

Dora(主持人):腾讯云架构师技术同盟副秘书长

毛剑:腾讯云架构师技术同盟主席

沈淦:腾讯云架构师技术同盟活动组织主席

刘莫闲:腾讯研究院高级研究员

范维肖:熹乐科技 CTO、腾讯云 TVP

洪小军:AfterShip CTO、腾讯云 TVP

沈欣(连线嘉宾):广东省连锁经营协会技术委员会主席、腾讯云架构师上海同盟理事

AI 时代,软件行业的机遇在哪儿?

软件行业如同经济体般,经历着自身的波动周期。当前,随着 AI 大模型的兴起,行业正迈入一个全新的发展阶段,催生出前所未有的机遇,也预示着格局的重塑。

1.1 从历史看软件行业的“潮起潮落”

关于软件行业是否如经济周期般波动,以及我们所处的阶段,嘉宾们给出了各自的观察。洪小军从经济周期角度切入,他表示本次经济挑战与过去有所不同。以往经济下行一两年后会回暖,但现在似乎已进入“新常态”,回升速度可能不会那么快。然而,这种环境也有积极一面:过去企业依赖资金烧钱抢占市场,现在市场趋于理性,企业更注重盈利和稳健发展。他认为这是好机会,脚踏实地、注重内功的公司将有更多发展空间。

沈淦回忆 2000 年左右从 PC 客户端向 Web 架构转型的关键时期。尽管经济压力很大,他表示那段时期反而让他们有更多时间进行思考和技术积累。他认为,在经济不景气的环境下,技术人员往往能更专注于提升自己能力,为后续技术突破和发展奠定基础。

范维肖对此总结道,软件行业具备非常强的逆周期和抗周期能力。全球范围内,很少有行业能像软件业一样,在经济周期波动中保持如此强大的韧性。他相信,随着技术的不断创新,软件行业依然充满机会,未来仍有广阔发展空间。

1.2 经济下行也能实现增长?AI 时代隐藏的“金矿”

历史经验表明,经济低谷并非没有增长,反而常是新机遇的孵化期。结合 AI 的突破,新的增长点正在浮现。

刘莫闲以 1970 年代全球经济危机时期为例,指出漫威漫画和电影产业反而蓬勃发展。他认为经济下行时,人们对心理慰藉和激励的需求增加,文化产业因此逆周期成长。这提示我们,即使在困难时期,也总有新的市场等待发掘。

范维肖补充道,2008 年的经济危机也催生了整个 SaaS 产业的兴起,如 Salesforce 和 AWS 。企业为降本增效而转向 SaaS 方案,推动了该领域的大规模增长。他还提到,互联网泡沫破裂后,Facebook 和腾讯 QQ 通过开放平台策略实现用户增长和商业模式创新,即使在经济低谷期也敢于大手笔投资,展现了长远的战略眼光。

放眼当下,AI 被嘉宾们普遍视为未来五年的核心赛道。沈淦认为,对于追求技术深度的人而言,AI 领域蕴藏巨大机会。他预测,虽然当前 AI 市场存在泡沫,但泡沫破裂后能够留下的公司和个人将成为真正的赢家。

洪小军则强调,程序员群体拥抱变化和快速学习的特质,使其在 AI 时代拥有更多深入思考和发现新机遇的可能性。他以欧美 SaaS 市场为例,欧美地区的企业对 SaaS 的拥抱程度很高,即使是500人以下的公司也平均购买 150-200 个 SaaS 产品。他认为这得益于当地较高的人力成本和对专业解决方案的信任。

1.3 未来五年,AI 哪些领域将爆发式增长?

面对未来五年,哪些赛道将迎来突破性发展、巨大商业价值或深刻蜕变?

刘莫闲指出,公司内部报告显示,大范围的人工智能体系在未来 1-3 年潜力无限,从底层算力到上层应用,机会层出不穷。他尤其看好 AI Coding,认为其能力已达初级软件工程师水平并将快速进化;以及 AI for Science,如 DeepMind 的 AlphaFold,预示 AI 将在科学领域带来革命性突破。同时,他也提醒信息安全是 AI 时代基础设施面临的重要挑战。

毛剑看好多个领域:AI 领域的高门槛基础模型、解决垂类问题的应用层智能体,以及支撑开发者高效开发和部署的 AI 基础设施(如大模型网关)都充满机会。他将 AI 编程视为通往下一代通用人工智能(AGI)的关键通道。此外,他还极为看好所有出海类应用,认为中国工程师强大的工程能力和中国服务业极致的“情绪价值”(如高效的云服务和外卖)在海外市场具有显著优势,SaaS 工具和内容出海将是重要方向。

洪小军同样认为 AI 无疑是未来五年的主要赛道。他基于 OpenAI 的观点,将 AI 发展分为聊天机器人、推理者、智能体、创新者和组织者五个阶段,每个阶段都孕育着新机遇。他特别看好 AI 在医疗健康、教育等垂直领域的应用,以及 AI 时代所需的基础设施升级,例如有些公司在大量应用 AI Coding 的前期会面临代码质量和故障率上升的问题,会需要相应配套的能力和基础设施建设。

范维肖对毛剑提出的“中国优势”表示高度认同。并强调中国程序员在国际上的竞争力,认为他们更具成本竞争力,且水平高、勤奋。文化和语言差异已不再是问题,全球化趋势下中国产品和人才“走出去”机会大。他还肯定了中国服务业模式(如高效的外卖、团购)在全球化中的巨大潜力,相信未来中国企业和模式“走出去”的机会非常大。

1.4 搞懂趋势、混对圈子才能赚钱

在直播过程中,广东省连锁经营协会技术委员会主席沈欣老师作为特邀嘉宾,带来了独特的商业洞察。他强调“做趋势的生意,选择比努力更重要”,为技术人员提供了不同的视角。

沈欣老师通过一个师弟的案例生动阐释了趋势的重要性。师弟在 2000 年代初年选择“老软件”赛道,虽然公司号称卖了千万,却未能盈利。沈欣老师建议“中国人多,要做人的生意”,并列举了零售、银行、游戏三个方向。师弟最终选择了游戏,通过建立平台将《魔兽世界》打出的金币卖到美国,每年在谷歌投入数千万广告费,甚至影响了魔兽金币规则,这印证了“人的生意”的巨大潜力。

他进一步强调“快打慢”的效率优势,在努力方面,效率高(例如别人三天完成的工作你一天完成)可以带来更多机会。并指出成功除了努力,运气也至关重要,而机会总是留给有准备的人。

他与我们分享了成功的两个核心秘诀:

1)多混圈子: 沈欣老师特别强调要多混“架构师”这样的优质圈子,这能帮助我们保持方向正确、拓展人脉、少走弯路。他以“毛遂自荐”为例,说明身处圈子内才能抓住机会,并指出“架构师圈子”相对纯洁,是一个值得信任的“好圈子”。

2)离钱越近越容易赚钱: 他认为传统行业(如零售)与钱的距离较远,赚钱相对不易。

他还观察到一个有趣的现象:在传统行业中,如果一家公司利润很高,其技术水平往往相对较差。这对于技术人员而言,正是一个机会。高水平的技术人才可以在这样的公司中创造更高价值,从而获得更好的回报和奖金,因为这些公司更愿意在 IT 方面进行投资。

AI 来了,架构师的价值才刚开始

在 AI 能力日益强大的背景下,关于开发人员是否过剩的讨论不绝于耳。沈欣老师提出了一个引人深思的问题:他观察到 AI 出现后,大学毕业生和开发人员似乎已经过剩,担心 AI 对开发人员的冲击,并希望大家讨论架构师在这个背景下是机会更多,还是竞争更激烈。

2.1 程序员“过剩”?架构师迎来更多机遇!

针对沈欣老师的疑问,嘉宾们一致持肯定态度,认为架构师在 AI 时代将拥有更多机会。

沈淦指出,架构师具备得天独厚的优势。在企业从传统数字化向 AI 原生(AI native)逻辑切换的过程中,架构师能发挥关键作用,因为普通人很难找到这种切换的路径。他看到两大机会:

1)系统协同:即如何将现有数字化系统与 AI 原生系统良好整合,形成有效架构,这是一个只有架构师才能处理的复杂问题;

2)团队分工:架构师需要明确区分哪些工作适合 AI 完成,哪些仍需人工处理。沈淦亲身体验,完全依赖 AI 编程(不写一行代码)难以实现,只有顶级模型才能在生产环境中成功。他还强调,架构师需要具备知识工程能力,将现有知识和文档转化为 AI 可理解的语义化内容,并善于表达,让管理者理解这种新模式的价值。

范维肖同样持肯定态度,认为架构师的“跨界”能力变得更强。他指出,生成式 AI 能够帮助探索未知领域,与过去的数据分析和预测有所不同。架构师可以利用技术帮助公司进入以前看似“八竿子打不着”的行业,进行成本优化和效率提升。他强调,当前市场资金减少,企业更需要精细化运营,这使得架构师利用 AI 进行跨行业创新和降本增效变得尤为重要。

刘莫闲也认为这是架构师最大的机遇。他提出对待 AI 的态度需要从“工具”转变为“合作者”甚至“人”,像对待人一样对待 AI,表扬 AI,都会影响其产出。他预言,未来架构师可能成为 AI 的“HR 部门”,负责管理和调度不同的 AI 代理(Agent),决定哪些 Agent 表现好,哪些需要更换。

毛剑则在认同架构师重要性的同时,更关注开发者体验。他认为,与其关注 AI 编程的代码采纳率,不如关注 AI 工具能否提升“开发者体验”(Developer Experience),因为开发者的心情愉悦,才能更多地投入编码。他指出,开发者大部分时间消耗在需求理解、会议和平台工程上,真正编码时间不多。AI 工具应该让开发者“爽一点”,提升其幸福感。他也提醒,工具越多,效率可能反而降低(熵增),AI 的目标是拉平效率,避免其过度下降,而不是盲目追求代码生成率的提升。

综合来看,各位嘉宾普遍认为在 AI 时代,架构师的角色将变得更加重要且充满机遇。主要原因在于 AI 提升了对宏观业务理解和抽象能力的需求,赋能跨界和创新,以及对 AI 的驾驭和管理能力。同时,也有提醒,架构师需要不断迭代自己的能力,适应 AI 带来的新挑战和机遇,并将重点放在提升开发者整体效率和体验上,而不仅仅是代码生成率。

AI 时代发展策略:除了技术,你的“软实力”才是王道!

在快速变化的 AI 时代,技术人员的个人成长不仅关乎专业技能的精进,更在于心态的调适、视野的拓宽以及对关键选择的把握。

3.1 别被焦虑击垮!AI 时代,韧性是你最贵的“投资”

毛剑强调,投资自己永远是最划算的。他认为在困难时期,如何看待问题至关重要,要专注于认识自我、追寻内心快乐,并持续关注个人成长。他反思了当前教育环境下,年轻人可能因过于顺利而缺乏逆境承受力,当前年轻人普遍逆商(逆境承受力)较低,面对挫折容易受挫,强调培养逆商的重要性。

洪小军则认为,对所做事情的热爱是关键前提,它能让人在面对困难和挑战时依然保持积极状态,并从中获得兴奋感和动力。

3.2 “活水”哲学:架构师如何保持持续进化?

范维肖分享了他寻找机会的方式:当客户遇到技术瓶颈或市场出现空白时,他会深入研究并寻找解决方案。这种对未知的好奇和解决问题的欲望,即使让人“睡不着觉”,也会驱动他去整合资源和人才,最终实现突破。他强调,要像“在小溪中划船”一样,保持持续的流动和学习,而不是“上岸”观望。他认为,认识到自己不擅长什么很重要,并应将其纳入评估参数中。

Dora 则以“付出总会有收获,只要你肯坚持”为座右铭,相信只要付出并持之以恒地坚持,最终会有收获。她强调过程的重要性:如果只看重结果,可能因短期未达预期而放弃。真正的收获需要长时间的深耕和坚持,尤其是在“低谷时期”,只有坚持下去,才能看到最终的“盛况”。

3.3 这些“关键决策”决定他们的职业高度

嘉宾们分享了他们“做过的最重要的决定”,这些选择不仅塑造了他们的职业生涯,也为后来者提供了宝贵的启示:

沈淦选择将 AI 与实际环境结合,选择进入服装行业。他看重“逆周期”和“不变的关键因素”,认为在经济周期波动中,选择逆周期的行业(如老龄化、服装)更容易看清结果。他认为 AI 虽然是趋势,但变量多,找到“不变的关键点”是一种高阶能力。他认为将技术应用于民生经济等领域,具有长期红利。他选择服装行业,是因其“逆周期”(消费疲软时反而要求更高性价比),希望能将 AI 技术与实际业务结合,优化供应链和营销,为消费者提供更实惠的产品。

范维肖则分享了一个关于“放弃”的故事。2011 年,他放弃了一年后可兑现的公司股票,毅然选择进入移动互联网领域创业(尽管当时对客户端技术并不熟悉)。他认为这种“放弃即将到手的东西”的决定非常困难,但最终让他获得了“同时具备两个市场的操作经验”,从而避免了单一市场的系统性风险。他对中国教育的反思是:中国教育强调“做好一件事”,导致个人在单一领域被困。他认为在程序员行业,可以通过“抽象”和方法论将经验复制到不同领域。他与毛剑观点呼应:谈及 GPU 时代,需要懂硬件、软件、算法、工程等多方面知识的人才,这种高度集成和不成熟的生态蕴含巨大机会,也催生了新的架构师类型。

嘉宾们选择的“最重要的决定”各不相同,但它们共同反映了一些主题:行业选择的重要性(尤其是在早期进入一个具有时代红利的行业)、拥抱变化与承担风险的勇气、对价值实现的追求、持续学习与适应的能力,以及在不确定性中寻找“逆周期”和“不变”的思考。

AI 时代架构师的“财富密码”

在 AI 重塑生产力的时代,如何利用个人能力实现财富增长,如何理解“财富自由”,成为了技术人员需要深入思考的议题。嘉宾们分享了在 AI 时代背景下,技术人员如何提升个人能力并转化为实际财富的策略。

4.1 如何成为年薪百万的“ AI 超级个体”?

范维肖提出了提升个人价值的两个关键点:

1)成为“十倍工程师”: 他认为当前环境下,个人通过利用新技术红利大幅提升生产力(“十倍工程师”)的机会巨大。他以公司 Ramp 为例,其核心团队人数不多,但通过创新解决了企业财务支出管理痛点,短短五年估值达数百亿美元。这强调了突破自我设限,敢于挑战看似不可能的任务,能更快更高质量地完成工作的重要性。

2)建立个人声誉: 在网络发达的今天,每个人都应把自己视为一个“商品”,主动建立个人声誉。他强调“酒香也怕巷子深”,中国有大量优秀工程师,但很多人缺乏自我展现。他建议积极展现技术能力,让外界了解自己,这会带来更多机会。他估计,个人声誉若能提升 20%,就能超越 85% 的同行。

洪小军则分享了“超级个体”的概念,受《未来简史》启发,他认为可以通过外部辅助方式(如 AI Agent)增强个人能力。如果日常琐碎任务能交给 Agent 完成,个人就能拥有更多时间,更高效率地处理核心工作。

他还强调培养财商的重要性,认为其在任何行业和年龄都不可或缺,尤其在中国教育体系中常被忽视。他建议通过阅读《富爸爸,穷爸爸》这类财商启蒙读物,并从小培养孩子的财商意识,其核心在于首先要有培养财商的意识,然后才去学习和实践。

4.2 用 AI 赋能工作效率与多元化变现

刘莫闲强调,在当下万物互联的时代,连接已经不是问题。无论是视频、程序、3D打印模型等等,只要能创造出任何有形或无形的产品,就可以通过各种平台轻松售卖。核心理念:只要有东西能“做出来”,就有办法“卖出去”,进而赚钱。

沈淦提供了关于 AI 如何提升工作效率和拓展副业的建议:他认为 AI 的价值在于将编程方式向上提升了一层,未来可能是为了让 AI 去 Coding。掌握这种“驱动 AI 程序员”的技巧,将极大地提升个人工作效率,迈上新台阶。他认为这种方法像回到了学习汇编和编译原理的阶段,一旦掌握并将这种能力变成一种范式、一种新的编程语言,将带来巨大突破。

在主业方面,他建议普通技术人员“大规模地使用 AI”,并且要比周围的人使用得更频繁、更深入。他认为许多人嘴上说用 AI,但实际工作中真正贯彻的并不多,因此,只要努力实践,就能轻松超越身边的人。在副业方面,他认可刘莫闲的观点,即如果有好的想法,可利用 AI 快速实现并发布产品。此外,若自身专业过硬,也可以通过卖课或输出内容变现,鼓励专业人士相信自己的能力,不被鱼龙混杂的市场吓倒。

4.3 赚钱不止技术流!“圈外思维”也很重要

毛剑分享了他的“赚钱哲学”,着重于思维方式的转变:

1)第一性原理: 在面对大模型和生成式 AI 时代时,要摒弃过往的惯性思维,以空杯心态从第一性原理出发,深入理解底层逻辑(例如 Transformer 的每一层设计原理)。掌握底层逻辑后,能对问题有更直觉的判断和解决方案。

2)提升本职工作能力至 80% 以上: 确保自己在主业岗位上做到超越 80% 的同行,打好“基本面”。

3)拓展视野,多与不同行业的人交流:不要局限于互联网圈子,多了解其他行业的经营模式和赚钱逻辑。他认为,许多赚钱的机会可能超出我们已有的认知范围,因此保持开放的心态去探索至关重要。

嘉宾们提供的赚钱小贴士涵盖了提升个人核心能力、建立个人品牌、学习财商、拓展副业以及保持开放心态等多个维度。他们强调在 AI 时代,技术专业人士更应主动出击,利用自身优势创造价值。

拥抱变革,创造属于架构师的 AI 未来

回顾这场深度对话,我们清晰地看到,AI 时代的到来不仅为软件行业带来了深刻的变革与挑战,更蕴藏着前所未有的发展机遇。从宏观的行业周期到微观的个人成长,再到具体的财富增值路径,嘉宾们分享了宝贵的经验与前瞻性洞察。

Dora 总结道,每一次经济周期和技术浪潮的“洗牌”,都是重新定义自己的机会。她认为在面对挑战时,要感恩当下,相信自己仍能做得更好,并通过控制欲望、减少攀比来实现“知足常乐”的自由。她鼓励技术人员不要有“玻璃心”和“摆烂心态”,要追求极致与完美,接受不同意见,并坚信“付出总会有收获,只要你肯坚持”。她强调过程的重要性:如果只看重结果,可能因短期未达预期而放弃,真正的收获需要长时间的深耕和坚持,尤其是在“低谷时期”,只有坚持下去,才能看到最终的“盛况”。

嘉宾们一致认为,只要技术人员具备核心竞争力、勇气和坚持,无论外部环境如何变化,个人都能保有韧性,并最终迎来自己的春天和财富自由。

AI 的浪潮浩荡而来,它不仅是工具,更是新的协作伙伴和生产要素。对于技术架构师而言,这是最大的机遇。通过不断迭代自身能力,从宏观业务理解到精细化 AI 管理,从个人能力提升到多元化财富变现,我们有望在新时代中重塑价值,实现职业生涯的跃迁。未来已来,让我们保持信心,共同期待并创造一个更加广阔的 AI 时代。

【架构师夜生活】

当夜幕降临,代码的世界才真正苏醒。我们致力于为技术人们打造一场有温度的深夜对话。邀请业内知名技术专家和行业 KOL,用最轻松的方式聊最前沿的技术。这里没有 PPT,只有真实的故事。从架构设计到创业感悟,从技术选型到职场成长——复杂的技术问题用最简单的语言解释,让每个技术人都能有所收获。我们相信,最好的技术交流不需要西装革履,只需要一颗好奇的心和一群有趣的灵魂。

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 403

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 707

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 905

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: 程序员如何避免面向监狱编程?
下一篇: 如何设计一个企业级消息推送系统架构?
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