大厂P9:为什么大部分程序员成不了架构师?

图片

图片

👉目录

1 认知龙门:架构师不是资深程序员

2 教育龙门 – 缺乏架构设计体系教育

3 机会龙门: 缺乏架构设计的实战机会

4 破局之道

5 后记

不想当架构师的程序员不是好码农。成为架构师或许是在技术这条路上,很多开发同学追逐的目标,但很遗憾在职场上,大部分程序员最终也无法成为架构师。

在 AI 大行其道的当下,大模型仍旧无法取代程序员的两类关键技能:业务理解能力和架构设计能力。这两项能力,就是 AI 时代程序员的核心竞争力。腾讯云开发者特邀前大厂 P9 技术专家,聊聊从程序员到架构师背后,要跨越的三重龙门。

关注腾讯云开发者,一手技术干货提前解锁👇

AI浪潮风起云涌,从客服到设计师,从律师到医生,无数职业正被重新洗牌:自动驾驶让司机警觉,Midjourney让设计师失眠,连高考作文都开始担心被大模型降维打击。在这场席卷全球的智能革命中,似乎无人能置身事外。

而程序员——这群曾被视为“AI缔造者”的人,如今也站上了命运的十字路口。毕竟,当Copilot能自动生成函数,Cursor能一键重构项目,连面试题都能被AI秒解时,人们不禁要问:亲手写代码的人,会不会成为被自己造出的工具最先取代的一群?

坏消息是:如果你只会写代码甚至只会写CRUD,那么AI 100%是可以取代你的,AI在写局部代码方面的能力,目前已经超越了90%的程序员。可以这么说:写的快的没有AI写的好,写的好的没有AI写的快。

好消息是:AI目前还无法取代程序员的两类关键技能。

首先是业务理解能力。AI对于特定公司的特定业务的理解程度远不如团队内的程序员。涉及到需求讨论和方案设计的时候,AI无法准确的判断哪些是合理,哪些是不合理的。形象点说:AI没法和产品经理PK(吵架)需求合理性和实现细节。

其次是架构设计能力。AI对于特定公司特定团队的利益关系网络无法正确理解。虽然AI可以给出很多可选的架构方案给你,但是无法代替你做出多方利益相关的最终决策,它无法理解不同利益的优先级和重要程度。形象点说:AI不知道你做的架构设计项目,是你为了明年晋升P8而做的晋升项目;还是为了让你的leader赶在绩效考核截止前一定要上线的KPI项目。

因此,对于程序员来说,在AI时代如果要避免自己被AI替代的话,需要扬长避短,朝业务和架构两个方向提升自己。不是和 AI 比谁写代码更好更快,而是向业务理解与系统架构两个高维方向跃迁。

听起来很理想?现实却很骨感。从程序员到架构师的提升,并不是水到渠成的事情:既不是说代码写的好就可以当架构师了,更不是说代码写的多就自然成为架构师了。

要想成功的从程序员跃升为架构师,需要跳跃3重龙门:1重认知的龙门,2重实践的龙门,3重机会的龙门。

01

认知龙门:架构师不是资深程序员

程序员和架构师都是技术岗位,两者存在很强的关联:架构师设计的架构要程序员去落地实现,架构师也是从程序员成长起来的。但正是这种强关联性掩盖了两个角色的本质区别。如果没有认识到这个区别并进行有针对性的训练和提升,程序员是很难成长为架构师的。

程序员和架构师的第一个区别是【职责】上的区别。

程序员的核心职责是“正确地做事”——将产品需求、业务逻辑精准转化为可运行、可测试、可维护的代码。他们关注的是函数是否健壮、接口是否规范、性能是否达标。

我们可以将程序员类比为需求的“翻译员”:产品设计人员用自然语言描述需求,而程序员将自然语言翻译为程序语言来实现需求。

对于程序员来说,要想准确“翻译”需求,关键在于“理解力”:是否准确理解需求是实现需求的关键。

架构师的核心职责是“做正确的事”——基于概要的业务规划和目标,在有限的团队和资源约束下,从技术选项繁多的混沌中,设计出既能支撑当前需求、又能适应未来演进的系统蓝图。他关注团队是否能够在有限的时间和资源内做出自己设计的系统、系统是否能够满足业务当下和未来的需求。

我们可以将架构师类比为业务的“建筑师”:皇帝想要一座宫殿,架构师设计出凡尔赛宫或者故宫。

对于架构师来说,要想设计优秀的系统,关键在于“洞察力”:是否准确抓住系统设计的关键点和复杂点,是否能够预判业务未来发展给系统带来的挑战。

程序员和架构师的第二个区别是【行为】上的区别。

程序员的核心行为,是“实现逻辑”——在架构已选定的技术栈(如 Java + Spring Cloud + MySQL + Redis + Kubernetes)框架内,将具体业务需求转化为可靠、高效的代码。 他不再纠结“该用哪种数据库”,而是专注于“如何用好已选的数据库”;他不决定是否引入消息队列,而是思考“如何在现有消息队列模型下保证消费幂等性”。

我们可以把程序员类比成乐团的“乐手”,他们精通自己的乐器(如 Java、前端、数据库、运维工具等),拿到乐谱(需求文档/接口定义),专注把每一个音符(代码逻辑)精准、富有表现力地演奏出来。

对于程序员来说,要想编写优秀的代码,关键在于“技术深度”:是否对自己的“乐器”熟练掌握,能够在不同的“乐谱”中熟练的演奏自己的“乐器”。

架构师的核心行为,是“设计系统”——通过对编程语言、框架、数据库、中间件、部署平台等技术要素进行战略性排列与组合,创造出一个能支撑业务目标、兼顾性能、可维护性与未来演进的整体技术方案。 

我们可以把架构师类比成乐团“指挥家”:不亲自演奏每个音符,却要决定用哪些乐器、以什么节奏、在何种结构下协同发声,才能奏出一曲稳健而富有张力的交响乐。

对于架构师来说,要想设计优秀的架构,关键在于“技术广度”:架构师需要熟悉不同乐器的特点和作用,在不同的“乐谱”(业务和团队)中选择合适的“乐器”(技术和工具)来组合演奏。

程序员和架构师的第三个区别是【思维】上的区别。

程序员的核心思维是“逻辑”——关注如何将一个明确的需求,通过严密、线性的步骤转化为可运行的代码。他们思考的是:输入是什么?处理流程如何设计?边界条件怎么覆盖?异常路径如何兜底?优秀程序员像一位严谨的数学家,用 if-else、循环、递归等工具,一步步搭建起功能的确定性大厦。

我们可以把程序员的思维类比为“机械思维”:追求确定性、精确性和可验证性,强调“只要条件满足,结果必然正确”。

架构师的核心思维则是“取舍”(Trade-off)——在资源有限、目标冲突、信息不全的现实约束下,做出全局最优的权衡。他必须不断问自己:

  • 是要强一致性,还是高可用性?

  • 是快速上线抢占市场,还是花时间夯实基础?

  • 是自研以掌握控制权,还是采用成熟方案降低风险?

  • 是追求极致性能,还是优先保障开发效率?

架构师必须认识到:没有完美的架构,只有“在特定上下文中最合适的选择”,架构师需要容忍模糊性,接受“局部不完美”,甚至主动放弃某些技术亮点,只为守住系统的核心目标。这种思维不是非黑即白的逻辑推导,而是多维度、动态、平衡、取舍的选择艺术。

我们可以把架构师的思维类比为“战略思维”:需要在不确定性的环境下做出判断和选择。

02

教育龙门 – 缺乏架构设计体系教育

当你成功跳跃认知龙门后,你想学习架构设计的相关技能的时候,你会遇到第二个阻碍:架构设计缺乏系统化的教育体系。这并非个人努力不足,而是整个软件行业技术人才培养体系中的结构性断层。

首先,高校教育缺乏设计思维的培育。

绝大多数计算机专业课程围绕数据结构、算法、操作系统、网络编程等基础展开,重心是程序员的基础能力培育。稍微高级一点的“面向对象编程”这类思维和认知类的课程,可能都是选修课或者在讲Java/C++的时候顺便讲一下,更别谈“架构设计”这种技能的系统教育了。

有人可能会疑惑:大学生学习架构设计有必要吗?是不是拔苗助长?其实不用担心,就像大学生学习软件工程一样,并不是要求大学生毕业就做项目经理来管理项目,而是为了培养基础的思维和认知体系。

其次, “经验传承”式架构设计存在严重不足。

如果你意识到了高校教育在架构设计这方面的确实,从而想自学架构设计方法的话,此时又会遇到另外一个问题:行业的培养主要依赖“经验传承”,而缺乏“体系教育”。

你可能关注了很多架构相关的公众号,看了很多各个大厂的架构设计文章,学习了很多架构设计的模式,甚至能够对“某宝异地多活架构”的细节耳熟能详,但是真的等到你自己有机会做架构设计的时候,还是会觉得一片茫然不知道怎么下手。

造成这种问题的核心原因在于:看别人的文章和已有的架构设计,只能看到最终的架构设计结果,而看不到架构设计的过程,更看不到过程中的各种判断和决策。简单来说,你虽然知道了别人做了这么一个架构设计方案(what),但是你不知道为什么这么做(why),更加不知道是如何做出来的(how)。

更糟糕的是,“经验传承”的架构学习和培养模式还带来了更大的问题,给很多团队带来了架构设计的“事故”甚至“灾难”。

其一,盲目照搬大厂架构导致水土不服。

看到阿里大力鼓吹“中台”,就以为“中台是阿里成功的技术驱动力”,不顾自身业务特性、技术团队能力、基础设施等和阿里的差异,盲目强推中台策略,导致业务和技术战略上的失败。

其二,大厂高P陷入“成功路径依赖”。

一些曾在大厂主导过成功系统的架构师,习惯性复用过去的经验——“当年我们就是这么扛住双11的”、“这个架构方案淘宝的业务都可以,你们这点业务那还不是牛刀杀鸡”。但他们忽略了:架构没有放之四海皆准的模板,只有适配当前业务阶段、团队能力和资源约束的最优解。

针对上述问题,我自己尝试了总结一套完整的架构设计方法论 “面向复杂度架构设计方法论”,但是个人的影响力毕竟有限,很难说能够带动整个行业的发展。

03

机会龙门: 缺乏架构设计的实战机会

如果说教育体系断层是“知”的龙门,那么实战机会的匮乏就是“行”的龙门。绝大多数程序员在工作中很少有机会接触到真正意义上的架构设计场景。

在中小型企业或业务稳定的团队中,系统往往早已定型,技术栈固化,开发流程高度模块化。程序员的日常工作被切割为一个个细粒度的任务:“接一个新接口”“改一个字段逻辑”“优化某个SQL”。他们像精密流水线上的工人,只负责拧紧自己面前的那一颗螺丝,却从未见过整台机器的蓝图,更不用说参与设计。

即便在大厂,情况也不容乐观。虽然系统复杂、规模庞大,但分工极度细化——有人专攻数据库中间件,有人只维护某一个微服务,还有人常年做前端胶水层。“只见树木,不见森林”成为常态。即便有了架构设计、架构重构的机会,往往被少数资深人员垄断,普通程序员连参与讨论的资格都没有。公司出于风险控制,不敢让“没经验的人”碰核心设计;而“没经验”又正是因为没机会实践——陷入死循环。

因此,程序员纵有千般热情,若无真实战场磨砺,终究只能在“想象中的架构”里打转。跨不过这道龙门,再好的理论,也终将落空。

04

破局之道

从程序员成长为架构师,需要努力主动去完成3重跃迁,而不要坐等“机会降临”,等到有架构设计任务的时候再来培养架构师的技能,而要以架构师的标准要求自己,从现在开始行动。

首先,系统的学习架构设计方法论。

不要只收藏碎片文章,而是完整的架构设计方法论,掌握架构设计思路、架构设计原则、架构设计流程、架构设计原则和理论(CAP、FMEA、BASE等),在这个基础上再来结合业界的一些实践和经验,从而形成自己的架构设计技能体系。

其次,选择有架构设计机会的职位。

通常情况下,新业务有较多从0到1的架构设计机会;持续发展的业务有较多架构重构机会;快速发展的业务可能有架构演进的机会。在转岗、换岗的时候,如果目标是寻找架构设计的机会(刚开始不一定是主导,有机会参与也不错),可以优先考虑这些机会。

最后,创造自己的架构设计机会。

如果加入了业务和系统已经比较成熟的团队,合适的时机也可以提出“架构重构”的想法。通常情况下,这样的环境通常都是问题驱动的,发生问题后可以思考问题是否可以通过架构重构来解决或者优化问题。例如:

  • 经常出线上问题的系统

  • 开发效率很低的系统

  • 性能很差,耗费很多硬件资源的系统

  • 技术很老旧,已经无法维护的系统

05

后记

AI已经能写代码,但无法替代你对业务的理解、对风险的权衡、对未来的判断、对人性的感悟——这些,才是架构师不可撼动的护城河。

未来已来,你无需恐慌,但需要进化!

   作者简介

李运华,腾讯云 TVP。前大厂 P9 级资深技术专家,16年软件设计开发经验,曾就职于华为、UC、阿里巴巴、蚂蚁金服,承担架构设计、架构重构、技术团队管理、技术培训等职责;专注于开源技术、系统分析、架构设计,对互联网技术的特点和发展趋势有较深入的研究和理解,对于高性能、高可用、业务架构、系统解耦等有丰富的经验,著有《编程的逻辑:如何用面向对象方法实现复杂业务需求》、《从零开始学架构》,极客时间专栏《从0开始学架构》、《大厂晋升指南》作者,极客大学《架构实战营》讲师,博文视点20周年20人作者。

-End-

原创作者|李运华

图片

📢📢来抢开发者限席名额!点击下方图片直达👇

图片

你对本文内容有哪些看法?同意、反对、困惑的地方是?欢迎留言,我们将邀请作者针对性回复你的评论,同时选一条优质评论送出腾讯云定制文件袋套装1个(见下图)。12月18日中午17点开奖。

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 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: SPEC 为什么会失败?
下一篇: 站在 AI 奇点之上,技术决策者如何破局?腾讯云架构师峰会来了!
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