把主力模型用在刀刃上:一个月 300 亿 Token、31 万行 Rust 背后的 AI Coding 实践

作者:澄潭

整理本机环境时,我打开 LoongSuite Pilot 看了眼近 30 天的用量。面板上是 30020.4M token,约合 300 亿。

image

LoongSuite Pilot 的本机用量总览。近 30 天共 500 个会话、150,578 次模型请求和 149,656 次工具调用。

如果还停留在一问一答写代码片段的阶段,300 亿很难想象。把一个缺陷交给 Coding Agent 后,它要读代码、查调用链、改实现、跑编译和测试,遇到报错再改一轮。

我的记录里,一个会话平均要发出约 300 次模型请求。这 300 亿 token 中,约 98% 是长上下文的缓存读取。

这段时间,我一边维护开源 AI 网关 Higress、参与阿里云 AI 网关研发,一边从 9 月开始做一个在开发者本机运行的开源 AI 网关 HiRoute。300 亿 token 是这几条工作线的合计。我用一份 Codex Pro 20× 订阅做主力,也从其他渠道接入了经济模型来跑常规任务。

9 月份刚开始写 HiRoute 的时候,它自己还没成型,没法拿来承载日常开发。几条线同时往前推,经常周三、周四就把周额度跑见底了。回头看最可惜的是,大量额度其实消耗在了补测试、查调用链这些常规回合上;真到推进核心架构改造、最该让主力模型顶上去提速的时候,反而得去省着算额度。

做 HiRoute 时,我想把团队做 AI 网关积累的经验用到本地开发。让开发者继续用熟悉的 Coding Agent,由本机网关按任务阶段选模型。在 AI Coding 实践里,怎么让每一份 token 用得更值?

这里说的“智价比”,得把交付质量和返工也算进去。我的做法是把主力模型留给关键判断,让经济模型推进常规工作,两边用同一套验收标准。

到了 10 月份,核心链路跑通后,我正式把本机开发切了过来,开始“用 HiRoute 来开发 HiRoute 自己”。整整一个月,仓库净增了约 31.1 万行 Rust(含测试、注释与空行),合入了 145 次主线提交,跑通了 macOS、Windows、Omarchy 三个桌面端与 Linux Server Web UI,而手里那份 Codex 订阅反而不再捉襟见肘了。

image

10 月份用 HiRoute 迭代 HiRoute 自己,跑通了三个桌面端与 Linux Server Web UI。

这轮实践里,我用四种办法让主力额度用得更久:按阶段换模型,用验收兜底,把独立支线交给轻量工具,再用真实记录调整路由。

拆开一个工程任务看:智力需求从来不是匀速的

早期用 Agent 最容易养成的一个昂贵习惯,是从新建会话的第一秒到最后提交 PR,全程挂着最强的旗舰模型不撒手。

看一眼近 30 天连续不断的会话曲线就能明白为什么额度不经烧:

image

工程任务一旦跑起来几乎每天不断档,高峰日单天就要跑掉近 30 亿 token。

但只要回看几个真实的研发会话就会发现,同一个工程任务内部,不同阶段的智力密度差得非常远。

拿修一个网关缺陷来说,整个过程通常分成好几拍:先读日志和代码做问题复现,接着分析根因、权衡修改方案、写下核心补丁,最后还要照着已经确定的方案,把几条协议入口的回归测试补齐、跑通全量检查、同步更新文档。

定位根因和拍板方案时,主力模型 GPT-6 Astra(下文简称 Astra)往往更稳。核心补丁敲定后,补边界用例、跑测试、修编译小错还是要走几十轮,对推理深度的要求却已经降下来了。全程让主力模型做这些收尾,就像请架构师通宵手抄测试用例。

手动切换时,我得一边推进任务,一边判断这一步该不该换模型、什么时候再切回主力。有些想用的经济模型,在当前 Coding Agent 的模型列表里也选不到。现在我还是在熟悉的 Codex Desktop 里工作,把从 Qoder 等渠道接入的经济模型放进 HiRoute 的“常规组”,把 Codex 订阅里的 Astra 放进“主力组”。我提前定好分工,接下来由 HiRoute 在同一个会话里按阶段难度选模型。

为了客观验证这套跑法到底值不值,我们在维护 Higress 社区时,专门挑了一个真实的并发缺陷(Issue #5310)做了一次受控复跑。

这个问题出在 Claude / Vertex 流式响应转换上:单条请求测试时完全正常,但多条流式请求高并发交错时,由于底层共用了状态对象,会把不同请求的 usage 和 message ID 串到对方账上。社区贡献者 zhihao-yuan 已经在 PR #5311 修好了它。我们把代码切回修复前的基线,只给问题现象,让 Agent 在同一个会话里从零完成复现、核心修复和回归测试补充,最后用 14 条并发交错的真实网关流做独立验收。

三种跑法各跑了 3 次。表里列的是独立验收结果、通过样本的中位用时,以及按固定 API 费率估算的费用。

策略独立验收通过完整交付用时API 等价费用
全程经济模型(Qwen 3.8 Flash)1/351 分 34 秒(唯一通过样本)—
HiRoute 按阶段分流(Astra + Qwen 3.8 Flash)3/332 分 25 秒$2.65
全程主力模型(Astra)3/317 分 46 秒$6.45

Astra 全程跑最快。HiRoute 分流的 3 次也都通过了独立验收,中位用时多约 15 分钟,计入路由决策后,API 等价费用从 $6.45 降到 $2.65,约省 59% 。全程 Qwen 有 2 次未通过,唯一通过的一次用时 51 分 34 秒。

打开其中一次运行在 HiRoute 里的会话路由时间线,能直观看到两个模型是怎么接力的:

image

HiRoute 会话时间线实录:T1、T2 复现与核心修复由 Astra 完成,T3 补回归切给 Qwen 连续跑完 37 次请求。

这次会话共 56 次请求。前两轮要定位问题、完成核心修复,决策模型给出的简单概率分别是 0.73 和 0.01,19 次请求都走 Astra。第三轮按已确定的方案补回归测试,简单概率升至 1.00,Qwen 3.8 Flash 连续处理了剩下的 37 次请求,核心补丁在这一阶段保持原样。

按同一套 API 费率折算,Qwen 承担了这单约 86% 的 token 用量,占约 5% 的费用。把这 56 次请求的同样用量全部按 Astra 计价,等价费用为 $12.14,按本次实际路由折算则为 $2.48。费用按实验时固定的 API 费率估算,分流组计入路由决策开销。表格按每组 3 次实验汇总,$12.14 和 $2.48 来自上述单次会话的同用量比较。

这就是提升智价比的第一条抓手:保住同一个会话的连续上下文,在网关层按阶段切换模型,别让主力模型在低难度的长尾回合里空转。

敢用经济模型干活的前提,是把验收和人的判断接进闭环

跟其他开发者聊起混用模型时,我常听到一个担心:“万一经济模型表面上把代码写完了,实际上把逻辑改歪了,后面排查起来不是更亏?”

这个担心完全成立。按难度分流如果只有“事前预判”、没有“事后兜底”,遇到稍微绕一点的坑就会在原地打转。为此,我在 HiRoute 里加了一层胜任度评估与低分保护机制,并在日常研发里配上了两条工程规矩:一条管夜间自动跑的任务,一条管白天人盯着的核心任务。

▍1. 范围清楚的任务:让验收门禁替人守夜

单靠编译通过和几条浅层单测,确实拦不住经济模型的疏漏。为了让问题在交付前当场暴露,我们在 HiRoute 仓库里一路攒下了 5,000 多个 Rust 测试、60 多个界面场景脚本,以及 14 条 Computer Use 端到端实操验收链路。

规矩定得很明确:涉及桌面或 Web 界面的改动,Agent 跑完单测不算完,必须调起 Computer Use 像真人一样去点一遍窗口——比如加了一个列表筛选功能,就算单元测试全绿,只要点完筛选框界面列表是空的,实操验收当场就会报错。

测试和实操验收的输出会随会话进入 HiRoute。决策模型评估上一阶段的表现,如果发现经济模型得分偏低、遗留问题仍会影响接下来的工作,HiRoute 就会触发低分保护,让主力模型在下一轮查根因、修通验收。问题解决后,后续工作按阶段难度重新分流。

有了这套兜底,范围明确的需求我才敢在睡前交出去,第二天早上直接看验收结果。

▍2. 动筋骨的核心设计:人在场把关,让一句反馈直接成为升级信号

反过来,碰到架构边界敏感的硬骨头,再厚的自动化测试也替代不了人的设计判断。这类任务我同样可以从经济模型起手做复现探路,但人会一直在屏幕前看着。

10 月下旬优化过一个很典型的网关底层问题(HiRoute PR #225):HiRoute 常驻在开发者本机后台,我们在测试门禁里对单请求的内存留存卡了很严的红线。但当客户端发来数 MB 的长对话历史、而 model 字段又排在 JSON 尾部时,旧逻辑为了提取模型名在内存里多留了一份原始前缀还反复扫描,一跑大请求压测就会撞上内存水位断言。

第一步写一个 3M 长历史用例稳定复现水位超标,经济模型做得很利索;但到了第二步修实现时,它给出了最典型的“糊弄单测”方案——直接把代码里的内存预算上限调高。测试是绿了,但本机低内存的设计红线就破了。我在对话里直接指出来:“不能放宽内存红线,根因是多留了一份原始前缀还在反复扫描。”

在 HiRoute 的评估逻辑里,人在对话中给出的明确否定和纠偏,同样是高权重的胜任度信号。决策模型识别到这条反馈后,下一轮自动切由主力模型接管重做设计:在认证通过后立即启动由请求自身持有的 Replay 写入器,用有界增量状态去定位 model,内存红线一分不放宽,最终跑通了 928 个相关用例和三条协议入口的长历史回归。

在我的 AI Coding 实践里,验收标准定得越清楚,就越敢把合适的工作交给经济模型。测试结果和人工反馈进入同一条会话后,HiRoute 也能据此判断下一轮要不要让主力接手。

别只盯模型单价:管住 Harness 协作里的“隐性 token 税”

把模型分工理顺之后,我还踩过另一个吃额度的暗坑:Agent 执行环境(Harness)的协作方式。

有一阵子很流行把一个任务拆给好几个子 Agent 并行推进。但真正在几十万行代码的仓库里干活就会发现,这里面藏着一笔不小的“隐形 token 税”:

  • 现在的强模型在长上下文里维持全局心智的能力已经很强了。它好不容易读懂了十几个模块之间的耦合关系,一旦强行拆成多个子 Agent,每个子会话都得重新读一遍背景代码;
  • 更容易被忽视的是等待与协调开销——我之前在 Codex 社区专门提过一个关于父 Agent 等待开销的讨论(Issue #41875):有些实现里子任务还没跑完,父模型每隔一会儿就被唤醒一次,看一眼“还在跑”又把几十万字的主上下文重读一遍,没产出任何新信息,主力额度却在空转消耗。

吃过几次亏之后,我在 HiRoute 里把路由做成了“模型路由 + 任务路由”两层,日常协作收敛成八个字:主线不拆,旁支外包。

image

在 HiRoute 任务委派中,为独立支线指定 Pi、DeepSeek Harness 等轻量或专用执行环境。

  • 主线不拆:凡是牵一发动全身的核心改造,始终留在同一个 Codex 主会话里推进,靠前面说的模型路由在底层按阶段换模型,绝不轻易打断主会话已经建立起来的上下文。
  • 旁支外包:只有真正跟主线解耦、输入输出边界干净的支线工作——比如先去摸清某个老模块有哪些调用方、查几份外部资料,或者从几千行失败的 CI 日志里定位第一处报错——才通过 HiRoute 的任务路由委派给 Pi + 经济模型去跑。Pi 的 Harness 足够轻,翻文件、试命令那些啰嗦的中间回合全留在旁支里消化;而且等待过程由本机 HiRoute CLI 在后台静默完成,等彻底跑完了才把一页带文件路径的干净摘要交回主会话,避免主模型在等待中反复唤醒烧上下文。

顺着这个机制,平时想试新的模型与工具组合也变得很轻。比如想看看 DeepSeek 模型配它自家的 DeepSeek Harness(DSH) 是不是更合拍,不需要把整个主工程搬家,建一条任务路由、划一个边界清楚的小功能委派过去跑一单,回头在 HiRoute 里把主会话和 Worker 两头的用量搁在一起算总账,省没省、稳不稳一目了然。

好策略不是第一天配出来的:靠复盘与回放越跑越准

智价比不是第一天拍脑袋定死一套规则就能一劳永逸的,而是跟着项目一起长出来的。在日常迭代里,有两个习惯帮我把这套分流策略越调越准:

第一,每做完一单大活,花两分钟回看切换账本。

每次跑完像 Higress 并发修复那样的大任务,我习惯让 Agent 直接调用两行本机命令做个简短复盘:

hiroute sessions list --view switches
hiroute value show

哪一步发生了模型切换、为什么切、主力模型和常规模型各自消耗了多少请求,账目都在本地存着。像前面发现“按确定方案补回归测试完全可以放心交给常规组”,而“涉及跨入口流式状态归属必须上主力”,就可以顺手沉淀进项目的难度判断提示词里。每啃下一道真实难题,仓库的分流边界就清晰一分。

第二,调整激进程度之前,先拿真实历史做一次回放。

月底周额度偏紧的时候,我往往想把交给经济模型的比例调高一点;刚接进一个摸不准脾气的新模型时,又想收紧一点。以前调阈值全凭感觉,所以在做 HiRoute 的“信任度”设置时,我们特意加上了历史回放:

image

拖动信任度滑块时,直接拿最近 7 天真实的 106 个任务阶段回放出常规组与主力组的分配变化。

比如把滑块拉到“放手”(简单概率阈值 0.5),界面底下会立刻拿我最近 7 天真实跑过的 106 个阶段算出来:大约 49% 的阶段会落到常规模型,同时“低分保护(胜任下限 0.5)”照常兜底。先用自己的历史数据看清影响面,再拿一两个新任务试跑验证,就不会一脚油门踩过头导致交付质量滑坡。

最好的工具不打扰习惯:让这套分工悄悄跑在底下

把上面这四件事串在一起,其实就是我们开源 HiRoute 的初衷。

在阿里云 AI 网关上,我们构建了面向企业生产流量的智能路由产品。做 HiRoute 时,我把这类调度放到了开发者的本机,围绕一个编码会话的不同阶段选模型。

为了让这套实践不变成新的配置负担,HiRoute 的桌面界面和本机 CLI 读写的是同一份配置与运行记录,并且内置了现成的 Agent 管理技能:

image

启用 HiRoute 管理技能后,直接用自然语言让 Agent 帮你建路由、配决策模型、复盘历史会话。

你不需要背复杂的 CLI 参数,也不用改变在 Codex、Claude Code 等工具里的使用习惯。装好之后开启管理技能,直接在聊天框里告诉 Agent 你手头有哪些订阅和经济模型、当前仓库里哪类活算常规工作、哪类活必须上主力,它就能自动帮你把路由搭起来。

用量不大的开发者也可以从一个熟悉的仓库试起。

  • 先让经济模型接几段有验收标准的常规工作,看看主力额度消耗和返工次数怎么变,再决定订阅是否需要升级。
  • 面对每周都在发的新模型、新 Harness,也不用再纠结要不要推倒重配——新模型先塞进常规组接几段熟悉的活,新 Harness 先走任务委派跑两个独立旁支,用自己仓库的真实测试和验收结果说话。

结语

这轮 AI Coding 实践让我养成了一个习惯。每次遇到大任务,先想清楚哪几步真需要主力模型,哪些步骤的结果能靠测试和人工反馈判断。选模、验收和复盘都接上以后,我就更有把握把主力额度留给关键工作。

模型的能力还在快速往上走,上下文窗口也越来越大,但“好钢用在刀刃上”的工程朴素道理不会变。如果你在日常研发里也遇到过主力额度不够烧、或者想更稳妥地把高性价比新模型用进生产代码,欢迎拿手头一个带自动化测试的真实任务来试试 HiRoute,也很期待在社区听到大家的实战经验与反馈。

  • HiRoute 开源仓库:https://github.com/higress-group/HiRoute
  • 客户端下载与文档:https://hiroute.ai/zh/

相关推荐

推荐一款好用的刷题工具

为了帮助正在准备求职季的开发者提升备战效率,阿里云特别推出“通义灵码陪你备战求职季”活动,精心挑选百道历史校招技术面试/笔试题,借助通义灵码智能问答、代码智能生成、代码优化等核心功能,帮助开发者更加准确地了解程序员职业所需的核心技能,加强对问题解决思维和解题能力的练习。

阿里巴巴云原生的博客 1385

通义灵码 Visual Studio 下载安装指南(附安装包)

本安装步骤适用于 Windows 10 及以上操作系统中安装和使用通义灵码。

阿里巴巴云原生的博客 4438

AgentCore 支持 DeepSeek Harness 托管,加速企业生产化验证

AgentCore 支持 DeepSeek Harness 托管,加速企业生产化验证

阿里巴巴云原生的博客 34

决策模型 Jev 可以直接上生产?用实验和公式理解 logit 调优与训练要领

本文的前半部分转载并整理自 Hamel Husain 与 Antaripa Saha 合著的《How To Use Decision Models for Evals》。后半部分是作者的一些洞见和见解。

阿里巴巴云原生的博客 68

阿里云智能体白皮书开源进展

![1](https://img2024.cnblogs.com/blog/1411156/202611/1411156-20261113183315580-502702075.png)![2](https://img2024.cnblogs.com/blog/1411156/202611/1411156-20261113183334678-741777744.png)![3](https://img2024.cnblogs.com/blog/1411156/202611/1411156-20261

阿里巴巴云原生的博客 17

万联智策基于 AgentCore 构建数字员工团队,800+智能体规模化落地

1 个智能 Leader,带领 4 个专家级智能“员工”,配套约 800 个随时可调用的 AI 数字员工,这样一个 AI 团队能帮企业做什么事?

阿里巴巴云原生的博客 198

关于 DeepSeek 的 SuperAgent,以及我们的实践

DeepSeek 的 SuperAgent 发布之后,行业内的普遍观点是 Agent 的设计基本收敛,对于我们也是一样,本文除介绍 DeepSeek SuperAgent 设计之外,会重点谈谈我们类似 SuperAgent 的技术和产品化探索。

阿里巴巴云原生的博客 108

生产更可信,订阅更耐用丨Higress 社区进展报告

阿里巴巴云原生的博客 147

让 Agent 成为企业生产力丨Alibaba Cloud AgentCore 企业智能体构建与治理沙龙·杭州站精彩回顾 & PPT 下载

近日,让 Agent 成为企业生产力丨Alibaba Cloud AgentCore 企业智能体构建与治理沙龙·杭州站圆满落幕。本场活动吸引了 100+ 名技术从业者深度参与,深度分享了企业 Agent 趋势、AgentCore 构建与治理、Agent 观测与优化、STAROps 智能运维及 AI 网关等相关议题,并设置了动手实操环节。

阿里巴巴云原生的博客 190

如何用 STAROps Elasticsearch 智能助手看穿“搜索变慢”

某电商平台的商品搜索服务使用一台 6 个数据节点的 Elasticsearch 实例。周五北京时间 20:00 起,业务陆续反馈搜索变慢。业务监控中的搜索接口 P99 从平时约 200 ms 升到 2s 以上,部分请求超时。值班工程师打开控制台:集群状态为 Green,没有未分配分片,集群平均 CPU 约 40%,乍看不像资源已经吃紧。

阿里巴巴云原生的博客 350

满帮基于阿里云 AgentCore 打造生产级 SRE 稳定性数字人

满帮基于阿里云 AgentCore 构建“稳定性数字人”:满帮提供业务知识、专业工具与处置流程,AgentCore 提供智能体运行、协作和治理支撑。数字人已在核心链路的巡检与根因分析中得到应用,受控处置能力也在持续建设,让满帮积累的稳定性能力能够在具体任务中得到复用。

阿里巴巴云原生的博客 278

稳定复现超 70% 的缺陷,报警到自动修复的 Agent 流水线实践

本文将分享我们在 PolarDB-X 团队做的一些工程实践:让 Agent 从一条报警或工单出发,自主完成排查、复现、修复和验证,再把结果交给研发评审。

阿里巴巴云原生的博客 314

从“自证清白”到“因果链条”:智能体如何重塑运维排障效率

STAROps 做全域关联分析,把范围从「五个团队依次自证清白」收拢到一条具体链路;证据指向对象存储后,OSS Agent 接手,基于真实配置、访问日志和用量数据往下挖,给出根因和支撑它的证据链。你面对的始终是一个对话框:路由归它管,说清现象、拍板方案归你。

阿里巴巴云原生的博客 148

TechTalk丨从能买奶茶到能进企业,Agent 绕不开同一组问题

史明伟所在的 Alibaba Cloud AgentCore 是企业级 Agent 构建和治理平台,为 Agent 在业务场景下的规模化落地提供基础设施,所以这场对话,他和 Datawhale 主持人从个人助理一路聊到企业 Agent:权限该怎么一步步放开?进了企业,账号打通、数据权限、沙箱隔离又会带来哪些新问题?没有强技术团队的企业,该从哪里起步?

阿里巴巴云原生的博客 220

AgentCore + Codex 构建生产级 Agent 的原理与实践

本文章演示 AgentCore[1]的自定义代码/镜像能力,目的是展示如何基于自定义的 Harness 框架(Codex) 结合 AgentCore 提供的身份、模型、工具、技能、凭证 、观测评估等能力实现一个端到端的 Agent 应用,内容包含两个部分,技术方案和实践教程,文末附相关源码和本次的测试数据,可以根据需要自行查阅。

阿里巴巴云原生的博客 193

让复杂任务由团队完成:阿里云 AgentCore 多 Agent 协作架构及实践

Alibaba Cloud AgentCore 以身份、通信、团队和任务为基础,让专业 Agent 与人类成员共同参与业务协作。企业可以按职责组合知识、工具、Skill 和模型,用任务系统持续追踪工作,再结合 AgentLoop 评估效果、优化配置。

阿里巴巴云原生的博客 384

易点天下:AI 驱动 IT 运维组织提效的实践

易点天下作为一家专注品牌全球化的营销科技公司,由智能营销、全域增长、智能变现三大引擎驱动。公司旗下拥有“整合营销服务”与“广告平台业务”两大业务线。

阿里巴巴云原生的博客 307

阿里云可观测 2026 年 10 月产品动态

阿里云可观测 2026 年 10 月产品动态

阿里巴巴云原生的博客 213

用 Nacos 3.3.0 ARD 让 Agent 按任务发现工具和 Skill

如今,工作中用 Agent 帮忙已经越来越常见。研发同学用 Coding Agent 写代码、补测试、排查问题,业务同学用 Work Agent 整理资料、分析表格、制作演示文稿。不少过去需要自己一步步操作的事情,现在可以把需求交给 Agent,让它协助完成。

阿里巴巴云原生的博客 328

HiRoute 新版本发布:结合自己的真实工作选择最佳模型

HiRoute[1]是一个开源、运行在本地的 Agent 智能路由引擎。你继续用 Codex、Claude Code、Qoder、Pi、OpenCode、Hermes、DeepSeek Harness 等熟悉的 Agent,由 HiRoute 判断每一步交给哪个模型。

阿里巴巴云原生的博客 394

用户说 App“下不了单”:用 Session Replay 看清流程卡在哪一步

Session Replay(会话回放)将采集到的页面变化重建为可回看的过程。研发可以沿着这次会话,查看操作前后的界面变化,先确认流程停在了哪里,再结合当时的事件、日志和代码检查原因。

阿里巴巴云原生的博客 56

欢迎报名丨Alibaba Cloud AgentCore 企业智能体构建与治理八城巡回沙龙 · 杭州站开启

欢迎报名丨Alibaba Cloud AgentCore 企业智能体构建与治理八城巡回沙龙 · 杭州站开启

阿里巴巴云原生的博客 159

运维走出控制台:阿里云 AgentCore AI Native 运维实践

UModel 让现场能够被关联,运维数字员工让经验能够被调用,AgentCore Team 让分析能够协作,AgentLoop 让质量能够被检验。这些建设共同服务于一件事:让团队对系统的理解,成为每个人处理问题时都能接上的能力。

阿里巴巴云原生的博客 312

从长程 Agent 到 Super-agent,解锁更多场景

Deepseek Harness 提升了架构的透明度,但也带来了工程上的复杂度。这次开源的dsh-superagent-prototype,是对 Agent “连续实体”能力的工程拆解。

阿里巴巴云原生的博客 242

排查提效 50%:淘大集新核心系统的观测护航之路

供应链运维,缺的不是更多机器,是“一条能把指标、日志、链路串起来的线”。阿里云 ARMS+SLS+云监控2.0+STAROps 重构观测底座。

阿里巴巴云原生的博客 149

概率、插座与 5000 个爱因斯坦:专访阿里云研发副总裁周琦

这次访谈发生在 2026 年云栖大会之后。大会期间,阿里云发布了智能体构建和治理平台 AgentCore,将企业级 Agent 基础设施进一步标准化和托管化。

阿里巴巴云原生的博客 157

Agent 数据飞轮平台的选型和实践

用统一标准判断修改效果,积累覆盖不同路径的测试样本,沿执行记录排查失败,并将典型问题纳入后续回归。而这也是宙斯接入 AgentLoop 要解决的问题。

阿里巴巴云原生的博客 36

Durable Agent 详解:如何让 Agent 在云端长期稳定运行

本文使用一个具体的用户任务示例“向五位客户发送通知邮件”,解释为什么保存聊天记录还不够,再以 AgentScope 构建的 Agent 为例,展开任务状态、持久提交和故障恢复的通用设计,最后结合 Alibaba Cloud AgentCore 已有的 Harness 托管与节点恢复能力,讨论共享状态、可靠调度及 Brain / Hands 分离如何支撑更完整的长期托管服务。

阿里巴巴云原生的博客 338

Qoder × AgentLoop:智能体规模化应用,敏感数据保护如何跟上?

智能体观测与优化平台 AgentLoop 持续分析已采集的 Qoder 审计日志,将发现的风险线索关联到具体会话、工具调用、成员和环境,帮助安全团队回查任务过程、明确需要整改的环节,并复查处理效果。

阿里巴巴云原生的博客 298

完整还原已经服务千家企业的 AIOps Agent 的评测和调优实践

阿里云 STAROps 是一个生产运维 Agent,通过连接多域数据、运维工具与专家经验,从被动响应走向智能自治,7×24 保障业务连续、稳定运行。本文将分享 STAROps 的评测和调优实践。

阿里巴巴云原生的博客 202
上一篇: AgentCore 支持 DeepSeek Harness 托管,加速企业生产化验证
阿里云云原生
阿里云云原生 企业官方账号 企业官方账号
博客等级 码龄8年 1万+粉丝 3157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