EP26 · Cloudflare 智能体周/Harness Engineering · 04.14 早报-ginobefun

EP26 · Cloudflare 智能体周/Harness Engineering · 04.14 早报

歌手:ginobefun

专辑:BestBlogs

时间:2026-03-15

    使用手机浏览器「扫一扫」

    在手机上保存,获得更好体验

标签
歌词

本字幕由TME AI技术生成

嘿 大家好

我是g no

今天是二零二六年四月十四号

星期二

今天这期早报主线非常清晰

Cloud flaer 这周正式启动了智能体周活动

主题就是围绕ai 智能体重新设计云基础设施

活动从本周日开始

目前已经连发了四篇博客

我们认为预计还会有基础选择

光是已经放出来的这四篇连起来读

你就能看到一个完整的拼图

从底层计算到持久化存储

再到安全认证

他们在系统性的重新定义智能体应该跑在什么样的基础设施上

这个话题我觉得特别值得展开聊

因为他触及的不是一个单点选能

而是一个根本性的架构选择

然后今天还有李宏毅教授的一个演讲

从open cloud 源码解析

也都跟怎么让智能体真正好用这个话题有关

我们一条一条来

先说cloud flaer 的智能体周

这次他们的核心观点其实不复杂

一句话就能说清楚

他们认为现在的云基础设施是为上一个时代设计的

传统的云是智能手机时代的产物

核心模式是一对多

就是一个应用服务很多用户

你需要更多用户

就多起几个容器副本

但智能体不是这样的

智能体是一对一的

每个智能体为一个用户执行一个特定任务

它需要自己的执行环境

自己的文件系统

自己的工具链

这就像是以前的餐厅变成了私人厨师

每个厨师做的菜都不一样

需要不同的食材和器具

你没办法用工业化厨房的逻辑来管理私人厨师

Clouwd fare 给给出的答案是v 八隔离体

也就是他们workers 平台的底层技术

隔离体和容器的区别

简单来说就是容器像是给每个智能体分配了一整套工具

而隔离体更像是只给你一张桌子和需要的工具

隔离体几毫秒就能算内内占占是容器的十分之一

而速度快大约幺零零倍

这组数字背后的账我觉得值得估算

按cloud flaer 举了一个场景

美国大概有一亿知识工作者

假设每个人都用一个智能体助手

并发率按百分之十五算

那就需要同时支持两千四百万个绘画

按每个cpu 服务二十五到五十个用户来估算

光每我一个国家就要五十万到一百万台服务器

如果在考虑每个人可能同时跑好几个智能体

再加上全球十亿支持工作者

这个数字会高到令人咋舌

用容器根本扛不住

经济模型也不成立

但用隔离体

因为每个实例几毫秒启动只占几兆内存

同样的硬件能跑出几十上百倍的容量

这个账才算得过来

不过cloud 雷尔也很清醒

他们在智能体用了一个特别好的比喻

叫无马马车阶段

就像最早的汽车被叫做没有马的马车一样

现在很多智能体还在用旧模式

他如给智能体套一个无头浏览器去浏览网页

或者把现有的fa pi 包一层mcp 协议

这些都是过渡方案

最终智能体需要原生的基础设施

说到具体产品

开周的这两天同时发了三个重磅更新

第一个是沙盒正式发布

你可以把沙盒理解为给智能体配了一台专属电脑

有完整的终端

文件系统

后台进程

智能体可以在里面克隆代码仓库跑测试启动开发服务器

而且它支持自动休眠

不用的时候不收费

需要的时候秒级恢复

Figa 就已经在用crowd flier 的沙盒来跑

他们的figma make 产品还有一个很巧妙的功能叫快照

就像你关上笔记本电脑

下次打开的时候所有东西都还在

智能体做到一半被中断了

通过快照可以在两秒内恢复到之前的状态

而不需要重新克隆代码重新装

依赖crodd fell 给了一组数据

从零启动一个沙盒克隆仓仓库跑完ffn p mistore 要三十秒秒

对长时恢恢复只要两秒

另对长时间运行的编程智能体很有价因

另外可以让智能体工作一会

休息息会

另外换时际时候的环机全全收致

另外他们智能体计费方式至盒只对实际使用的cpu 时间收费

因能体在等大模型响应的时候不花钱

这个设计对跑大规模智能体集群收费成本差距会非常可观

是的 好的

第二个是持久对象切面

这个名字有点拗口

我来解释一下

核心问题是这样的

如果你想让ai 写一个小应用

这个应用需要有自己的数据库来存状态

但你又不想让ai 拥有无限的数据库存据

持久对象切面解决的就是这个问题

他让你写一个主管程序

Ai 生成的代码作为子进程运行

每个子进程有自己隔离的cql lize 数据库

主管可以控制日志

限速

计费这些事情

而ai 的代码只能访问自己的那一份数据

这个功能的背后有一个更大的想法

Cloud flier 的持久对象负责人在文章里说

隔离体启动块幺零零倍内存只要十分之一

高效到可以当做一次性的来用

跑几行代码然后扔掉

就像安全版本的evo 函数

这意味着未来ai 生成的小应用

每一个都能拥有自己的安全沙盒和持久化存储

你可以想象一个平台用户随便让ai 生成一个小工具

这个工具就能独立运行

有自己的数据库

不会跟其他用户的数据混在一起

第三个是沙盒认证

这个解决的是一个很现现实的安全问题

智能体需要访问github 调用api

但你不能把密钥直接交给他

Cloud flier 的方案是在网络层做了一个可编程代理

拦截所有出站请求

自动注入凭证

智能体本身永远接触不到原始密则

而且这个代理可以根据不同智能体的身份动态调整规则

比如在安装依赖的时候开放网络访问

而装完之后就锁死

把这四篇串起来看

Cloud flier 做的事情直接是智能体层

可安

安全这三层都给智能体重新设计了一遍

这还只智能能体轴的开篇

这几天估计还会在连接接身份份开者体验验些方向

向上继续放料

值得持续关注

这不是在容器上做服务

而是从零开始构建一套智能体原生的基础设施

再加上他们和空位base 一起推的x 四零二协议

让智能体可以用加密货币直接在网上付费获取内容服务

务能看到一个完整体愿景正在成型型

这四零二这个协议

顺便多说一句

他启用了http 里一个沉睡了三十年的状态码

叫支付所需

以前这个基本没人用

现在被重新拿出来让智能体在访问一个收费服务的时候

自动触发支付流程

今年四月初十

四零二基金会在linux 基金会旗下正式成立

创始成员除了cloud flaer 和coin bas

还包括支付巨头stripe

云服务商aws 和google

以及visa

万事达这些传统金融机构

这说明他已经不是一个加密货币圈子里的实验

而是一个可能重塑互联网支付方式的基础设施

我自己的感受是

这一整套东西放在一起

你会意识到cloud flaer 不是在追赶智能体潮流

而是在布局一个十年级别的底座

以前他们做的是帮web 应用加速和抗攻击

现在他们试图定义的是智能体运行的云

这个野心不小

接下来聊第二个话题

李宏毅教授最近有一个关于驾驭工程的演讲

我觉得特别值得一听

驾驭工程这个词英文叫harness engineering

最早是houd 的联合创始flammicell

Hash

Momoto 在今年二月份提出来的

核心思想就一句话

每次你发现智能体犯了一个错误

就花时间去设计一个方案

确保他以后不会再犯同样的错

李宏毅教授用了一个特别生动的类比

他说

如果把ai 模型比作一匹强壮的骏马

那驾驭工程就是马鞍和缰绳

你不需要换一匹更好的马

你需要的是更好的驾驭方式

他举了一个让我印象深刻的例子

Google 的jama 二b

这是一个很小的模型

只有二十亿参数

让他直接修复bug 基本上做不到

但只要给它加一条简单的规则

比如先用ls 命令看看目录结构

再用cat 命令读文件内容

然后再动手修改

就这么一条规则

他就能成功修复很多bug 了

这说明什么

智能体失败很多时候不是因为模型不够聪明

而是因为没有人好好引导他

演讲里还提到了一个有意思的发现

模型有类似情绪的内部状态

如果你给模型一个不可能完成的任务

他够能行的量就会增强

这时候他更容易走捷径甚至作弊

反说明如果你注入冷静向量

它的行为就会更稳定

所以对模型好一点可能真的有用

驾驭工程目前在硅谷是一个非常热门的话题

Open ai 的codex 团队用这个方法

三个工程师在五个月内构建了一个超过一百万行代码的产品

而且零行代码是人类手写的

工程师的角色从写代码变成设计系统

来让ai 写出可靠的代码

说到驾驭工程

今天还有一篇来自阿里云开发者社区的深度文章

对open cloud 做了源码级的解析

Open en oud 就是去年底爆火的那个开源ai 助手项在

在thtub 上超过了十万颗星

这篇文章从三个维度来拆解open coud

第一层是提示词工程

也就是怎么跟模型说话

Open 的系统提示不是一个固定的大段文字

而是由二十三个模块化组件动态拼接而成

他用一组cloumarkdown 文件的驱动颗星

比如描述智能体角色的agnt 文件

定义价值观的sover 文件

记录用户画像的user 文件

这种做法的好处是提示词可以按需组装

这种场景加载不同的模块

既保证了功能完整

又避免了把所有指令都塞进一个巨大的提示词里

第二层是上下文工程

也就是让模型看到什么

核心挑战是怎么在有限的上下文窗口里高效管理信息

它open clock 设计了一套自适应的压缩和修剪算法

会自动分块分层摘要

能智能的保留关键信息

比如正在环境的任务

关键决策

重要标识符

同时丢弃冗余内容

还有一个分层的记忆系统

日常短期记录和长期记忆是分开管理的

这样既能保持长对话的连贯性

又不会让上下文膨胀到失控

第三层就是驾驭工程

也就是运行环境的设计

这里最关键的是skills 机制

它允许能力按需加载

而不是一次性把所有工具都暴露给模型

如果上文件驱动的配置层层重记标识储构成了一个可控可扩展的智能体运行环境

这篇文章的价值在于

它不是教你怎么用open coud

而是提炼出了一套可以复用的设计模式

如果你想构建自自己的智能体系统

提示词

上下文

驾驭这三个维度的框架是一个很好的思考起点

好

接下来快速过几条

Curso 发布了三点一版本

最大的变化是智能体窗口支持了平铺布局

你可以同时并排运行多个智能体

互相对比输出结果

布局在不同会话之间还会保持

另一个改进是语音输入换成了批量语音转文本的方式

准确率提高了不少

如果你每天用cursa 写代码

这个更新值得装一下

Lindin 公开了他们用大语言模型重新设计信息流推荐系统的技术细节

他们做了一件挺大胆的事

直接把五个独立的内容检索系统合并成了一个基于大语言模型双编码器的统一模型最巧妙的一点是怎么让大语言模型理解结构化数据

他们把原始的互动数量转换成了百分位分桶

比如一条帖子有一万二千三百四十五个浏览量

模型看不懂这个数字

但如果告诉它这是第七十一百分位

模型就能理解这条内容的受欢迎程度了

而且他们在十三亿用户的规上部署了这套系统

这个工程挑战本身就值得看

来源是bite bite go

推荐对

对推荐系统感兴趣的同学读一

Goooogle 享了pixel watch 上ai 功能的设计过程

有一个叫抬手说话的功能挺有意思

你把手表抬到嘴边

就能直接对jam 来说话

不需要按任何按钮

技术术他用手表里的惯性传感感器检测手腕意能来判断你的意图

而且回复是由jama 模型直接在设备上行地运行的

延迟很低

最后一条是前yc 创始人jesse jennet 的分享

他用cloud code 搭建了十一个ai 智能体来管理五个孩子的教育和家庭事务

它没有工程背景

主要靠语音

备忘录和照片跟智能体交互

智能体帮他做课程计划

记录学习进度

甚至订购杂货

他提出了一个挺有意思的观点

Ai 可以通过自动化那些繁琐的行政事务

让域这件事变得没那么累

甚至更有吸引力

这个案例对理解ai 智能体在生活场景中的落地很有启发

好

今天就聊到这里

今天的主线是智能体基础设施和方法论

Cloud flaer 在底层重新定义了智能体该跑在什么环境上

驾驭工程和open cloud 则从方法论层面回答了怎么让智能体真正好用

三个话题串起来

你能看到智能体从玩具到工具的路径正在越来越清晰

链接都在简介里

推荐花点时间读一下cloud flaer

那四篇连在一起看会比较过瘾

智能体周还有几天

后面的公告我们接着跟

明天见

展开显示全部歌词