ONE游戏官网



2026-04-22 04:03:22 来源：中国日报（China Daily） 作者：劳资有天必辉煌

过去一个月，拓尔思内部密集举办了五场以AI为主题的工程技术分享——OpenClaw、Claude Code、“效率革命”、“金析为证”、 Palantir……在技术范式以周为单位加速迭代的当下，高频次的知识对齐已不再是简单的“充电”，而是我们构建敏捷型学习组织、缩短从认知到工程落地之间距离的必要生存策略。第六场内部技术沙龙，我们将聚光灯打向了Harness Engineering（驾驭工程）。其核心是为AI Agent构建一套完整的运行环境、约束规则与反馈闭环，让AI可靠、自主地完成复杂工作。一、CLI不是盲目怀旧，而是一次“倒退式前进”拓尔思副总裁曹辉首先讨论了CLI（命令行界面）在AI时代重新受到关注的原因。他指出，在ToB业务场景下，企业无法依赖大厂的云端工具，CLI能够完美适配本地执行的需求，是ToB业务的核心诉求下的必然选择。而当前的CLI并非早期DOS里那种需要记忆大量参数的传统命令行，也不是一种“伪CLI”，其本质是“外壳为LUI，内核为CLI”的最优工程混合体：- LUI意图层：采用自然语言交互，用户只需表达“做什么”。- CLI执行层：采用命令行模式，AI Agent通过调用本地命令、操控浏览器、读写文件系统等方式完成具体操作。这一设计的目标是“剥离中间层，直接触达万物”。曹辉以MCP为例说明：MCP旨在让AI触达各类系统，但落地时受限于厂商是否开放API。而CLI模式，特别是通过控制浏览器，Agent可以模拟人类操作任何B/S架构的业务系统，不依赖厂商配合。曹辉分享了一个实际操作案例：通过Codex的APP版本，指令一个AI Agent从GitHub下载OpenCLI项目并进行全面分析。该Agent自主完成了拉取代码、解决依赖、构建沙箱环境等任务，在遇到本地缺失工具或需要决策时主动向用户请示，最终生成了一份多维度研究报告。整个过程几乎不需要人工干预。对企业来说，这意味着什么？ 曹辉的判断很直接：企业无法为每个员工在云端开虚拟机，端侧执行是成本与效率的必然选择。他提出了“云端慢思考，端侧快执行”的架构：云端负责复杂推理和大规模知识检索，端侧负责轻量级执行、本地资源调度和实时响应。至于Harness Engineering，曹辉认为这是比模型本身更值得关注的趋势。大模型能力正逐渐趋同，未来的技术壁垒正在从模型本身转向Harness Engineering。他通过分析业界顶尖厂商的工程实践，总结了若干设计原则：状态落盘而非驻留内存、生成与评估分离、机械强制优于文本规劝、Auto-Dream机制、多智能体协同等。核心思想只有一个：把不可控的大模型，装进一个可控的工程框架里。二、Harness到底是什么？一个公式就能说清北京研发中心的同事引用了LangChain的定义：Agent = Model + Harness。Harness是模型之外的一切代码、配置与执行逻辑，相当于一个运行时系统，将模型的原始能力转化为稳定、可控、可用的工作引擎。他将这一关系类比为CPU与操作系统：模型是CPU，Harness决定了系统的整体体验。他拆解了Harness的几个核心组件：工具集成（统一校验、权限检查、异常处理）、上下文工程（结构化状态管理，而非简单塞入历史对话）、状态持久化（断点续传、checkpoint）、子代理编排（复杂任务拆解为多个子Agent并行执行）、安全防护（敏感词校验、合规性检查）、可观测性（每一步均有日志可追踪）。每一块都不算新，但把它们组合成一个系统，才是难点。他特别提到了几个行业案例的细节：Anthropic通过三阶段架构（初始化、执行、评估）与评估智能体，解决了上下文割裂和模型“自我感觉良好”的问题；OpenAI的“动态地图”把长指令文件拆解成约100行的索引式文件，按需加载而非全量塞入上下文，实现了百万行代码的自动化生产；LangChain构建了验证闭环、设置主动退出机制与算力分级，大幅提升模型性能。另一个设计叫做“推理算力三明治”：在任务规划和最终验收阶段，使用最高等级的推理能力；中间执行阶段，使用低等级推理甚至不进行推理。这样既节省Token，又不影响效果。在他看来，随着模型不断变强，Harness的设计空间并不会缩�。换嵋贫I工程师要做的，是不断找到下一个模型还做不到、但Harness能补齐的点。三、一个真实的落地案例：让AI自己修Bug成都研发中心的同事则分享了一个实打实的落地案例。他们团队面对的问题是：数据中台平台里，Sonar检测出了大量代码问题，涵盖不同优先级。同时，测试覆盖率和代码重复率都未达到标准。这些问题让人专门去修，成本高且枯燥，于是他们尝试用AI实现全自动闭环修复。团队借鉴了Cursor等产品的Master-Worker架构，搭建了一套自动化Bug修复系统：一个Master负责任务分发，多个Worker在隔离环境里独立执行。每个Worker的工作流程是：拉代码 → 分析Sonar issue → 执行修改 → 跑测试 → 提交代码。整个系统与GitLab代码仓库打通，并配有监控面板，可以实时查看任务进度和成功率。实践中有一个关键发现：在有强验证机制的前提下，小模型也能胜任复杂任务。他们使用的是本地微调的模型，而非商用大模型。对比测试显示：加上Claude Code工程框架后，修复成功率从26.3%提升到40.4%——这部分提升完全来自工程能力。他还指出一个现实问题，一个任务修下来可能消耗上百万Token，如果全用商用大模型，成本难以承受。因此，Token成本可控是规模化落地的先决条件。同时，任务需要分级处理——简单任务用小模型，复杂任务用大模型或人工介入；减少人机交互、让开发者角色从写代码转向搭建Harness环境，也是提升效率的关键。截至分享时，这个系统已经处理了300多个issue，修复准确率约80%。他们目前的并发只有3个Agent，后续还会扩大规模。整体来看，这套实践实现了可验证、成本可控、可审计、规模化运行的目标，既提升了Bug修复效率，也为ToB交流提供了有力的叙事——用工程能力弥补模型短板，真正解放人力。四、把Agent的问题分成三类，然后逐层解决数字经济研究院同事的分享更工程化。他把Agent落地中遇到的常见问题归纳为失忆、流程失控、作恶/欺骗三类。对应这三类问题，他提出了三层解法。第一层：上下文与记忆管理。百万级上下文窗口并不意味着万事大吉，实际使用中，窗口用到40%左右模型就开始“降智”了。所以需要渐进式加载、按需加载、分层记忆。他提到Claude Code的设计：当前任务记忆、任务列表记忆、长期记忆各管各的，而且规定——凡是能推导出来的信息，一律不进记忆。第二层：流程与编排控制。用规则引擎、Linter强制拦截、DAG编排等方式，把Agent的执行路径“焊死”。比如设置Plan的介入频率、防止死循环、高风险操作强制人工接管。第三层：验证与护栏。建立验证回路，让Agent能从错误日志里学到东西，而不是一遍遍犯同样的错。同时做安全隔离——从网页抓下来的内容，一律视为“不可信输入”，不能直接执行。他介绍了数研院的两个产品实践：- SurgeFlow：浏览器自动化插件，采用Planner（规划）、Navigator（执行）、Validator（验证）三个Agent分工协作，且做好上下文隔离。- SurgePix：深度搜索Agent，通过DAG编排流程，提升可控性。他认为，CLI的核心优势不是“命令行”本身，而是可组合性——Agent可以把多个原子命令像搭积木一样组合成新功能，而API很难做到这一点。目前数研院主要做三件事：打造Agent产品、开发适配Agent的CLI工具、梳理工作流并让Agent替代人工。核心目标是减少人力介入，实现全自动化运行，发挥Agent的带宽优势。五、从“玩具”到“系统”，Harness的体系化梳理成都研发中心的同事把Harness的核心机制归纳成四块：前馈约束（执行前注入规范）、感知反�。ㄖ葱兄凶远来恚�、执行器（模型的手和脚）、记忆与状态（用Markdown记录进度）。他对比了当前两大流派的差异：- Anthropic是“三智能体”路线：规划者、执行者、评估者各司其职。他们发现，让执行者自己评估自己，就像“又当裁判又当运动员”，效果很差。拆分之后效果明显提升。- OpenAI是“极致模型”路线：更强调在强模型基础上叠加沙箱、审批、分层指令与上下文压缩等工程约束，通过严格的单向依赖和静态校验，让模型自主发现问题并解决。两种路线各有优劣，但共同点是：对于复杂的长任务，都必须构建极其严格的验证环境。他还做了几个重要的区分：- 编程Harness vs. 业务Harness：编程有编译器、单元测试等“绝对验证方法”，所以Agent 进步飞快。但业务逻辑没有绝对的对错，充满灰度。因此编程Harness的重点是“提速”，业务Harness的重点是“阻止错误、保障稳定”。- 个人Harness vs. 企业Harness：个人可以100%掌控自己的电脑，追求上限；企业面对的是零信任环境，要防投毒、防注入，核心是“捍卫下限”。难度不在一个量级。那企业级Harness怎么解？他给出的答案是动态本体——把企业的显规则、隐规则、关联关系都承载在动态本体里，由Agent和人共同持续喂养。一句话总结就是：规则属于动态本体，熔断属于Harness，大模型只负责推理。关于人机协作模式，他介绍了三种类型：人在环外（AI全自动，适合demo而非长期运行）、人在环内（人工审核，但人的速度会成为瓶颈）、人在环上（系统由Agent驱动，人从根源优化Harness体系）。正确的模式显然是第三种：人关注Why，AI处理How。六、拓尔思技能库建设中的一线经验成都研发中心的另一位同事，带来了拓尔思技能库（Skill Hub）建设中的一线经验。团队从实际问题出发，逐步总结出六条核心原则：第一，避免AI自我评估。AI对其自身输出容易产生盲区，必须由另一个独立的AI或Agent进行评估，并将错误原因反馈给执行者。第二，限制重试次数。不应允许AI无限重试，通常尝试两次仍失败即应终止，防止陷入死循环。第三，使用Checklist管理状态。长任务执行过程中AI容易出现“遗忘”现象，需要引入类似人类打勾记录的方式，让后续Agent能够明确当前进度。第四，不默认AI已知任何未明确告知的信息。即使某些知识可能存在于模型的预训练数据中，也不能依赖这种假设。所有关键知识必须单独整理成文档，作为“系统事实的唯一来源”明确提供给AI。第五，确保每一步可观测。AI的思考过程、读取内容、输出结果、耗时等信息均需完整记录。否则一旦出现问题，无法快速定位是代码缺陷还是模型理解偏差。第六，以上条件满足后，AI才能一次输出可用的Skill。六位同事的接力分享，从不同角度指向同一个结论：大模型的能力正在趋同，真正的护城河正在向Harness Engineering转移。分享尾声，曹辉向内部团队提出了明确的技术演进要求：拓尔思的智能底座必须加速完成 Harness能力的工程化封装，让前线业务能像感知算力提升一样，感知到工程约束带来的稳定性跃迁。正如上次OpenClaw分享后，集团迅速推动了全员的“技能库”建设一样，这一次关于Harness的认知对齐，必须立刻转化为架构层面的行动。这条路没有捷径，但每一步的积累都会沉淀为组织真正可控的生产力。对于拓尔思而言，这正是将“驾驭工程”写入技术基因的起点。 .appendQr_wrap{border:1px solid #E6E6E6;padding:8px;} .appendQr_normal{float:left;} .appendQr_normal img{width:100px;} .appendQr_normal_txt{float:left;font-size:20px;line-height:100px;padding-left:20px;color:#333;} 海量资讯、精准解读，尽在新浪财经APP

「活动」首次登录送86 元红包

71.43 MB
|
版本V7.13.11
喜欢 83%好评(324人)
评论 539
下载斗破苍穹年番观看免费完整观看动漫第61集 安装你想要的应用 更方便 更快捷 发现更多
我真不是魔神的走狗漫画免费截图0 氪金武道截图1 地球上最后一个修仙者张卫东截图2 独自修炼一千年漫画截图3 绝地求生之魔王系统小说免费阅读截图4
详细信息
  • 软件大小: 82.22 MB
  • 最后更新: 2026-04-22 04:03:22
  • 最新版本: 7.13.11
  • 文件格式: apk
  • 应用分类: ios-Android嗯～啊～流水了～老师内裤漫画
  • 使用语言: 中文
  • 网络支持: 需要联网
  • 系统要求: 6.3以上
应用介绍
国产🔞精品夜来香4系列
XXXX43🍆🍆🍆
韩国美女㊙️把屁股眼
美女裸乳裸体🈚遮挡免费A片软件
Free1819国产午夜精品一区二区三区软件

【联系我们】 客服热线:137-6734-2126
加载更多
包含 饿了么 的应用集
神厨小福贵剧情分集介绍 评论
  • 小乔被啪❌羞羞同人 1天前
    11名储户220万元存款被银行员工转走
  • 国精产品🈚人区久久久久久久久久久 4天前
    关晓彤线下遭疯狂男粉靠近
  • Free1819欧美老熟妇VIDEOS极品另类 5天前
    氧化菊的腿
  • Free181912-14美女的隐私㊙️视频 4天前
    微博之夜合照
  • 卡夫卡❌18本子 5天前
    男子谎称过年不回家父母寄大量年货
  • 裸交❌❌❌❌大片 1天前
    王楚然 女人中的女人
  • 裸体美女㊙️兔女郎 5天前
    卢靖姗产后首晒照
  • 🤬亚洲👍🏽熟伦熟女新五十✊🏼路熟妇 2天前
    氧化菊的腿
  • 在线无码精品㊙️穿 5天前
    腾势Z9GT首登时尚顶刊
  • 樱花🌸未满十八禁止污 5天前
    12306已发售春运期间车票超1.5亿张
  • 91偷拍洗澡㊙️视频播放 1天前
    他被当成疯子却守护地下通道20年
【网站地图】【sitemap】