智效跃迁,架构无界,第三届腾讯云架构师峰会圆满落幕!

2025 年 12 月 27 日,由腾讯云架构师技术同盟与腾讯云 TVP 联合主办的第三届腾讯云架构师峰会在北京富力万丽酒店成功举行。本次峰会以“智效跃迁 架构无界”为主题,汇聚了众多技术领袖与架构师,共同探讨 AI 浪潮下架构师群体的价值重塑与技术变革。现场思想碰撞激烈,实践分享深入,勾勒出一幅技术人在智能浪潮中进化与赋能的新蓝图。

主持人开场

主论坛在腾讯云架构师技术同盟主席 毛剑和腾讯云架构师技术同盟活动组织主席 王晓波的开场主持中拉开序幕。两位主席与现场架构师同仁们共同回顾了同盟自 2024 年 12 月 28 日成立一年来的成长历程。毛剑指出,当前正值 AI 从技术概念走向全面普及的关键节点,也是智能体应用的元年。技术浪潮带来了前所未有的机遇,同时也让架构师群体面临着“旧经验难以解决新系统”的挑战。

腾讯云架构师技术同盟主席 毛剑

作为峰会的总出品人及主持人,王晓波进一步阐释了峰会议题设置的内涵:AI 带来的不仅是效率的线性提升,更是生产力和工作方式的结构性变革,当代码生成、系统运维乃至部分业务决策逐渐被 AI 接管,执行层日益自动化,架构师的职责与能力边界正在被技术重新定义。期待通过全天围绕产业判断、系统重构与角色演进的干货分享,能为与会者带来前瞻视野与清晰的发展判断,共同探寻在智能参与决策的新时代,架构师不可替代的价值所在。

腾讯云架构师技术同盟活动组织主席 王晓波

主论坛:智效跃迁 架构无界

腾讯云副总裁、腾讯云架构师技术同盟品牌发展主席 徐勇州

腾讯云副总裁、腾讯云架构师技术同盟品牌发展主席 徐勇州发表致辞。他表示:我们正见证一场贯穿算力、模型到应用范式的全方位技术较量。面对如此深层的范式迁移,架构师群体站在了能力重塑的十字路口。他抛出了三个核心挑战,直指每位技术人的内心:

● 在 AI 能生成更多代码的背景下,如何重新定位我们的核心创造力?

● 在新时代下,如何升级自己的能力模型?

● 如何在复杂多变的多智能体与分布式系统中,构建真正可度量、可观测、可演化的架构?

他强调,此次峰会的目的不仅是知识分享,更是为了校准航向。与此同时,徐勇州重申了同盟创立的初心:技术的发展从来不是单打独斗,唯有交流才能提速,唯有共创才能共赢。腾讯云架构师技术同盟正是希望在这个变革年代,成为架构师们的同行者,汇聚群体力量。

随后,他回顾了同盟成立一周年来的坚实足迹:在七大城市建立地区同盟,汇聚了超千名顶级架构师;举办了 40 余场地区交流活动;在社区中产出了 5218 篇深度技术文章,解答了 934 个技术难题;通过《架构之道》刊物、系列直播对话,持续点燃群体智慧。展望未来,徐勇州期待同盟能持续升级,拓展地域,真正成为全国每一位架构师的社交场、学习圈和进化阶梯。

香港科技大学(广州)协理副校长、讲座教授,腾讯云TVP 熊辉

香港科技大学(广州)协理副校长、讲座教授,腾讯云 TVP 熊辉的演讲《认知升维:人工智能奇点期的产业新坐标》带来了高屋建瓴的产业分析。他犀利地指出,当前制约AI发展的最底层逻辑是“电”,而非单纯的算力。熊辉教授鼓励架构师成为“人机混合新型劳动力”,并给出个人发展的关键建议:投身于数据基础差、采集难的“朝阳行业”,因为在那里人的经验价值更易积累;同时,要善用 AI 作为“学习伴侣”,提升效率,并重点培养可意会不可言传的“差异化能力”。

腾讯云副总裁、腾讯智慧零售技术架构和产研负责人 程伟

腾讯云副总裁、腾讯智慧零售技术架构和产研负责人 程伟分享了《企业智能体的创新价值与行业实践》。他基于服务上百家零售企业的观察,指出企业智能体落地已从对话与简单工作流,迈向与业务深度结合的复杂场景。针对智能体在企业落地,他指出还需打赢模型性能、数据治理、业务耦合、安全防护等六场攻坚战,并介绍了腾讯云智能体战略以及“智能体场景罗盘”等工具,帮助企业厘清自身阶段,选择可落地的场景。程伟强调,企业要成功让 AI 价值变现,建议自下而上识别高价值场景,洞察一线员工如何使用 AI,投资可以与工作流深度集成的场景,同时做好数据质量和上下文工程建设。

久痕科技创始人兼 CEO、原网易集团副总裁、腾讯云 TVP 汪源

久痕科技创始人兼 CEO、原网易集团副总裁、腾讯云 TVP 汪源在《个人数字记忆:实践、思考与挑战》中,提出了一个面向个体的未来构想。他介绍了其产品“remio”,旨在自动捕获、存储并索引个人接触的所有信息,构建本地化、高隐私的“个人数字记忆”系统。他认为,在 AI 时代,个人拥有的上下文质量将决定其竞争力。汪源也抛出了一个深刻的伦理问题:当员工离职,其在职期间积累的“数字记忆”归属公司还是个人?这将是未来必须面对的社会议题。

Rokid 全球开放生态负责人|产品、工程与生态全球高级总监 赵维奇

Rokid 全球开放生态负责人|产品、工程与生态全球高级总监 赵维奇的演讲《AI+AR 融合的全球实践:从空间计算到个人智能体》,将视野引向硬件与交互的未来。他阐述了 AI 与 AR 互为最佳载体的关系:AI 让 AR 交互更自然,AR 则为 AI 提供了感知与连接物理世界的界面。他展示了 Rokid 在沉浸空间、轻量化数据空间等场景的落地案例,并展望了“无界交互”的未来——身边的屏幕将越来越少,可穿戴设备让智能体无形地融入生活与工作。他最后呼吁,科技应服务于人,让每个人都能享受科技带来的平等机会。

年度卓越同盟——腾讯云架构师技术同盟颁奖典礼

在主论坛的尾声,会议特别设置了年度表彰环节,以回顾与嘉奖腾讯云架构师技术同盟成立一年来的丰硕成果与杰出贡献。北京同盟凭借深度的技术交流荣获 2025 年度「学习共创最佳同盟」、「思辨创新最佳同盟」,合肥同盟因为其显著的成员凝聚力荣获 2025 年度「星火汇聚最佳同盟」。

上海同盟入会成长理事 丁雪丰

上海同盟因其在组织建设、活动创新、知识沉淀及生态影响等方面的综合卓越表现,荣获 2025 年度「地区开拓最佳同盟」、「品牌发展最佳同盟」,并被特别授予「2025 年度全国最佳同盟」表彰。上海同盟入会成长理事 丁雪丰在感言中强调,荣誉属于所有架构师同仁,人才是最重要的,一个人可以走得很快,但一群人才能走得更远。上海同盟理事长 马俊在获奖感言中分享了其成功“密码”:海纳百川的价值观、团结的理事团队,以及让每位成员都能站到 C 位发光发热的舞台理念,才让上海同盟真正以团结实现共赢。

上海同盟理事长 马俊

主题论坛:AI驱动的技术重构与业务赋能

新华社国家重点实验室总架构师、腾讯云架构师北京同盟理事 蔡昌艳

本论坛由新华社国家重点实验室总架构师、腾讯云架构师北京同盟理事 蔡昌艳出品,蔡昌艳开篇点题,指出 AI 正在重塑业务底层逻辑,技术从支撑业务转向定义业务,因此本论坛将重点探讨 AI 在技术架构与业务落地层面的深度融合。

腾讯云架构师技术同盟社群管理主席 揭光发

腾讯云架构师技术同盟社群管理主席 揭光发在《AI 领导力 2.0:从超级个体到超级军团》中,分享了自身从“AI 原生”使用者到管理者的心路历程,并提出 AI 领导力的核心是将 AI 视为团队成员而非工具。他分享了从“AI 领导力 1.0”(将专业技能外包给 AI)到“2.0”(将管理能力也外包)的升级路径。面对 AI 效率过高导致人类“心力带宽”瓶颈的问题,他阐述了构建“秘书 Agent”的三层架构设想:人类作为领导者,只需与一个“秘书 Agent”交互,由它来管理下层众多执行 Agent。这种“用 AI 管理 AI”的模式,旨在通过规范、技能包和工作流封装,实现高品质产出,并降低人类的直接干预频率,最终让人回归到需求澄清与最终验收的核心角色。

腾讯云互联网技术总经理 叶辉

腾讯云互联网技术总经理 叶辉探讨了《从云原生到 AI 原生》。他类比云原生时代的“零信任”安全理念,提出 AI 原生架构同样需要新的范式。并以智能客服场景为例,指出业务逻辑已从人工决策链条变为基于知识库与语义理解的自动化流程,这导致技术挑战从传统的 QPS、延迟转向对上下文、Token 消耗、幻觉管理的关注。他展望了 AI 原生架构的几个关键特征:以智能计算为中心、关注语义相关性而不仅是响应速度、以及通过统一语义层(如“本体论”)来打通业务与技术的认知隔阂。他同时指出,当前 AI 工程化面临确定性、编排复杂性、资源成本及数据隐私等核心挑战。AI 原生不仅是技术的升级,更是一种架构思维的转变。

汇量科技副总裁兼首席架构师、腾讯云 TVP 蔡超

汇量科技副总裁兼首席架构师、腾讯云 TVP 蔡超的分享《基于 Multi-Agent 的重构与思考》极具技术深度。他首先辨析了静态工作流与动态工作流的适用场景:前者适合常规、顺序性任务,易于调试和成本可控;后者则能处理需要启发式探索的复杂问题,其真正价值在于持续的迭代与改进。他分享了在广告投放系统中应用 Multi-Agent(如 Campaign 分析 Agent、投放运营 Agent)的实践。最后,他提出了一个前瞻性架构设想:将系统的原子操作暴露为 MCP 协议,让 Agent 来编排上层的业务逻辑,从而构建一个可自进化的全新系统架构。

自如技术副总经理、腾讯云架构师名人堂专家 应阔浩

自如技术副总经理、腾讯云架构师名人堂专家 应阔浩带来了《自如 AI 实践及架构思考》。他详细介绍了 AI 在自如租房业务中的具体落地,并总结了 AI 落地“三步走”策略——短期快速上线、中期建立平台、长期构建核心竞争力。在业务层面,他重点介绍了如“AI 找房助手”如何通过意图识别、参数提取与多轮对话,理解用户模糊需求。在研发层面,他分享了在特征工程、内容摘要生成、聚类与审核等环节应用大模型替代传统小模型的经验,实现了效果提升与成本降低。在架构层面,他描绘了包含知识库、垂直模型、MCP 网关及 Agent 管理平台的 AI 中台蓝图,为传统业务智能化提供了清晰路线图。

Opera 技术副总监、腾讯云架构师北京同盟成员 张建磊

Opera 技术副总监、腾讯云架构师北京同盟成员 张建磊分享了《大模型时代的推荐架构进化》。他介绍了 Opera 浏览器内容推荐系统的传统架构,传统推荐依赖特征工程,但存在语义理解浅、冷启动难、模型碎片化等问题。随后他重点讲解了大模型如何革新特征工程、内容摘要与聚类等环节,并分享了在内容生产侧的应用:利用大模型辅助自媒体作者选题与写作,以及将商品信息转化为吸引人的内容文章进行分发。他也坦诚,由于延迟和成本考量,大模型尚未深入核心的召回与排序环节,但其在内容理解与生成方面的能力已为推荐系统打开了新的赋能空间。

圆桌对话《AI 双轮驱动:技术突破与商业价值的闭环构建》

圆桌对话环节,腾讯云智能顾问总经理、腾讯云架构师名人堂专家 许小川,中科院计算所副教授、腾讯云架构师名人堂专家 李明宇两位嘉宾加入了分享,与演讲嘉宾围绕“AI 技术突破与商业价值的闭环构建”展开讨论。针对“如何避免自嗨式研发”,许小川强调技术与业务团队必须“一起嗨”,在选型初期就达成共识;李明宇指出应优先选择那些能从不及格提升到 70 分的场景,而非从 90 分到 100 分的“锦上添花”;揭光发则建议“等风来”与“挖好坑”结合,提前做好工程化准备。关于技术到商业的转化,张建磊的分享务实而聚焦:选择“应该做、能做、且能做好”的交集,利用 AI 放大现有业务优势(如内容生成)直接带来收入增长。最后,对于“年轻开发者可能过度依赖 VibeCoding 缺乏实战经验”的担忧,李明宇认为,技术人通过实践培养架构能力的过程依然不可替代,教育体系与持续学习必须跟上技术变革的步伐。

主题论坛:AI 赋能者,开发者的进化之路

同程旅行资深架构师、腾讯云架构师技术同盟学习交流主席 李智慧

本论坛聚焦于 AI 时代开发者与技术人的个体进化路径,由同程旅行资深架构师、腾讯云架构师技术同盟学习交流主席 李智慧出品。李智慧以三十年技术生涯的回顾开场,指出技术范式的变迁正重新定义价值产出。他提醒开发者,在 AI 带来“认知外包”和“经验贬值”的同时,系统思维能力、价值判断力和经验抽象能力正变得愈发稀缺。他建议技术人保持自信与好奇心,躬身入局,掌握提示工程、RAG 等新技能,并警惕对工具的过度依赖。

联想诺谛智能首席架构师、腾讯云架构师北京同盟理事 曹洪伟

联想诺谛智能首席架构师、腾讯云架构师北京同盟理事 曹洪伟,以其跨越三十年的技术生涯为背景,分享了《大模型时代下的技术人成长》。他指出,AI 带来的不仅是工具升级,更是对软件工程全流程的重塑,从需求、设计到编码、测试均被深刻影响。过去技术人通过掌握新语言、新框架获得的“经验红利”正在大模型时代加速贬值,由此他提出技术人新时代的“核心竞争力三角”:批判性思维与评估能力、软技能与领导力、工程整合与领域知识。最后曹洪伟建议,技术人在 AI 时代要保持自信与好奇心,躬身入局,亲自动手,善用 AI,但要珍视并深化传统工程能力,更不要丧失亲手调试代码的能力,避免沦为可被替代的“监工”。

腾讯云架构师北京同盟理事 刘歧

腾讯云架构师北京同盟理事 刘歧在《AI 时代,我的短板不短》中,以自身从 FFmpeg 专家到 AI 创业者的转型为例,分享了如何用 AI 补齐“短板”。他坦言自己不擅长UI开发、商业计划书撰写等,但通过将 AI 视为“伴侣”,利用其完成 PPT 制作、技术方案美化、股权协议撰写甚至用户增长分析,从而解放自己,聚焦于长板。他的核心观点是:AI 替代不了人,但能帮助人成为“超级个体”。

科技博主、极其智能创始人、畅销书作者 SuperWinnie(杨文渝)

科技博主、极其智能创始人、畅销书作者 SuperWinnie(杨文渝)分享了《AI 时代的技术人,如何打造可复利的个人品牌?》。她结合自身运营科技博主的经验,提出技术人打造个人品牌的“新 IKIGAI 模型”:世界需要的、你擅长的技术、以及你将复杂变简单的表达能力,三者交集即为方向。她详细介绍了如何利用 AI 进行选题挖掘、内容表达优化,并强调在 AI 生成内容泛滥的时代,个人的真实故事、观点与价值观,才是脱颖而出的关键。

腾讯云 CodeBuddy 技术负责人 杨苏博

腾讯云 CodeBuddy 技术负责人 杨苏博在《CodeBuddy Code 是如何做到 90% 代码由 AI 生成的》中,揭示了高代码生成率背后的方法论。他提出三大实践原则:拟人化哲学(将 AI 当作同事而非工具)、第一性原理(回归工程本质)与面向不确定编程(设计容错与接管机制)。他分享的案例表明,当 AI 成为开发“主角”时,人的角色应转向架构设计、方向把控与最终验收。

社区年度之问:一线神帖,大咖来解

在随后的《社区年度之问:一线神帖,大咖来解》环节中,几位嘉宾就开发者关心的具体问题进行了深入交流。关于“如何将 AI 融入现有业务”,曹洪伟建议采用“探针”方式,从局部、低风险场景切入,用效果对比赢得信任。针对“过度依赖 AI 导致知识模糊”的担忧,杨苏博认为应分清“思考者”与“执行者”的界限,人必须掌控核心逻辑与最终决策。对于“个人品牌创作”,杨文渝分享了利用 AI 抓取关键词重组选题、并用人性化表达“出圈”的技巧。最后,关于“架构师的非技术能力”,刘歧与曹洪伟均强调了沟通与共赢思维的重要性,指出技术方案推动需与各方利益对齐。

结语

一天的峰会,从宏观趋势到产业实践,从个体进化到系统重构,描绘出 AI 浪潮下技术生态的生动全景。对于架构师和开发者而言,挑战与机遇并存。一方面,旧有经验加速贬值,单纯堆砌技术已不足以构建护城河;另一方面,理解业务本质、提出精准问题、进行价值判断、构建系统思维的能力变得空前重要。

也如多位分享嘉宾所言,技术的发展从来不是单打独斗。在“智效跃迁”的征途上,唯有交流才能提速,唯有共创才能共赢。当架构的边界被 AI 重新定义,一群人的同行,或许能让我们走得更远,看得更清。

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 1170

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 702

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: 用Go重构C++老系统,一次降本82%的极致之旅
下一篇: 港科大熊辉|AI时代的职场新坐标——为什么你应该去“数据稀疏“的地方?
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