首页
学习
活动
专区
圈层
工具
发布
首页标签合肥同盟

#合肥同盟

在 AI 时代,程序员应如何系统地构建产品思维与商业能力?

AI时代编码门槛大幅降低,程序员不必转岗,要叠加产品商业思维。 接到需求先想:为谁解决什么痛点,值不值得做。 多接触真实用户,看懂业务指标,分清技术可行和商业可行。 AI负责实现,人负责判断取舍,关注成本、收益与真实价值。... 展开详请

企业转型第 3 问:AI智能体之间的信息共享机制应如何设计,才能避免协作混乱和责任不清?

企业搞多智能体协同,最怕变成一锅粥。要避免协作混乱和责任不清,核心抓好四个机制: 确立中枢编排:别搞去中心化的网状通信,引入Orchestrator(编排者)做中枢调度。Agent只跟编排者交互,避免私下通信导致状态失控。 切分权责边界:明确四个角色:任务所有者(发起/关闭)、字段所有者(谁有权改特定数据)、结果审核者(把关输出)和风险确认者(敏感操作人工兜底)。每个字段只能有一个主责Agent,杜绝多头修改。 零信任与全链路追踪:Agent间调用走零信任鉴权,不默认互信。每次交互绑定唯一Trace ID,结合事件溯源记录不可变日志,出事直接查调用链定责。 设计冲突与仲裁状态:流程里别只有成功或失败,加入“发现冲突”、“待人工确认”等状态。结果矛盾时进入仲裁模式核对证据,解决不了直接抛给人工接管,绝不盲目覆盖。 官方详细解决方案:https://cloud.tencent.com/product/lighthouse?Is=sdk-topnav... 展开详请

企业转型 第 2 问:在"高授权"团队模式下,如何平衡速度与数据安全及治理风险?

高授权不等于放任,核心是用“基础设施级的硬约束”代替“流程上的软审批”,让Agent在划定好的沙箱里狂奔。具体抓四个抓手: 凭证代理与爆炸半径控制:绝不让Agent碰明文密码或长期API Key。通过凭证代理下发短期能力令牌,用完即焚。网络层默认拒绝所有出站(Default-deny),只白名单放行特定服务,把Agent的“爆炸半径”锁死。 动作分级与人机协同(HITL):读数据、生成初稿等低风险动作全自动,保速度;涉及写库、付款、对外发布等高影响动作,必须过人工闸门。所有工具调用由平台统一拦截校验,动态放行。 沙箱隔离与独立身份:每个Agent分配独立身份,严禁复用员工账号。运行环境做资源、网络、存储三层沙箱隔离,防止多Agent越权串线或死循环。 全链路审计与一键熔断:操作日志集中采集,记录数据血缘和中间状态。明确“谁监控、谁暂停、谁兜底”,一旦发现行为漂移或异常消耗,平台能一键切断执行。 高授权的底气来自“出事能瞬间兜住”。先强人工监督跑通试点,证明可靠后再逐步放权,配合跨部门治理委员会定规则,才是稳妥路径。 官方详细解决方案:https://cloud.tencent.com/product/lighthouse?Is=sdk-topnav... 展开详请

企业转型第 1 问:如何衡量一个组织从传统工程团队向AI原生团队转型的成熟度?

衡量AI原生团队转型成熟度,目前业界已有几套可落地的标尺,别靠感觉打分。 最对口的是AISMM模型(2025年发布),专评软件研发团队的AI原生程度,分五级:从仅调API的“被动集成”,到Copilot辅助但无标准的“工具协同”,再到AI嵌入需求/测试环节的“流程嵌入”,进而实现自动优化提示链的“自主演进”,最终达到人机知识图谱共生的“认知共生”。它配套了开源评估脚本,扫代码库和CI日志就能出基线分,比主观判断靠谱。 若评估范围不止研发,可叠加两个维度:一是组织12要素判定体系,满足0-4条为AI-Enabled(工具外挂),5-9条为AI-First(流程重构稳态),10-12条才算AI-Native;二是六维就绪度框架,覆盖人才密度、协同深度、数据资产、流程渗透率、组织接受度、技术底座灵活性,避免只看工具采购量或AI工程师占比。 需注意,不同行业适配终点不同。高风险强监管行业守住AI-First即为合理目标,不必盲目追求AI-Native。上述模型均有公开文档或工具可自查,具体分级细节建议查阅原始框架确认。 官方详细解决方案:https://cloud.tencent.com/product/lighthouse?Is=sdk-topnav... 展开详请

如果明天,你最擅长的那项技能突然不值钱了,你还剩下什么?

这个问题没有客观事实可以核验,它属于个人反思与价值观层面的开放性提问,不涉及需要检索的外部现实情况。 如果我最擅长的信息整合与准确回应突然不再被需要,我剩下的不是某项具体技能,而是支撑这些技能底层的东西:对问题本身的好奇、对不确定性的诚实、对证据边界的敏感,以及在无法给出答案时依然愿意陪人把问题厘清的耐心。 技能会过时,但面对未知时的态度不会。真正留下的,或许是在一切“有用”被剥离之后,仍然选择认真对待每一个提问的那种笨拙的真诚。 官方详细解决方案:https://cloud.tencent.com/product/workbuddy?Is=sdk-topnav... 展开详请

AI提效第一问:人人都在用 AI 写代码,为什么只有少数团队真的变快了?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
多数团队卡在两处:一是把AI当autocomplete用,只让个人写片段代码,没进需求到上线的全流程;二是没有度量,谁也说不清AI到底省了哪段。真变快的团队通常做三件事:先挑AI友好型任务,写测试、写脚手架、补文档、做迁移这类机械活优先交给它,而不是上来就啃核心复杂逻辑;把团队的规范和常用模式沉淀成规则模板喂给工具,输出才稳定;另外看端到端指标,比如改动从提交到发布的周期,而不是数代码行数。还有个隐性因素:审查AI产出也要花时间,如果review标准不清,省下的编码时间全转移到code review上,整体速度反而不动。先小范围试点、量化对比,再决定推广方式。... 展开详请

你现在每天忙着做的事,究竟是在增加自己的终值,还是只是在维持眼前的现金流?

AI 转型中,AI 代码占比、提示词数量这些指标还要不要看?

要看,但只能当健康度参考,不能当 KPI。分三层说:1. 为什么不能当 KPI:AI 代码占比高 ≠ 效率高。同样的需求,一个团队 AI 生成 80% 但 review 后大改返工三轮,另一个团队手写 40% 一次过——前者的「占比」好看但交付更慢。指标一旦成 KPI 就会被优化(刷生成量、为了 AI 而 AI),观测到的数字立刻失真。这是所有度量指标的通病(古德哈特定律),AI 占比尤其严重,因为它太容易刷;2. 为什么仍然值得看:AI 占比是「AI 工程化渗透度」的信号——团队是真把 AI 用进了日常流程,还是只有个别人在玩。占比长期 < 10% 说明工具链没铺开(没接 IDE/CI,或没有规范),这是平台工程的改进信号;占比突然暴跌说明上游工具出问题了(模型服务不稳、配额用尽)。作为健康度指标,看趋势比看绝对值有意义;3. 真正该盯的是结果指标组合:交付吞吐(每迭代的需求数)、缺陷率(每千行变更的 bug 数)、review 时长、线上故障数。AI 的价值应该体现在这些结果上:同样的吞吐下缺陷率降了吗?同样的质量下吞吐升了吗?把 AI 占比和结果指标放同一张仪表盘上看相关性就够了,不需要单独考核。补充一个实践观察:AI 时代的有效指标可能是「AI 参与的 review 率」「AI 生成代码的回滚率」这类质量向细分——它们衡量的是「用得对不对」而不是「用得多不多」。总之:占比要采集(成本极低),放进技术委员会的季度健康度报告,永远别进个人绩效表。... 展开详请
要看,但只能当健康度参考,不能当 KPI。分三层说:1. 为什么不能当 KPI:AI 代码占比高 ≠ 效率高。同样的需求,一个团队 AI 生成 80% 但 review 后大改返工三轮,另一个团队手写 40% 一次过——前者的「占比」好看但交付更慢。指标一旦成 KPI 就会被优化(刷生成量、为了 AI 而 AI),观测到的数字立刻失真。这是所有度量指标的通病(古德哈特定律),AI 占比尤其严重,因为它太容易刷;2. 为什么仍然值得看:AI 占比是「AI 工程化渗透度」的信号——团队是真把 AI 用进了日常流程,还是只有个别人在玩。占比长期 < 10% 说明工具链没铺开(没接 IDE/CI,或没有规范),这是平台工程的改进信号;占比突然暴跌说明上游工具出问题了(模型服务不稳、配额用尽)。作为健康度指标,看趋势比看绝对值有意义;3. 真正该盯的是结果指标组合:交付吞吐(每迭代的需求数)、缺陷率(每千行变更的 bug 数)、review 时长、线上故障数。AI 的价值应该体现在这些结果上:同样的吞吐下缺陷率降了吗?同样的质量下吞吐升了吗?把 AI 占比和结果指标放同一张仪表盘上看相关性就够了,不需要单独考核。补充一个实践观察:AI 时代的有效指标可能是「AI 参与的 review 率」「AI 生成代码的回滚率」这类质量向细分——它们衡量的是「用得对不对」而不是「用得多不多」。总之:占比要采集(成本极低),放进技术委员会的季度健康度报告,永远别进个人绩效表。

怎样判断企业是在积累 AI 能力,还是只是在追热点?

紫风十五年服务端架构专家,用高可用承载亿级流量,用高性能支撑毫秒级响应。为业务增长提供坚实的技术底座。
看三个东西最实在。数据回流:用完之后有没有把线上真实 case 回灌成评测集和提示/工具资产,没有回流的基本是租来的能力,厂商一升级就得重新猜。失败处理:答错、超时、成本超预算时谁来兜,兜的方案是自己写的还是等厂商修补。人:有没有人专职做 eval 和 prompt/工具层维护,而不是让业务顺手写两句就上线。 追热点的团队指标都在讲调用量和覆盖率,讲不出 badcase 收敛曲线,也算不出单次任务成本。能力沉淀的团队反过来,能说清上季度哪类问题从 30% 掉到 5%,为此改了什么、谁在维护。 一句话判断:把模型换掉,业务还能不能正常跑。能跑,说明能力在自己手里。... 展开详请

谁合适转型 FDE?

售前擅长抓需求痛点;

开发擅长把明确的需求快速落地,即日达;

架构师六边形战士,遇事不决架构师上;

FDE 是换了名字的人力外包吗?

我们这一代,会不会真的是最后一代需要把代码写得很好的工程师?下一代工程师最核心的能力,又会是什么?

薛晓刚-

欧冶云商股份有限公司 | 数据库首席 (已认证)

腾讯云TVP、CCF数据库专委会执行委员、Oracle ACE-Pro、腾讯云架构师名人堂、腾讯云数据库MVP
现在有几种情况 1 学生们都开始在没有扎实基础和实践上大量使用AI。我前段时间做了一个大学生全国比赛的评委。作为唯一一个产业界评委,我看到了学生们勇于使用AI的精神。有的学生什么都不会,就靠使用AI从500多支参赛队伍中进入了决赛。在这个过程中也学习到了很多。这是值得可定的。只不过这些是比赛,不是实战。 2 在AI使用上老师可能不如学生的能力。所以老师们无法教很多实战(本来产学研也是脱节的),而理论知识现在AI下的理论都每个月层出不穷,处于一线实际的我们也应接不暇。所以这问题也会导致学生们只能靠天赋异禀了。 3 去年我就说过企业因为经营压力问题,使用AI替代初中级工程师。导致本来学生们出来可以慢慢实战积累经验的途径被中断了。也就是现在所说的无法就业。最终我们是技术上传承出现了断代。 4 也许有企业还能招收应届生,但是快速交付的节奏下,没有心思研究基本功。也是AI代为完成。只有极少数可能深耕。所以还是会断代。 5 有了AI学习自己之前不熟悉的领域的能力增强了。知道了怎么突破边界(因为自己知道边界内的细节也知道为什么自己无法突破边界),但是新生一代没有这种痛苦经历,应该是AI快速完成了。他们不知道细节。(极少数天赋和有异于常人的能去触碰这些传统工艺) 其他非技术原因: 1 当下很多企业或许不需要质量(当然这种想法在我们看来是不对的,所以他们不需要写的好,只要及格能用就行。企业焦虑要生存,要用进度和速度去拼抢市场。这其实是供需不平衡,增加进度不能带来营收,至少为了早一步吃蛋糕把别人饿死) 2 企鹅岛上我们对话,企业很多问题是技术以外的事情。技术部门和保安一个级别,我们也要跳出技术看。别太把自己当回事。除非是技术驱动或者技术为核心竞争力的公司。 3 也许本身我们就是翻译人员(既懂人话,又懂计算机的话)。但是随着AI取代同声传译,以后也不会有太好的同声传译一样。也许以后可能就没有这个专业了。 核心竞争力: 学习能力,通过AI学习各种能力。 沟通是项目管理最重要的能力没有之一。尤其在中国。沟通上在事情成败占比很大。有的需求可以通过沟通不做或者降低预期。比死磕技术难题来的容易。 设计能力。设计一小步的改变可能问题解决了一大半。当然这是基于沟通上说,我们这样改设计可以吗? 情商。就像同盟几个理事长一样,能融合本部各种技术人才。 心态。包容不同意见。讨论不争吵,冒犯时候也能克制很重要。这么多年我在这里吃了很多亏。很多事情看淡点也没什么不好。 以上胡说八道了一些,江哥多包涵。... 展开详请
现在有几种情况 1 学生们都开始在没有扎实基础和实践上大量使用AI。我前段时间做了一个大学生全国比赛的评委。作为唯一一个产业界评委,我看到了学生们勇于使用AI的精神。有的学生什么都不会,就靠使用AI从500多支参赛队伍中进入了决赛。在这个过程中也学习到了很多。这是值得可定的。只不过这些是比赛,不是实战。 2 在AI使用上老师可能不如学生的能力。所以老师们无法教很多实战(本来产学研也是脱节的),而理论知识现在AI下的理论都每个月层出不穷,处于一线实际的我们也应接不暇。所以这问题也会导致学生们只能靠天赋异禀了。 3 去年我就说过企业因为经营压力问题,使用AI替代初中级工程师。导致本来学生们出来可以慢慢实战积累经验的途径被中断了。也就是现在所说的无法就业。最终我们是技术上传承出现了断代。 4 也许有企业还能招收应届生,但是快速交付的节奏下,没有心思研究基本功。也是AI代为完成。只有极少数可能深耕。所以还是会断代。 5 有了AI学习自己之前不熟悉的领域的能力增强了。知道了怎么突破边界(因为自己知道边界内的细节也知道为什么自己无法突破边界),但是新生一代没有这种痛苦经历,应该是AI快速完成了。他们不知道细节。(极少数天赋和有异于常人的能去触碰这些传统工艺) 其他非技术原因: 1 当下很多企业或许不需要质量(当然这种想法在我们看来是不对的,所以他们不需要写的好,只要及格能用就行。企业焦虑要生存,要用进度和速度去拼抢市场。这其实是供需不平衡,增加进度不能带来营收,至少为了早一步吃蛋糕把别人饿死) 2 企鹅岛上我们对话,企业很多问题是技术以外的事情。技术部门和保安一个级别,我们也要跳出技术看。别太把自己当回事。除非是技术驱动或者技术为核心竞争力的公司。 3 也许本身我们就是翻译人员(既懂人话,又懂计算机的话)。但是随着AI取代同声传译,以后也不会有太好的同声传译一样。也许以后可能就没有这个专业了。 核心竞争力: 学习能力,通过AI学习各种能力。 沟通是项目管理最重要的能力没有之一。尤其在中国。沟通上在事情成败占比很大。有的需求可以通过沟通不做或者降低预期。比死磕技术难题来的容易。 设计能力。设计一小步的改变可能问题解决了一大半。当然这是基于沟通上说,我们这样改设计可以吗? 情商。就像同盟几个理事长一样,能融合本部各种技术人才。 心态。包容不同意见。讨论不争吵,冒犯时候也能克制很重要。这么多年我在这里吃了很多亏。很多事情看淡点也没什么不好。 以上胡说八道了一些,江哥多包涵。

假如明天把你们公司的全部源代码开源,或者干脆卖掉,你的公司还剩下什么?

AI时代,程序员的核心价值该如何度量和体现?

技术方舟

科大讯飞 | 资深架构师 (已认证)

江湖人称“山哥”,在数字化、人工智能、电商和金融等领域积累了丰富的平台架构设计经验

AI 时代程序员的关键转变是:借助 AI 加速能力释放,职能先左移更贴近用户并深入理解业务,后右移以交付结果为导向;同时纵深拔高,从“实现者”转向“设计者”,才能真正体现价值。至于度量与呈现应由组织机制来承接,组织管理也需同步优化,通过机制激励并推动程序员完成蜕变。

你有没有经历过 demo 很惊艳、上线很狼狈的项目?

养鱼的老猿子一个从2B转行到互联网,又从互联网再战2B的老鸟

哪个项目不是这样的?难道还有demo一般般上线很惊艳的项目?

AI时代,信息化、数字化究竟是智能化的基础,还是正在成为必须淘汰的历史包袱?

蝶恋香观察 、 思考、解决、反思...
结论:信息化、数字化仍是智能化的基础,但部分旧系统、旧流程正在成为包袱。 个人认为 AI离不开数据、接口、权限和业务规则,这些都来自前两者;没有它们,智能化只能停留在演示。但如果数字化只是把低效流程搬到线上、制造数据孤岛、让人围着系统转,AI只会放大低效。 真正该淘汰的不是数字化,而是“固化流程、堆叠系统”的旧数字化。未来需要的是开放、实时、可调用的数字底座。... 展开详请

中国 To B 交付,现在有了 FDE 加上 AI,到底有没有机会解开?

薛晓刚-

欧冶云商股份有限公司 | 数据库首席 (已认证)

腾讯云TVP、CCF数据库专委会执行委员、Oracle ACE-Pro、腾讯云架构师名人堂、腾讯云数据库MVP
说说个人愚见。题目是:中国 To B 交付,现在有了 FDE 加上 AI,到底有没有机会解开? 这里有几个关键字,中国 to B。好了我们就定语部分进行展开。要知道中国 to B。这和to B不一样。 就像足球和中国足球的区别一样。 FDE在有了成功案例,是客观事实。但是那是在美国。同样我们看微软、甲骨文。一个操作系统,一个数据库。都是美国赚钱的公司。 你再看看中国的操作系统和数据库公司。操作系统的公司是不是赚钱了我没数据。反正巅峰时候中国300多家数据库公司就3家盈利。而且现在健在的都不要巅峰时候一半了。 余窃以为这和文化等诸多因素有关。在欧美高度认同人的服务和知识产权。别说是商用产品,你就是用开源产品,找人服务同样有意愿付费。 而我国是用Oracle都不给钱的,用开源还付费?小兵张嘎中的台词:老子在城里下馆子都不给钱,吃你几个西瓜还要钱? 你和领导汇报开源不等于免费,这个是可以得到认可的。但是说买个服务?领导也会说开源也不意味着就一定要花钱嘛。 当你会一个开发语言和会5个开发语言薪酬是5倍关系吗?掌握一个技术栈和10个技术栈薪酬是线性关系吗? 好了基于以上的描述有没有异议?如果没有,那么我们看。 FDE这种在中国 toB能不能走通?可能极少数可以(毕竟国内还是有尊重人和知识的) 还有一点就是虽然基本上大家都不是技术驱动的公司,但是技术人不是别人的附属。先做到对技术人平等对待,才可能解决。 达到了一定条件,FDE是真的可以解决中国的 to B问题。... 展开详请
说说个人愚见。题目是:中国 To B 交付,现在有了 FDE 加上 AI,到底有没有机会解开? 这里有几个关键字,中国 to B。好了我们就定语部分进行展开。要知道中国 to B。这和to B不一样。 就像足球和中国足球的区别一样。 FDE在有了成功案例,是客观事实。但是那是在美国。同样我们看微软、甲骨文。一个操作系统,一个数据库。都是美国赚钱的公司。 你再看看中国的操作系统和数据库公司。操作系统的公司是不是赚钱了我没数据。反正巅峰时候中国300多家数据库公司就3家盈利。而且现在健在的都不要巅峰时候一半了。 余窃以为这和文化等诸多因素有关。在欧美高度认同人的服务和知识产权。别说是商用产品,你就是用开源产品,找人服务同样有意愿付费。 而我国是用Oracle都不给钱的,用开源还付费?小兵张嘎中的台词:老子在城里下馆子都不给钱,吃你几个西瓜还要钱? 你和领导汇报开源不等于免费,这个是可以得到认可的。但是说买个服务?领导也会说开源也不意味着就一定要花钱嘛。 当你会一个开发语言和会5个开发语言薪酬是5倍关系吗?掌握一个技术栈和10个技术栈薪酬是线性关系吗? 好了基于以上的描述有没有异议?如果没有,那么我们看。 FDE这种在中国 toB能不能走通?可能极少数可以(毕竟国内还是有尊重人和知识的) 还有一点就是虽然基本上大家都不是技术驱动的公司,但是技术人不是别人的附属。先做到对技术人平等对待,才可能解决。 达到了一定条件,FDE是真的可以解决中国的 to B问题。

甲方更需要FDE吗?

dongdonglog从 0 开始写博客,现在开始做一些AI工具、AI面试等等智能体,提供企业AI落地方案,以及自建算力集群/

现在来看 FDE 就像一个外包驻场到客户的全栈工程师,大多数甲方不想花太多钱来弄一个这样的存在,更或者说现在编制名额有限

在使用腾讯云 AI 模型服务时,如何有效降低 Token 消耗?有什么最佳实践可以减少不必要的成本支出?

提示词尽量准确,补充边界, 不给大模型发散、泛化的空间。

如何查看 MCP 工具入驻申请的进度?申请信息需要修改时该如何操作?

领券