Clawdbot一夜爆红,教你一键秒级部署7×24h核动力“牛马”!

关注腾讯云开发者,一手技术干货提前解锁👇

Swipe for English>>>

一夜之间,从海外到国内,从 X、Reddit到中文技术圈,Clawdbot 的爆红成了 AI 时代又一个现象级的产品。

整个硅谷都为它疯魔,连带着 Mac mini 的紧俏度也像内存一样水涨船高,成为了电子茅台般的产物。

但相信还有很多同学不清楚,Clawdbot 究竟是什么?能做什么事?具体应该怎么部署?才能最大化发挥它的作用,实现一个 7×24h 永不下班的“核动力牛马”?

这篇教程,你可要仔细码住了!

Clawdbot 是一个AGI雏形下的AI智能体,不仅会思考,拥有永久记忆,更能通过iMessage、WhatsApp实时聊天。它的作者 Peter 在介绍中反复强调:Clawdbot 的初心是一个“生活助理”,用 WhatsApp 发消息,转到 Claude Code,再把结果发回来……

究其引爆技术圈的原因,可能不仅在于它的代码100%由AI完成,更可能是它超出人们预期的“人机协作方式”:

Clawdbot 运行在使用者自己的环境中(比如本地电脑、个人服务器等等),并且交互的方式直接回归到了用户熟悉的聊天软件之中,就像是与一位同事或朋友交谈那样。

此外它同时拥有完整的操作权限与超长记忆,这意味着它是一个专属于个人的AI Agent,能力范围被无限拓宽的同时,也无需担心数据落入少数“大公司”之手。

由于ClawdBot目前仅支持海外市场的一些社交软件,身处国内的我们想要体验可能需要略费一些周章,接下来的文章将带大家完整跑一遍部署流程。

01

Clawdbot 适合的运行环境

伴随着ClawdBot的爆火,Mac Mini也一举跃升为“理财产品”,最有震撼力的消息就是社区内有非常多的先行者声称购入了大量Mac Mini来运行ClawdBot。

不过随着更多人了解到这个项目,也出现了另一种声音:超高权限下,ClawdBot更适合运行在一个和主力电脑相隔离的环境下,或许是你的一个旧电脑(MacOS,目前支持的程度最好),又或许是一台云服务器(操作系统为Linux,同样支持,并且环境也与本地强隔离)。

社区交流下的一个共识是,建议不要把Clawdbot部署在主力电脑中,否则可能对本地数据的安全造成影响。

一台旧的MacOS电脑也好,亦或是效仿社区大牛紧急购入Mac Mini也好(涨价了!涨价了!涨价了!),都需要花费不少时间和资金成本,更别说长时间运行还得产生一些电费和更高的设备故障概率。

而使用一台云服务器目前看来,是一个更加迅速(几分钟内即可上手)、成本更加友好(几十块钱即可开始)的选择,并且云服务器天然支持7*24小时运行,与Clawdbot的定位可谓是天作之合

就是你了,出来吧——轻量应用服务器Lighthouse!

轻量应用服务器Lighthouse是腾讯云推出的一款面向轻量级应用场景的云服务器产品,无需开发者理解复杂的云计算技术概念,提供了高性价比的服务器套餐,同时还支持开发者基于预置的操作系统及运行组件,快速部署开源应用。

问题来了,如何在Lighthouse上快速部署并配置Clawdbot?

目前Lighthouse已经同步上线了Clawdbot应用模板,预置了Clawdbot运行所需的环境,无需手动安装,接下来就跟随本篇教程的步骤开启吧!

02

基于应用模板一键安装Clawdbot

目前Lighthouse支持通过两种方式使用应用模板来一键安装Clawdbot:选购一台新实例或重装一台吃灰的实例,同时选择可以选择不同的腾讯云站点购买海外服务器(如硅谷、新加坡节点)进行部署。

  • 腾讯云国内站:适合国内开发者,可直接购买海外地域的服务器资源。

  • 腾讯云国际站:如果您的公司主体、业务及目标用户均位于海外,可通过国际站进行注册和购买。右滑动阅读国际站版教程>>>

   2.1 方式一:选购一台Lighthouse实例

前往Lighthouse购买页,配置项按照下图直接选择即可,或者点击文章最下方“阅读原文”一键直达。

扫码直达购买页面

  • 应用创建方式:应用模板 > AI智能体 > Clawbot

  • 地域:优先选择海外地域,如硅谷、弗吉尼亚、新加坡等

  • 套餐

    • 套餐类型:锐驰型(推荐)、入门型、通用型

    • 套餐配置:2C2GB或以上均可

  • 服务器名称、登录方式等按需配置即可。

配置完成后,点击页面右下角“立即购买”,按照页面引导完成支付即可。

   2.2 方式二:重装一台“吃灰机”

在Lighthouse控制台内,找到自己账号下长期吃灰的那台Lighthouse实例,在实例页面内点击“…”或“更多”按钮,找到并点击重装系统。

注意:Clawdbot应用模板仅上架至中国香港、其他海外地域。因此未上架地域的重装系统页无法看到Clawdbot的选项。

在重装系统的页面,选择应用模板 > AI 智能体 > Clawdbot,登录凭证可以先直接选择重装后设置。

备份选项处,建议优先选择备份后重装,以免原实例内还存放部分重要数据。

点击页面内的确认按钮,待重装完成后,继续进行后续步骤即可~

   2.3 登入服务器完成后续步骤

前往Lighthouse控制台即可查看刚刚选购或重装完成的Clawdbot实例,点击页面内的“登录按钮”:

点击登录后,在登录工具(OrcaTerm)的页面内,选择免密连接,点击登录即可:

登录成功的界面:

03

后续配置

Clawdbot与常见的应用模板不同,官方提供了若干需用户自行手动配置的步骤,在首次登入服务器后,输入并回车运行如下命令开始配置:

clawdbot onboard

运行 clawdbot onboard 后,需要通过键盘来完成后续配置动作,关键操作:方向键控制选项,回车表示选择并确认。

   3.1 同意免责声明

运行上面的命令后,将会出现一个问题:是否知晓风险,选择Yes就行。

“我明白它功能强大,但也存在固有风险。是否继续?”

   3.2 配置模式选择:快速入门

接下来需要选择Onboarding的模式,我们选择QuickStart。

   3.3 模型配置

紧接着的一步是选择Model/auth提供商,如果想省时省心的话优先推荐选择国内的厂商(MiniMax、Qwen、Moonshot AI、Z.AI/GLM),本文选择Moonshot AI(月之暗面/Kimi,点击直达API Key管理页)进行演示,Moonshot AI auth method选择Moonshot AI API key即可,然后填入自己的API Key(点此获取https://platform.moonshot.cn/console/api-keys),再粘贴自己的Moonshot API Key,默认模型选择Keep current。

PS:挖个坑,嘉钰后续研究研究能不能配置中转服务以实现海外模型接入,这里先按下不表。

   3.4 聊天软件配置

这一步将决定后续在什么界面下与Clawdbot进行交互,此处官方支持的聊天软件几乎是我们日常不会使用的,本教程我们选择以Discord作为演示。更多聊天软件的配置参见官方指引:Channels(https://docs.clawd.bot/channels)。

在配置流程中选择Discord (Bot API),选择完成后会提示如何获取bot token(挺贴心的)。

1、前往Discord Developer Portal > Application > New Application

2、跟随页面指引创建完Application后,在左侧导航找到并进入Bot > Add Bot > Reset Token > copy token,在页面内复制Bot token后,返回并输入:

3、在页面内打开Message Content Intent的选项并保存:

4、进入OAuth2选项,往下滑动页面:

  1. 在OAuth2 URL Generator中勾选bot

  2. 在Bot Permissions中勾选Send Messages和Read Message History

5、把页面滚动至底部,复制并在浏览器中打开生成好的链接,选择邀请进入的server后,点击Continue后进行授权,即可邀请bot加入:

添加完成的效果如下图所示:

之后返回服务器内的配置流程中,其余的一些配置如下图所示来选择即可:

注意,Enable hooks的选项选择session-memory:

接下来,我们在服务器命令行这里粘贴并运行如下命令,启动Gateway:

clawdbot gateway --port 18789 --verbose

启动后的效果如图:

启动成功后,我们返回Discord,与bot进行对话后拿到配对码:

切记这里一定需要和bot进行私聊!!!

紧接着返回服务器命令行,按下Ctrl+C(Windows)或者Command+C(MacOS)终止Gateway,然后粘贴并运行如下命令进行配对:

把<code>替换为上图中的“Pairing code”后面的内容。

clawdbot pairing approve discord <code>

执行完成后再次执行如下命令运行Gateway,然后回到Discord与bot进行对话,如果正常回复则说明部署成功:

clawdbot gateway --port 18789 --verbose

-END-

<<< Swipe for Chinese 

On January 26, a product called Clawdbot suddenly went viral across both international and Chinese tech communities. From X and Reddit to Chinese developer forums, it quickly became one of the most discussed AI projects.

Its creator, Peter, repeatedly emphasized that Clawdbot was originally designed as a “life assistant”:
you send a message via WhatsApp, the request is forwarded to Claude Code, and the result is sent back to you.

Clawdbot is not the first AI Agent capable of performing real tasks. However, only two or three weeks after its release on Claude Cowork, it unexpectedly reignited excitement in the AI community. The reason behind this renewed hype may not lie solely in the fact that its code is 100% AI-generated, but more importantly in its unexpected human–AI collaboration model.

Clawdbot runs inside the user’s own environment — such as a personal computer or private server — and interacts through familiar chat applications. Communicating with it feels like talking to a colleague or a friend. In addition, it has full system-level permissions and long-term memory, which effectively turns it into a truly personal AI Agent. This dramatically expands its potential capabilities while also avoiding the risk of sensitive data being centralized in large corporations.

Where should Clawdbot run?

With Clawdbot’s rapid popularity, Mac mini has almost become a “financial product” in the community. Many early adopters reported buying multiple Mac minis specifically to run Clawdbot.

At the same time, another perspective emerged:
because Clawdbot operates with very high privileges, it is better suited to an environment isolated from one’s primary computer — such as an old Mac (macOS currently has the best support), or a cloud server running Linux, which is also fully supported.

Note: Clawdbot’s Windows support is still limited, so Windows is not recommended for early experimentation.

Why Lighthouse?

Whether you use an old Mac or rush to buy a Mac mini like many community pioneers, both options require significant time and financial investment. Long-term operation also incurs electricity costs.

In contrast, a cloud server offers a faster and more cost-effective solution:
you can get started within minutes, with entry-level costs of only a few dollars per month. Cloud servers are naturally suited for 24/7 operation, making them a perfect match for Clawdbot’s always-on assistant design.

This is where Tencent Cloud Lighthouse comes in.

Lighthouse is a lightweight cloud server product designed for lightweight application scenarios. It eliminates the need for developers to understand complex cloud concepts, provides cost-effective server packages, and supports rapid deployment of open-source applications using preconfigured operating systems and runtime environments.

So how can Clawdbot be deployed quickly on Lighthouse?

Lighthouse now offers an official Clawdbot application template, which comes with all required runtime dependencies pre-installed — no manual setup needed. In the following steps, we will walk you through the entire process of deploying and configuring Clawdbot on Lighthouse, step by step.

1. Create a Lighthouse Server

Open- One click:

👉 https://buy.tencentcloud.com/lighthouse?blueprintType=APP_OS&blueprintOfficialId=lhbp-8hq35xoy&regionId=15&zone=na-siliconvalley-1&bundleId=bundle_rs_nmc_lin_med2_01&loginSet=AUTO&rule=true&from=lh-console

Special Offers:

👉https://www.tencentcloud.com/act/pro/lighthouse?from_qcintl=112010201

2. Create a new instance.

3. Select the following options:

Please choose according to your actual needs. The following configuration is recommended.

  • Operating system: Clawdbot

  • Region: Singapore or Tokyo

  • Instance size: 2 vCPU, 2GB RAM

  • Billing period: 1 month

4. Save the following information:

  • Public IP address

  • Login password (or reset it in the console)


2. Log in to the Server

Open a terminal on your local computer and run:

ssh ubuntu@YOUR_PUBLIC_IP

When prompted:

Are you sure you want to continue connecting?

Type:

yes

Then enter your password (input will not be visible — this is normal).

Note: On Ubuntu images, the default login user is ubuntu, not root.

3. Install Clawbot

Run:

clawdbot onboard

Wait approximately 2–3 minutes for installation to complete.

4. Configuration Choices (Recommended Settings)

During installation, Clawbot will present several interactive options.

Below are the official recommended selections for first-time users:

(1)Risk Acknowledgement


Select: Yes

Rationale:

Clawbot is capable of executing commands and accessing system resources.

This confirmation ensures the user understands its powerful capabilities before proceeding.


(2)Onboarding Mode


Select: QuickStart

Rationale:

QuickStart uses official defaults and minimizes configuration complexity.

It is optimized for first-time deployment and reduces error probability.


(3) Model/Auth Provider


(3.a)Gemini Authentication Method

Select: Google

Rationale:

Google (Gemini) is chosen because it provides an official and stable API, good model quality for general reasoning and agent tasks, and straightforward integration using an API key without complex custom configuration.

Recommended model:
google/gemini-3-pro-preview

Open the following website:

👉 https://aistudio.google.com

Steps:

  1. Sign in with your Google account

  2. Click Get API key (top right corner)

  3. Choose Create API key

  4. Copy the generated API key


(3.b)Qwen Authentication Method

Select: Qwen OAuth

Rationale:

OAuth authentication avoids manual endpoint configuration and simplifies setup by using the official authorization flow.


(4)Communication Channel

  • If you use Telegram or WhatsApp: select the corresponding platform

  • Otherwise: select Skip for now

(5)Configure Skills

Select: No

Rationale:

Skills enable system-level automation (file access, browser control, shell execution).

For initial deployment, limiting permissions improves stability and security.

(6)Enable Hooks


Select only: session-memory

Rationale:

  • Enables conversation memory

  • Does not execute commands

  • Minimal security risk

  • Required to proceed past this step

Do not select:

  • boot-md (auto-run scripts on startup)

  • command-logger (command tracking and logging)

(7)Hatch Mode

Select: Hatch in TUI

Rationale:

  • TUI (Terminal UI) launches Clawbot directly in the terminal:No additional ports required

  • No web interface configuration

  • Immediate verification of successful startup


5. Verify Successful Deployment

If you see:

Wake up,my firend!

This confirms:

  • Clawbot is running

  • Model connection is active

  • Deployment is successful 🎉


6. First Interaction


Example prompt:

You are Clawbot. Your main responsibility isto help mewith research, writing, and analysis tasks.


7. Functional Test

Send:

Explain what an AI agent isin simple terms.

If Clawbot responds normally, the system is fully operational.


8. Security Recommendation

Clawbot is capable of:

  • Executing shell commands

  • Reading and writing files

  • Running automated tasks

Recommended usage:

  • Run only on VPS or cloud instances

  • Avoid personal machines

  • Do not grant access to banking, wallet, or critical accounts

  • Treat as an AI automation sandbox


Summary

You have successfully:

  • Deployed Clawbot on Tencent Cloud Lighthouse

  • Configured a stable baseline environment

  • Launched an AI agent capable of continuous operation

-END-

左右滑动查看更多

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 1167

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 715

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 1127

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 909

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 825

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 465

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 624

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 842

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 1169

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 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 1196

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 2635

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 874

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: 万字详解大模型推理加速核心原理:分形规律与资源计算公式
下一篇: 解构Clawdbot:本地架构、记忆管理、Agent 编排与上下文组装原理
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