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?

导语|在人工智能发展的奇点时刻,算力、数据与人才的底层逻辑正在发生深刻变革。香港科技大学(广州)协理副校长、腾讯云 TVP 熊辉教授从物理学第一性原理出发,深度剖析了电力与资源如何成为 AI 发展的终极约束,并提出了人机协作新型劳动体的境界重构。面对 AI 对传统教育的冲击,他认为未来的架构师应通过提问与鉴赏力,向数据稀疏的“无人区”进发,实现从人才到人物的跨越。

作者简介

熊辉,香港科技大学(广州)协理副校长、讲座教授,获国际人工智能促进协会会士(AAAI Fellow)、美国科学促进会会士(AAAS Fellow)、电气电子工程师学会会士(IEEE Fellow)、国际计算机学会会士(ACM Fellow)、中国人工智能学会会士、中国计算机学会会士、国际计算机学会(ACM)杰出科学家、国家重大人才工程入选、教育部长江讲座教授,海外杰青、广东省劳动模范等荣誉。他担任广州市人民政府参事、广州欧美同学会副会长、中国计算机学会大数据专家委员会副主任、Nature npj AI 创刊主编等多个重要政府、社会和学术职务。此前任美国罗格斯大学杰出教授、百度研究院副院长及首席科学家(T11)。主要从事人工智能与数据挖掘研究,主持或参与国家科技部重点研发计划、国家自然科学基金(含重大研究计划)。熊辉教授的 Google Scholar 引用超 61000 次,h-index 101,获 ACM SIGKDD 服务奖、AAAI 最佳论文奖等顶级奖项,并多次担任 KDD、ICDM 等行业大会主席。在人才培养方面,已有数十位学生成为国际知名大学教授。

一、穿透表象,探求时代本源规律

思考事物要触达本质。马斯克推崇的物理学第一性原理,与《易经》“不易、变易、简易” 的内核相通,皆是对本源的探求,都在启示我们:在剧变的时代,唯有穿透表象,才能捕捉到真正决定未来的底层逻辑。

当下 AI 热潮的底层逻辑,不在算法表层,而在基础物理资源。评价英伟达的价值,可简化为一道数学题:计算其全美 GPU 年销量的总耗电量,再对标美国电力总容量。我认为,限制 AI 发展的本质不是算力,而是电力水平。算力需求指数级增长,若电力架构跟不上,会引发电价飞涨、通胀加剧,挤压传统制造业。因此,我做技术投资未必买技术本身,反而会布局 “铜”—— 铜与电力才是这个时代更具确定性的底层逻辑。数据佐证:中国 2024 年发电量约等于美、欧、日、俄、印总和;美国自 ChatGPT 发布后电价上涨 40%,直观体现了 AI 对基础能源的巨大需求。

正如物理资源的上限决定了 AI 的发展本质,人类如何应对这种硬约束,则决定了生产力的进化本质——那就是构建“人机协作的新型劳动体”。

我们正处于人工智能新经济发展时代,这要求我们必须重新定义架构师的边界。对于人工智能从业者而言,每个人都有机会成为掌控全局的架构师,你的核心竞争力不再是单打独斗,而是驾驭机器的规模。面试时,你不再是一个人,而是带着“N 台机器”入场:能驱动 10 台机器,你就有底气拿数倍的薪水;能驾驭 100 台机器,你就能一个人顶一个团队,定义一个项目、定义一个未来。这便是人机协作新型劳动体的底气:凭借管理机器的能力,个人完全可以突破传统人力劳动的上限,成为人机混合时代里定义未来的顶级架构师。

二、AI时代核心能力:提问与鉴赏力

为什么现在要培育人机协作新型劳动体?

我认为通过教育可以实现的人类智能分为四个境界:

  • 博闻强识,即学科知识的积累;
  • 触类旁通,具备跨行业的迁移能力;
  • 一叶知秋,能在行业内进行精准的预测与推理;
  • 无中生有,实现从 0 到 1 的原始创新,如相对论或牛顿三大力学。

在大模型时代,AI 一上来就通过海量数据“打掉”了人类的前两个境界,而在“一叶知秋”层面的超越也只是时间问题。这意味着,如果我们过去的教育依然只努力培养博闻强识的学生,那在 AI 面前将不名一文。作为架构师,必须利用 AI 形成人机混合的战队,在更高维度的境界中寻找生存空间。

要做到这一点,提问与鉴赏力成了架构师的核心技能。

我已年过五十,但过去两三年我的工作和学习效率是指数级提高的,一年完成的工作量甚至超过了过去五六年的总和。这种飞跃源于我将 AI 变成了深度学习的伴侣。面对如 NeurIPS 每年产出的五六千篇文章,传统读法已不可行。我利用 AI Agent 进行筛选,彻底改变了我的信息获取方式。我清楚自身兴趣方向与知识基础,借助 AI Agent 按明确条件(如作者 h 指数不低于 20、贡献足够大)筛选文献,留存优质内容后通过提问讨论,快速锁定核心任务。

我的读书效率也大幅提升,从一年 10 本增至 100 本。经典古籍即便结合 AI 讨论,阅读仍慢;但科技类新书可借助 AI 高效梳理:20 分钟内获取 10 句核心观点,筛选有新意的表述并延伸解读,最终锁定关键观点对应的章节快速翻阅,即可完成核心认知,实现了学习效率质的飞跃。

更重要的是,我教给学生一个判断创新价值的“幻觉原则”:同时用三个大模型测试,如果 AI 聊得头头是道,说明数据已经覆盖,不值得做;如果 AI 开始产生幻觉或胡说八道,说明你触碰到了认知的盲区。此时必须迅速在两周内完成突破,因为你已经通过提问暴露了方向,必须利用速度跑赢 AI 的进化。

三、数据质量:AI时代的价值分水岭

在智能革命时代,数据已成为核心生产资料,驱动着从数据飞轮到技术飞轮,再到产业飞轮的深度演进。一个国家若缺乏数据应用场景,就无法实现技术迭代与产业升级,更无法培养顶尖人才。中国拥有前所未有的应用场景沃土,这为 IT 与 AI 从业者提供了绝佳的历史机遇。放眼全球,真正有能力全方位进入这场飞轮角逐的只有中美两国。身为其中之一,我们正身处一个前所未有的广阔舞台。

人工智能时代,决定个人、企业乃至国家选择的核心逻辑究竟是什么?我认为答案很简单——数据质量。

个人又如何利用数据质量寻找适合深耕的产业领域呢?在探讨 AI 如何赋能产业时,必须区分不同的视角。对于国家和大型企业而言,首要任务是寻找数据肥沃的领域,通过高质量数据快速催生出业绩和成果;但站在个人职业规划的角度,我却建议大家应当反其道而行之。数据质量决定了 AI 渗透的速度,代码数据代表性好、评价机制明确的领域,程序员首当其冲被 AI 赋能甚至替代;而那些数据稀疏、环境复杂、采集成本高的行业,反而是人类经验的优势领域。

这种环境下,那些“可意会不可言传”的知识才具长期价值。我们需要去往人类未曾采集、未曾抵达的地方,才能做到认知层面的真正发现。

四、人机协作新型劳动体四大核心技能

全球发展规律已十分清晰:在美国,学历越高,与 AI 拉开差异化竞争的机会越大,薪资也越高。这对架构师是机遇,但机遇有前提:必须驾驭人工智能,成长为 AI 时代新型架构师,否则终将被时代淘汰。当下要着力培养人机协同新型劳动体,锤炼四大核心技能,且掌握 AI 是所有行业的必修课,而非选择题。

1、驾驭 AI 从事本行业的能力

驾驭 AI 已从行业加分项转为生存必选项。即使是非计算机相关的行业,如艺术行业,传统灵感的枯竭也能通过 AI 辅助得以破解,跨界交叉不仅催生了创新,更实现了产出的指数级跨越。这揭示了一个本质:无论身处何业,核心竞争力已不再是死守传统技能,而在于驾驭机器的能力。

2、培养和机器差异化的能力

AI 擅长 “从书本到书本” 的知识转化,正如维特根斯坦所言,凡是能用语言清晰表述的内容,AI 都能胜任。而那些只可意会不可言传的经验与智慧,才是人类的独特机会,更是架构师需要深耕的能力。

我常对学生说,学习模式必须转型:用 50% 时间搭建知识框架,剩余精力拓展多领域知识并躬身实践。架构师亦是如此,唯有亲手攻克复杂问题,才能沉淀书本之外的核心能力。

3、锻造人机混合创新能力

这种能力需在点滴实践中积累,曾国藩的 “三令五申” 在新时代应有新解读:不再是警示过错,而是自我迭代的标尺 —— 做完每件事,务必思考如何做得更好。交办任务不能只满足 “完成”,更要追求 “优化”。聪明人做事,第一次投入 120% 精力无妨,第二次压缩至 80%,第三次降至 50%,在这个过程中总结创新,提升效率与质量,才是真正的成长,也是人机协同时代的核心竞争力。

4、培养从 0 到 1 的创新能力

现代社会亟需培育从 0 到 1 的整体创新能力,而创新容错环境是关键前提。创新本就是九死一生,企业若想孕育创新的热带雨林,必先构建容错的土壤。纵观美国硅谷与中国大湾区的发展,其底层逻辑可归结为 12 字内核:拓荒之勇、包容之量、创新之魂。

  • 其一,拓荒之勇是破局根基。“卷”本是中性词,在存量空间里内耗是无效内卷,但在增量无人区深耕细作,就是值得推崇的工匠精神。
  • 其二,包容之量是成长沃土。为什么中国这么多年来还没有出现诺贝尔奖得主?我认为无需焦虑,等到 95 后、00 后真正成长起来,未来必然会有。因为诺贝尔奖的诞生需要创作者摆脱功利目的,纯粹为兴趣而钻研,而这一代新人应当是具有贵族精神的群体,他们从未经历过物质匮乏的困境,没有生存的恐惧感,能够全身心投入自己热爱的研究。同时,这一切也离不开国家、社会、企业乃至家庭共同营造的包容、容错的创新环境,这种环境是培养 “从零到一” 创新人才的土壤,也是诺贝尔奖得以诞生的必要前提。
  • 其三,创新的核心,在于敢于突破认知边界。要从数据盲区切入,逐步突破感知盲区、认知盲区,去往人类未曾涉足、未曾采集的领域,才能实现真正的认知与盲区发现。
  • 最后,我总结了一套创新实践法则:知行合一、试错迭代、大力出奇迹。当下聪明人比比皆是,机会往往集中在头部领域,唯有向头部迈进,才能抢占更多机遇。

五、架构师的时代使命

随着人工智能极大地提升研发效能,企业的组织形式正发生根本性变革。过去,我们依赖人海战术的大兵团作战;未来,组织将转向类似现代战场的特战队模式。这意味着,企业不再单纯追求基础开发人员构成的工程师红利,而是极度渴求具备顶层认知的领军人物。

从人才到人物,是跨越式的进阶。T 型人才拥有深厚的专业底蕴与广博的视野,而“人物”则是在此基础上完成了认知的跃迁。如果说人才提供了解决问题的“金手指”,那么人物则提供了定义问题的“金脑袋”。

我对核心人物的价值衡量还有一个明确标准:在科学技术化、技术产品化、产品产业化、产业资本化、资本科学化的全链条循环中,聚焦建平台、做系统、定标准、创品牌四大核心动作 —— 这既是我们对标杆人物的定位,也是架构师的核心职责。

我们要致力于成为平台、系统、标准的建设者与品牌的打造者,更要以此为目标赋能每一位架构师。在 AI 新时代,架构师需要突破边界、定义边界,而能够扛起 “建平台、做系统、定标准、创品牌” 的重任,正是这个时代赋予架构师的核心使命与明确要求。

我们正处于人工智能的前沿,这既是挑战也是幸运。正如罗曼·罗兰所说:世界上只有一种真正的英雄主义,那就是在认清生活的真相后依然热爱生活。我希望我们不仅能熟练驾驭工具,更能在洞察了世界的真相、看见了科技带来的种种冲击后,依然热爱这个世界。

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 1198

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 712

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: 智效跃迁,架构无界,第三届腾讯云架构师峰会圆满落幕!
下一篇: “痛点”到“通点”!一份让 AI 真正落地产生真金白银的实战指南
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