登录社区云,与社区用户共同成长
邀请您加入社区
《从单体到微服务:Multi-Agent架构如何重塑AI系统》摘要:本文探讨了AI系统从单Agent向Multi-Agent架构的演进过程。作者指出,随着任务复杂度提升,单Agent系统面临Prompt膨胀、上下文爆炸、推理成本攀升等问题,这与早期单体软件架构的困境如出一辙。Multi-Agent架构通过专业分工(如Planner、Data、Report等独立Agent)显著降低系统复杂度,其设计
本文探讨了HarmonyOS游戏开发中架构设计的演进过程。作者展菲(企业级AI项目研发管理者、技术图书作者)指出,开发者通常会经历三个阶段:从依赖ArkUI组件,到转向状态管理(Store),最终升级为运行时(Runtime)架构。文章通过对比分析,阐释了Store模式的局限性——它虽能管理状态,却无法处理游戏逻辑的复杂性,容易演变为"上帝对象"。 随着游戏系统(Physics、AI、Animat
如果回顾过去十几年的发展,会发现每一次架构升级,其实都是为了突破一个工程瓶颈。传统神经网络│▼RNN(解决上下文)│▼LSTM(解决长期依赖)│▼Transformer(解决并行计算)│▼GPT(解决规模扩展)│▼MoE(解决推理成本)│▼Agent(解决任务执行)换句话说,AI 架构的发展从来不是简单的技术迭代,而是一场围绕记忆、计算、扩展、成本和执行能力展开的持续演进。谁的模型更大。谁的智能系
ECS(Entity-Component-System)架构通过数据与行为分离解决游戏开发中的代码臃肿问题。核心思想是将传统OOP中耦合的逻辑拆解为:纯数据的Entity(仅ID标识)、存储状态的Component和执行业务的System。相比继承深、复用难的OOP方案,ECS通过组合式设计实现模块解耦——例如移动逻辑由MoveSystem统一处理所有带Transform+Speed组件的实体,而
《HarmonyOS App架构革新:从页面驱动到AI Native的Runtime时代》 摘要: 随着大模型技术融入HarmonyOS应用开发,传统"Page First"架构面临根本性挑战。本文揭示了当前AI接入模式的三大困境:业务边界模糊、状态管理失效和上下文割裂,并提出向"Runtime First"架构演进的四层体系。通过Workspace Runtime统一任务空间、Context R
本文由展菲分享鸿蒙App模块化架构设计经验。文章指出随着业务增长,缺乏模块化会导致项目依赖混乱、维护困难。作者强调模块化核心是解决边界问题,推荐按业务领域而非技术层拆分(如user/order/payment等独立模块)。针对鸿蒙分布式特性,提出模块内部应包含UI/Store/Task/System/Repository分层设计,模块间通过接口通信避免循环依赖。特别指出Store不应跨模块共享,并
摘要 本文深入解析鸿蒙PC多屏协同的技术本质,指出其核心在于设备间状态共享而非简单的屏幕投屏。作者展菲(人工智能专家/技术博主)通过对比传统投屏方案,详细阐述了鸿蒙分布式系统的实现架构: 技术本质:传输Ability Context(应用运行上下文)而非画面 核心架构:包含设备发现、认证、状态同步等分布式系统功能 关键技术:分布式KVStore实现状态同步,Workspace概念统一工作环境 未来
摘要:异构协同优化将成为AI推理新趋势 展菲在技术博客中指出,当前AI推理正面临从GPU单点优化向系统级异构协同优化的范式转变。传统"GPU决定AI能力"的认知已被实践验证存在局限,实际推理流程包含CPU预处理、GPU计算和CPU后处理等多个环节,形成"CPU-GPU-CPU-Runtime"的完整链路。随着大模型应用场景复杂化,特别是长上下文、MoE架构和Agent系统的普及,KV Cache管
《鸿蒙App架构演进:从页面驱动到状态驱动的必然趋势》 本文探讨了鸿蒙应用开发中架构设计的关键转变。传统以页面为核心的开发模式会导致业务逻辑堆积、耦合严重,随着AI、分布式等能力的加入,页面复杂度将指数级增长。作者指出未来鸿蒙应用的核心将转向状态管理(Store)和任务调度(Task Runtime),页面角色将简化为"状态展示层"。这种架构演进表现为三个显著特征:1)业务逻辑从页面下沉至Stor
摘要 本文探讨了AI时代下鸿蒙应用架构的变革趋势。作者指出传统"页面驱动架构"正在失效,AI Native应用将转向"任务驱动架构",核心变化包括: 架构重心从UI转向Task Runtime,实现跨页面、跨设备的任务自动化执行 新增Intent层处理自然语言意图理解 状态管理需中心化以应对AI操作的不可预测性 AI Runtime将成为基础架构层,负责Prompt管理、上下文记忆等 鸿蒙的分布式
《多智能体系统的任务雪崩风险与治理策略》 摘要: 本文深入分析了多智能体系统(Multi-Agent System)中特有的"任务雪崩"现象及其治理方案。当智能体过度自主拆解任务时,系统会陷入任务指数级增长的恶性循环,最终导致资源耗尽。文章提出五大核心治理原则:1)任务生命周期管理(TTL机制);2)任务深度限制;3)预算配额制度;4)全局调度器部署;5)熔断机制建设。这些方法共同构成了防御任务雪
《鸿蒙项目领域拆分架构指南》摘要 本文针对鸿蒙项目中后期常见的代码混乱问题,提出领域拆分解决方案。作者指出传统按技术层级拆分代码的弊端,强调应按业务语义组织代码,将相关功能集中到统一领域模块中。文章详细讲解了领域拆分的具体步骤:识别业务领域、建立领域目录、收拢分散代码、定义领域边界。通过订单领域的示例,展示了服务层、仓储层、任务层的闭环设计。特别指出领域拆分对鸿蒙多设备协同、分布式架构和AI接入的
《传统游戏引擎与鸿蒙System架构的本质区别》一文深入剖析了两者的范式差异。传统引擎(如Unity)采用"引擎驱动游戏"模式,通过帧循环控制渲染、物理等系统;而鸿蒙System架构则是"状态驱动世界",开发者只需定义状态变化规则,系统自动处理渲染更新。关键区别在于控制权:传统引擎开发者需手动控制每一帧,鸿蒙架构则通过状态变更自动驱动UI。文章还对比了扩展性
摘要:本文探讨了如何将AI深度集成到鸿蒙系统架构中,使其成为系统的一等公民。作者展菲作为资深技术专家,指出传统AI接入方式存在UI层耦合、缺乏系统决策参与等问题。文章提出五步架构升级方案:1)封装AI为能力模块;2)将AI融入System层;3)建立AI建议机制;4)引入AI调度层;5)实施约束校验机制。最终形成包含规则系统、AI系统和风险系统的协同架构,实现从"代码驱动"到&
据悉,腾讯 QClaw 将于近期开启公测,3 月 18 日将发布全新版本,微信入口会全面升级,进一步提升互联体验,降低“养虾”门槛。当下为确保供应,客户企业越来越倾向与三星签署长期采购协议,甚至有公司提出签订直至 2030 年的五年合约,而三星方面则在长期协议与高价策略之间寻求平衡,更倾向于签订周期较短的合约,以便在芯片价格持续上涨的情况下锁定利润。马斯克在 X 平台上公开表示,如果在对 Open
它是“页面驱动”的,而 AI 应用是“意图驱动”的。维度传统 AppAI App入口页面意图流程固定动态调用方式UI 触发AI 调度结构页面分散能力集中复用低高代码越来越乱AI 功能难扩展服务无法复用你还在用“传统 App 架构”做“AI 应用”。App + AIAI + AppAI 不只是一个功能,而是整个系统的核心。
随着前端工程化的深度演进与全栈开发模式的普及,TypeScript与React的组合已成为企业级应用开发的主流选择,更是前端开发者突破技术瓶颈、提升项目可维护性的核心路径。TS的静态类型检查能力,从根源上弥补了JavaScript弱类型带来的类型混乱、运行时报错等痛点,大幅降低了大型项目的维护成本与重构风险;React的组件化、声明式编程理念,搭配其成熟的生态体系,为复杂UI交互与页面状态管理提供
本文深入探讨了ArkUI(ArkTS)状态管理的常见误区和优化策略。作者指出,虽然ArkUI提供了@State、@Prop、@Link等完整的状态管理工具,但很多开发者错误地将所有状态都使用@State管理,导致项目规模扩大后出现状态重复、刷新异常等问题。文章详细分析了状态管理的三个层级(页面本地状态、父子组件状态、全局共享状态),并针对四种常见错误(滥用@State、深层组件传递、对象状态刷新、
摘要:本文探讨鸿蒙PC应用架构设计的核心误区与解决方案。作者指出团队常犯的三个错误:以窗口为核心、沿用移动端生命周期、缺乏任务系统思维。真正的PC架构应以任务系统为基础,实现任务身份、上下文和独立生命周期的管理,使UI成为任务的附属视图。这种架构能自然解决焦点管理、多窗口协作和状态一致性问题。然而构建任务系统需要整体重构,无法通过局部优化实现。最终,从App思维转向任务驱动的PC架构,才是鸿蒙应用
Nacos 作为中国开源技术的代表,正在经历从微服务基础设施向 AI 原生平台的重要转型。Nacos 3.0 版本的发布标志着这一转型的开始,其将定位升级为 "AI 智能体管理平台",不仅能够管理传统的微服务,还能支持 AI 模型、AI Agent 的注册、发现和配置管理。这种演进方向体现了 Nacos 对技术发展趋势的敏锐把握和前瞻性布局。在云原生生态融合方面,Nacos 正在加强与 Kuber
摘要: 2015–2025年,机器人中间件从ROS1的分布式通信演进为AI驱动的云原生框架,实现硬件抽象、实时调度与跨平台协作。关键技术包括ROS2、DDS中间件及国产RobotDevKit,中国开源贡献率超40%。市场规模从10亿增至50亿美元(CAGR 17%),云原生和VLA大模型集成成为2025年核心趋势。未来中间件将作为具身智能的“操作系统层”,推动机器人生态智能化发展。数据源自IFR、
《2025年AI大模型开发生态白皮书》核心看点摘要: 全球AI市场持续高速增长,预计2029年投资规模将突破1.2万亿美元。中美技术路线分化明显,中国开源生态快速崛起,阿里巴巴Qwen、智谱GLM等开源模型形成竞争优势。技术突破方面,多模态成为标配,MoE架构显著降低计算成本。AI应用加速落地,AI Agent市场规模将达230亿元,金融、医疗等垂直领域应用深化。开发者生态蓬勃发展,中坚人才需求激
摘要: 2015-2025年,机器人中间件从ROS1分布式通信发展为AI云原生统一框架,市场规模增长超5倍(CAGR 17%+)。2015-2018年以ROS1/OROCOS为主,2019-2022年ROS2与云边融合,2023-2025年AI代理和云原生生态崛起,中国开源贡献率达40%。关键技术包括DDS通信、GPU加速SLAM和VLA集成,代表案例涵盖工业、医疗和具身智能领域。未来中间件将成具
DASS 层服务对外提供各种通用能力,APASS 层服务作为 DASS 层服务的底部支撑服务,不对外提供接口服务,属于星云内部能力,这样划分是为了让每个服务的能力边界和服务分层更加明确,也能缩小应用接口访问权限的管理,只有 DASS 层服务才需要接口权限申请。圈选 check 服务应对不同场景时使用了不同的数据层,有 hbase、redis、es 等,不同数据层都有自己的特点,不同场景的读写流量以
如果您是 Windows 预览体验成员并且喜欢尝试早期功能,那么您必须尝试 Copilot。人工智能是当今新的热门话题,无论您做什么,它都可以使您的工作更轻松。因此,请按照我在此处提到的简单步骤,将您的角色AI助手直接放在您的PC上。目前,它仅适用于内部版本,但我希望几天后,人们也将能够在稳定的 Windows 11 中使用它。
今天我们以百度Apollo为例,讲讲无人驾驶的技术架构。通过本文的学习,希望大家可以初步建立起了对百度Apollo的架构的认知。一、Apollo架构先来看一张百度Apollo技术框架图:可以看到该架构分为四层,其中除了Cloud Service Platform部分是运行在云端的,其他的都是车端的系统。Open Software Platform自动驾驶系统最为重要的软件层。这一层包含了最底层的R
随着越来越多的人使用聊天机器人,它会更好地理解什么是合适的,什么是安全的,什么是有趣的。在 ChatGPT 的最新更新中,OpenAI 表示它一直致力于提高聊天机器人对幽默的理解,谷歌可能会决定避免这种幽默,转而支持更严肃的竞争对手。值得注意的是,虽然它“并不总是正确的”,但给出的简明摘要将“随着您的反馈而不断改进”。同样,Google Bard 能够总结我附近地区餐馆的优缺点列表,根据 2023
过去十年,云计算为创新和创业提供了前所未有的便利;未来十年,生成式AI将重塑各行各业。在这个过程中,技术架构演进也将同步进行,技术人员不应惧怕,只要看清变化的技术和不变的需求,把握好三个不变的主题——基础组件能力、架构体系创新、多元技术融合,就能让自己在技术浪潮不彷徨、不迷路。
作者 | 何金源出品 | 腾讯云开发者本文将重点介绍手机 QQ 技术架构升级背后的技术故事。手机 QQ 经过20多年发展,功能不断增加,代码不断累积,架构已经变得越来越臃肿,影响到协作团队开发效率,对用户体验、质量稳定都有较大风险,因此手机 QQ 亟需技术架构的升级。但是对如此庞大的项目进行架构升级,在行业内也是少有的,手机 QQ 架构升级面临的困难和挑战都十分巨大,本文将围绕项目背...
每年的5月27日,是蚂蚁集团的技术日,用以勉励蚂蚁技术人保持敬畏和创新之心,到今天技术日已发展成为技术周,一个包含技术论坛、技术集市、编程大赛、技术沙龙等活动的技术嘉年华。今年,第九届蚂蚁技术日首次对外开放,展示了诸多蚂蚁AI创新应用产品,向外界透传了“让AI像扫码支付一样便利每个人的生活”的技术主张和面貌。
5月14日,业内首个中文原生的DiT架构文生图开源模型——腾讯混元文生图大模型宣布全面升级并对外开源,目前已在 Hugging Face 平台及 Github 上发布,包含模型权重、推理代码、模型算法等完整模型,支持中英文双语输入及理解,参数量15亿,可供企业与个人开发者免费商用。
应用于风险控制领域而形成的“图风控技术”,可以聚合风险事件、交易属性、关系图谱、专家特征等各类动态变化的风险数据,结合图结构数据的可解释性,实现对风险全链路、基于关系视角的刻画,为风控从业者提供更加全面、可见、实时的风险监测并及时决策。基于TuGraph布局的全图风控体系,打造了万亿级点边规模的全域风险大图,目前已全面应用在业务场景中,不仅实现了支付过程的毫秒级极速风控,支撑了高频交易的高精准度识
快手电商在2023年某大V大促直播活动中,首次采用混合云弹性调度架构,应对大V百万级别秒杀峰值的计算资源需求。此次为【快手容器云 + 阿里云】的深度技术结合,在【快手电商直播秒杀】场景下的大规模首次应用。既解决了大V活动中短时间内快速弹性扩容、峰值结束后快速缩容的问题,又提高了系统应对峰值的快速伸缩、系统稳定性、高并发诉求,并能大大减少资源的持有成本。