搜索[重构]结果-低调大师优秀个人博客

精选列表

搜索[重构]，共10001篇文章

移动前端框架重构几个关键问题

总结这几个问题是在公司框架重构想起的，感触最深的问题。本文为原创文章，转载请保留原出处，方便溯源，如有错误地方，谢谢指正。

2017-11-11

如何用微服务重构应用程序

在决定使用微服务之后，为了将微服务付诸实践，也许你已经开始重构你的应用程序或把重构工作列入了待办事项清单。

2017-11-11

当我们把制造业与工业软件放在一起讨论时大家最先想到的是制造业信息化的问题，现在我们国家的工业软件信息化已经走过了终端普及、网络普及的阶段，正在向与软件业深度融合这一阶段发展。所以工业软件如何创新新的产品、为制造业提供怎样的解决方案，这成为与工业软件向制造业渗透并改进制造业服务商业模式的关键。数字化转型：数字的竞争力是关键数字化转型过程当中，数字的竞争力就成为竞争的焦点。围绕数字化转型和数字化竞争，推动了一系列的重大的举措。制造业发展，已经不是过去简单的机械化、自动化、信息化的时代，而是高度的制造基础和信息技术的契合，比如：工业互联网、能源互联网以及产业互联网。制造业信息化是以信息世界与网络计算为基础，然而网络计算、感知计算和智能计算，核心是基于对数字的理解和分析能力，所以数字的精准化的分析和理解成为数字化转型的关键。数字化转型新四基：一硬，一软，一网，一平台一硬指的是硬件，硬件的自动控制和感知技术是数字化转型推动的基本内容。一软指的是软件，可以说软件是经济的一个重要部分，降低维护成效和有效的提供服务支持的重要的软件系统。一网就是工业互联网或者产业互联网。一平台就是工业云和智能服务平台。在未来发展进行数字化转型和推动能力建设的新的过程当中，需要抓住一软、一硬、一网、一平台来配合。互联网化是企业信息化发展的新阶段科技的最具代表性的是互联网科技，所以企业都在像互联网企业转型成为被软件定义的企业。从金融角度看，在信息化与工业化之后企业都在向着金融化发展。企业的发展经历了三个重要的时代，一个是制造时代，以制造为核心;其次是营销时代，以销售为核心的时代;最后是企业现在正进入的创新时代，在创新时代里企业创新离不开的是互联网。因此互联网化是企业信息化发展的新阶段。支撑企业互联网化的关键技术支撑企业互联网化的关键技术是移动互联网、云计算、大数据还有人工智能。但部署的形态主要还是公有云、私有云、混合云。企业在推进互联网化过程当中，有四个特别焦点的应用领域，首先要考虑的是数字营销和客户服务，专门面向客户层面;其次是社交和协同办公，最后是智能制造。软件支撑定义制造业的基础作用体现未来软件在制造业到底扮演什么样的角色?强化软件支撑定义制造业的基础作用，这个作用如何体现?第一个，软件支撑和定义的产品。第二个，软件支撑和定义的流程。第三，软件支撑和定义的生产方式。第四，软件支撑和定义的新型能力。第五，软件支撑和定义的产业生态。从软件定义产品的角度来说，第一个它丰富了产品的功能。第二个，它正在重新定义产品的结构。打造智能生态平台打造智能生态平台，形成智能生态。首先一定要面对行业，将行业整个的生态链集合在平台上，为企业需求与社会资源打造中间桥梁。其次要将交易平台化，基于行业的特征，把行业的需求和行业背后加工的智能工厂，无缝的串联起来。将物联网和人工智能应用到工业从宏观上，工厂信息的可视化，设备的自动化，主动的维护，能耗的管理，以及跟供应链的关联。通过对设备、产品的跟踪，标识和跟踪它们完成自动化的生产过程。智能制造，可能一个工厂是最核心的，它应该涵盖了整个制造的产品全生命周期，价值的整个全产业链。从微观上来说，工业创新的东西，做一些认知计算和人工智能的分析都要依赖于数据，数据是非常非常可信的。制造企业，必须去做一些生产过程中的数据采集，从数据的收集做起。企业会用到很多先进技术，包括大数据分析、云计算、物联网、移动互联网，包括安全相关的管理方案，都是非常重要的，但是核心的是认知计算、人工智能的东西。本文作者：刘晓旭来源：51CTO

2017-08-01

驱动重构SDN/NFV奠定未来网络基石

SDN和NFV是对传统网络架构的重构，给运营商的网络形态与运营带来全新的机遇和挑战。有观点认为，未来5~10年，通信网络将逐步从传统电信网络向SDN/NFV、全光网络演进。

2017-07-31

5G时代，网络将如何重构？

在日前召开的“网络重构与5G技术研讨沙龙”上，来自业界各方的嘉宾对于这些业界关注的重点问题展开了思想碰撞，论道5G网络重构。 5G，革命性变革开启 “5G时代，网络架构将发生革命性变革。”

2017-07-31

用云计算重构CFO的管理世界

“小咖秀”的App，开发第一版仅花了2天时间。而它从默默无闻到成功登上App store总榜第一名，也仅仅用了2个多月。这并不是个例。目前越来越多的创客者开始采用云计算实现从“0”到“1”的突破。仅阿里云计算平台，就支持了小咖秀、脸萌、唱吧、超级课程表、Face＋＋、魔漫相机等众多应用短时间内在网络迅速走红。据相关数据显示，企业选择采用公共云平台后，计算成本降低了70%，创新效率上升了高达300%。利用云的方式，创业者不仅降低了投资风险和试错成本，更能成功抓住创业“窗口期”。时间是最大的成本，每一秒都是机会把服务器当作一个成本去看待——做好预算、拨出钱、买来机器、装好软件。年复一年，傻大黑粗的服务器自然而然就是一个成本中心了，从财务角度来看也是如此，不断折旧、不断呼叫供应商更换部件。可其实我们要的是计算能力，而不是那些看得见的硬件。云计算刚好就是一种返璞归真的过程。它把原先要买的硬件归真为计算资源，要多少用多少，随时随地增加或者减少。而企业只要安心做好自己的核心竞争力就好了。从自己去购买抽水机和蓄水桶到直接使用自来水，这就是云计算与传统IT的差别。在选择云计算服务的时候，一类企业专注于对比自己购买服务器和云计算的费用差别；另一类则在不同云计算厂商中以价格来遴选。这其实是同一类思维，都是对的，但都是不健康和不全面的。购买服务器的费用是算得出来的，也是可以对比的。但是运维人员的投入（而且是逐年提高）与云计算逐年降低的花费之间的趋势关联，真正能看到的人却不多。更何况，云计算因为其弹性，抛开这点谈成本就是毫无预见性。在当前的高强度竞争环境下，要么快速崛起，要么很快落寞，无论何种对资源的需求都是弹性的。云计算，作为一种集体的智慧，如今更成为IT界炙手可热的话题、这个日新月异的时代企业发展的关键。它其大无外——从气象预测到石油勘探，只有你想不到，没有阿里云做不到；其小无内——从异地仓库管理到员工差旅报销，阿里云精微细致。而云计算和所有商业的本质一样，使用户以最低的投入获得最高的产出，是生产力与生产关系发展的必然，是经济进步的必然产物。有人说，未来是云计算服务的时代，企业不再需要购买庞大的设备，只需要以互联网服务的形式接入到云计算平台，进而获取企业所需要的计算能力。每一分投入，都花在刀刃上 CFO是企业的股肱。独立的判断力、超强的商业意识、对业务的透彻理解力、在资本市场游刃有余的运作以及战略性的眼光是一明优秀CFO的必备素质。他通过财务的手段实施战略层面的操作。如对企业运营的把控，投入产出的核算，企业内部组织建设，以经济权责协调好员工与企业关系，激发员工工作积极性，提高企业的运营效率，加强公司经济管理，提高经济效益，协调好企业与投资者关系，通过兼并收购将公司的战略用最低成本实施出来等等，都是CFO需要面临并解决的重要问题。云计算不需要硬件投入，只有管理成本，而且是可控的，成本的投入和风险可以得到极大的压缩。传统计算模式下，本地人员的费用、异地人员的费用、IT部门的费用等都是成本管理的关键。而云计算是轻IT，无需更多人员。仅这一项阿里云都成为了CFO的左膀右臂。云技术日渐成熟，这种情况已达到一个转折点：Gartner的最新报告指出60%的企业表示会将云计算作为第一选择方案，或是当存在在多个解决方案时，他们将果断选择云计算。运营成本的降低、云计算的弹性扩容优势、即插即用、节约成本，云计算的效能比传统计算提高6倍。打破高成本、低效率魔咒，突破技术壁垒，企业云计算的策略是将IT成本转换成IT价值。传统企业购买服务器、存储、弱电、机房等资产，投资3-5年就会折旧变零。不仅这些是成本，固定资产必然还有管理成本，这些在财务预算报表中都将成为CFO需要考量的关键。云计算对中国市场的席卷效应，缘于更低的运营成本。在使用了阿里云的服务后，数据分析和预测的成本将降至原有的10%，数据技术将变成普惠的技术能力。 1、中石化与阿里云 2015年年中，中石化专门成立了技术处负责共享平台的规划，并建立了订单中心、用户中心、支付中心、物流中心、呼叫中心等几大模块，使数据在各自的专有云共享中心自由流通。这样做的最大好处是子公司可以快速复用，如果某个平台需要扩大，不用牵一发而动全身，而是哪一模块需要就扩充哪一块，复用的IT成本仅占总成本的10%以下。 2015年4月1日，中石化上线了电商网站“易派客”。该网站脱胎于物资装备部交易网站，中石化的所有生产、运营、设备等材料皆由该部门采购完成。阿里云利用沉淀多年的双11架构体系为中石化量身定制了“去中心化”的分布式应用服务框架，通过EDAS、MQ、DRDS等中间件产品，在业务逻辑层面提供了足够的线性扩展能力，解决了旧网站响应慢，成本高等问题。利用共享平台的用户中心、订单支付模块，“易派客”从立项到上线仅用时3个月。截止目前，已经有25647家供应商、1615家采购商、总注册用户93359个。在易派客上提供的商品总数15.3万个，累计交易总额达137亿元，并且以月均近12亿的速度增长，总体货源充足，门类齐全。 2、华大基因与云计算华大基因官网2月23日宣布，其在阿里云计算平台部署的服务产品BGI Online国内beta版本正式上线，这是首个完全部署在阿里云上的大规模生物信息分析平台。用户可以在BGI Online上访问自己的数据，获取标准分析结果，也可以定制个性化的数据分析方案，并与其他授权用户分享数据和成果。BGI Online 将会吸引第三方应用开发者和数据分析服务厂商，将其应用整合到公共平台中，最终打造成为基因平台APP Store。另据介绍，华大基因将于近期召开中国生物信息与云计算产业联盟筹备暨开发者大会，与开发者共享行业发展成果。据上海证券报2月24日消息，华大基因已预披露IPO申报稿，拟在创业板上市募资17.32亿元。募投项目包括云服务生态系统建设项目、医学检验解决方案平台升级项目、精准医学服务平台升级项目等。公司此次发布的新产品BGI Online，借助最先进的云计算技术，使得生物信息分析和数据管理能力变得更容易获取，极大降低了平台用户和华大的基因数据分析成本，为即将到来的基因大数据时代提供了高质量的基础设施。 3、众安保险与阿里云众安保险在业务初期即根据互联网保险小额、海量、高频、碎片化的特点，经过半年多时间的努力将自有核心系统架构在阿里金融云上，并通过保监会合规审查，开创了行业先河。如今，众安保险的员工人数已经超过300多人，其中研发人员有100多人，占了将近一半。借助强大的研发能力和灵活的技术模式，众安的产品上线周期可以缩短到两周，创新成本极大降低。新产品能够低成本快速上线，不断迭代更新，得益于云计算弹性可拓展的特点，众安保险才能够以轻资产的IT模式应对业务的爆发性增长。2014年，众安保险护航双11当天保单数超过1.5亿，当天保费规模过1亿元。这意味着平均每分钟需要处理9.7万个保单。这是对众安数据处理及服务能力的一次综合检验。 Excel财务分析报表，很快将进入博物馆从战略发展层面来看：企业并购、扩张时数据是否准确可靠、部署的速度是否更快，这些都是严苛的考量标准，也是企业发展的关键。从业务层面来看，公司财务运营是否平稳，人力成本、仓库管理、项目决策、产品从投入到产出的成本管理等种种繁琐的财务事项在云计算应用的时代都是易如反掌的事情。利用数据，提高项目投资决策的准确率，提高预测能力，减少被动业务管理，迅速帮CFO节约计算时间，成功实现开源节流的目的。如下图所示：阿里云通过兴元报销管理系统、快乐+、全程FAS财务会计软件、恒泰代账会计云、普及财务等产品分分钟搞定CFO繁琐的难题。阿里云可以直接降低财务成本，实现CFO价值最大化。选择足够健康的云计算服务商是企业投入的一份保险。随着云计算在金融、教育、物联网等众多行业领域的运用，作为经济社会的基本个体，企业如何快速上云已成为管理者必须考虑的问题。阿里云运用云计算和大数据的手段处理公司财务分析。众所周知，财务分析与业务数据密切相关，而传统基于EXCEL的工作方式已经无法解决业务产生的海量数据，但是通过阿里云强大的大数据计算平台却能在最短的时间里完成工作，效率提升数倍。先预见危机，才能赢得先机 5月12日，在2016 ACCA（特许公认会计师公会）亚太系列峰会上海站，阿里云财务总监徐铮铮曾指出：“未来，日常财务分析工作的50%将由云计算和大数据替代。” 在云计算和大数据的背景下，CFO人群也将有新的使命——即通过上云这一信息化的手段，打通数据孤岛，推动业务创新。但通过云计算，困扰许多CFO的“信息孤岛”问题可以得到妥善解决——大量的数据在不同的信息系统下连接达到共享效果。通过大数据可以将财务分析实时化，分析结果可视化，解决财务数据分析滞后的问题。徐铮铮介绍，阿里内部已经打通了数据生产的全链条，建立起风险预警平台，并通过数据的手段及时洞察财务内控风险，防范于未然。云计算最重要的特性是平台化、共享性。与很多云计算服务商不一样，阿里云有自己的金融级海量数据库OceanBase承载。OceanBase由阿里巴巴自主研发，是中国首个具有自主知识产权的数据库，也是全球首个应用在金融业务的分布式关系数据库。在中国，从创业公司到大型央企，越来越广泛的企业群体选择云计算作为商业创新的基础设施。如中石化、中石油、12306、海关、国家电网、北京国税、新浪微博、芒果TV等大型企业和政府机构。就连中国气象局、华大基因，都在利用阿里云的计算和数据能力，在气象应用、生命科学等领域进行科技创新。根据财报的数据，截止今年3月31日，阿里云拥有超过230万用户，其中付50万的付费用户支撑起了30亿营收。从占比上来说，有专家预测接下来两、三年，中国40-50%以上的企业都会向云计算转移。因此，未来阿里云的付费用户增量将如同水下冰山，潜力巨大。此外，阿里云的全球化进程已经开启。这些阿里云的独特优势，都将成为未来加入企业的强势共享资源。未来CFO的价值不仅仅在于把控企业的财务运行状况、维持企业与投资者的关系，更重要的还在于灵活运用新科技、新技术，从财务的角度推动整个公司的业务创新，帮企业创造更大的价值。本文转自d1net（转载）

2017-07-02

LXD —— ubuntu 基于 LXC 容器技术的重构

LXD 是 ubuntu 基于 LXC 技术的重构，容器天然支持非特权和分布式。 LXD 与 Docker 的思路不同，Docker 是 PAAS，LXD 是 IAAS。

2017-06-04

JevAgentHarness深度解析，级联决策如何重构 Agent Harness

![image.png](https://developer.qcloudimg.com/http-save/yehe-2945476/8d27bde4b72315fc2292381e108aae79.png) 有阵子我盯着自己搭的那个 Agent 日志，越看越别扭。用户说了一句"帮我查一下上个订单到哪了"，它的表现是这样的：先吭哧吭哧吐出一大段自然语言，煞有介事地分析用户意图，然后列了三五个候选，再论证一番为什么选查询订单这个工具，最后才动手。整个过程看着很专业，但你拆开看，它为了做一个"选 A 工具还是选 B 工具"的决定，把整台大模型的推理能力都点亮了。你想想这个场景。选个工具而已，本质上就是一个选择题。可我们现在习惯的做法，是让一个几十上百亿参数、每次推理都要烧钱烧时间的大家伙，来处理这种单选题。就像你去银行办业务，明明在窗口填个单子就行，非要请一个金融学教授过来，先给你讲一遍宏观经济学，再帮你把单子勾了。这不是矫情。做 Agent 的人都知道，推理成本里很大一块，就是浪费在这种"高射炮打蚊子"的决策上。用户一句话进来，循环要转好几圈，每一圈都要完整调用一次大模型。哪怕只是判断"现在该不该结束任务""这个参数填 true 还是 false"，都得走一遍完整的生成流程。量一大，这笔账就很吓人。这篇文章想聊的东西，就从这个"别扭"开始。UIUC、Princeton 和 Google 那帮人发了一篇论文，名字挺长，叫《JevAgentHarness》，核心思路一句话就能讲完：让一个小模型去干 Agent 循环里那些高频、明确、可以写成选择题的活，大模型只管那些真正需要思考的复杂事。实验数据也拿出来了，在特定任务环境下，成本降了 81.1% 到 89%，执行速度最高提了 2.5 倍，任务成功率跟原来比，损失控制在预设的三个百分点非劣性界限以内。听着像又是一个"用便宜货顶替贵货"的老故事？一开始我也这么想。但往下读完，我发现它真正有意思的地方，不在降本，而在它对 Agent 架构和模型训练方式的那个探索方向。这篇我就按我自己读下来的感受，一条一条掰开讲。 ## 先说说，Agent 循环里到底塞了哪些活我们大多数人对 Agent Loop 的理解，其实是一锅烩。用户抛个任务过来，大模型读一下当前状态，决定下一步做什么，调工具，拿结果，再丢回给大模型继续判断。这个圈转起来，大模型同时干着两类完全不一样的工作。一类是真·复杂的推理。理解用户那句没说出口的潜台词，面对一个从没见过的报错想办法，把一个笼统目标拆成能落地的计划。这些活，确实得靠大模型那种"什么都会一点"的本事。另一类，其实是相当机械的决策。选哪个工具，枚举参数填哪个值，这次结果要不要反思一下，任务到底完没完成、该不该收尾。你仔细想想，这些操作几乎都能翻译成一道选择题。候选就摆在那，ABCD，你选一个。问题就出在这。我们一直在用处理第一类工作的工具，去处理第二类工作。论文里给这种"专门做选择题的模型"起了个名字，叫 Decision Model，也就是决策模型。它不生成大段自然语言，输入当前状态和一堆候选选项，直接输出每个选项的概率。比如三个选项摆在那，查订单、取消订单、向用户询问，它可能直接给出 0.92、0.05、0.03 这样一组数。Harness 看到置信度这么高，拍拍板就用它了，根本不用惊动大模型。这个思路我觉得挺顺的，谁都能理解。可真正让我开始纠结的，是下面这个反常识的实验结果。 ## 最让我意外的，是会做题却干不好活的模型论文搞了个评测基准，叫 AgentDecisionBench，把决策模型的水平分成了三个层次来测。 L1，独立问题准确率。给你一个孤立的问题和一串候选工具，看你选得对不对。这基本就是在考"会不会做题"。 L2，执行轨迹准确率。把你塞进一个真实 Agent 的中间状态里，看你在那种上下文里能不能做对决定。这开始有点接近实战了。 L3，完整任务成功率。让你真正去控制一个 Agent 从头跑到尾，看最后到底把用户的任务完成了没有。三个层次测下来，那个对比特别打脸。有个叫 StartLux-9B 的模型，在 L1 独立工具选择里准确率冲到 92.2%，看着是不是很厉害？结果真让它上场跑完整任务，成功率只有 69.5%。反过来，论文自己训练的那个 AgentDecision-4B，独立准确率只有 89.3%，看着还没前者高，完整任务成功率却到了 91.5%。你品品这个落差。为什么单步都选得挺对，一放到真实任务里就垮了？我想来想去，核心就一句话，Agent 的决策是连续的，是有状态的。一次选错，不是扣一道题的分，而是把后续所有的状态都带偏了。打个比方，你还没拿到用户确认，就手一滑把"取消订单"这个动作发出去了。这一步错了，后面你每一步都对，也救不回来，订单已经没了，木已成舟。所以真正靠谱的决策模型，光会挑工具远远不够，它得读得懂当前执行到哪一步了，知道什么时候该停下，什么时候该回头问用户一句，以及闯了祸之后怎么接着往下走。单步准确率高，不代表能把整件事做漂亮。这个点我觉得挺值得拿出来说的，尤其是现在大家对 Agent Benchmark 的态度。我们过去习惯了考模型"会不会做题"，给一堆静态测试题打分会很爽，但模型进了真实执行环境、踩了真实的坑之后表现如何，反而没怎么被认真对待。这篇论文等于在提醒我们，光看纸面分数，是会骗人的。 ## 让模型自己掂量掂量，拿不准再请大模型讲清楚了"为什么需要决策模型"，就得讲怎么用。论文给的方案叫 Cascade，级联决策。机制本身很直观：Agent 要做一个决定的时候，先让小模型上。小模型给出一个选择，还附一个置信度。这个置信度够高，过了阈值，就直接执行。够不着阈值，说明小模型自己也心虚，那就把这道题交回给大模型。真正讲究的，是那个阈值怎么定。这个要是拍脑袋定，方案就废了。论文的做法是让决策模型先以 Shadow Mode，也就是影子模式，参与 Agent 跑。什么意思呢，小模型在旁边同步做预测，但它猜得再准也不真的动手，纯粹在旁边看着，不影响实际执行。系统就这么安静地攒数据，把它的每一次预测、每一个置信度、以及真实的执行结果都记下来。攒够了，再回头算，这个 Agent 的每一个决策点，到底该设多高的阈值才合适。还有一个点我觉得设计得挺细，就是不同的决策，犯错成本是不一样的。查个订单，选错了工具，大不了重跑一次，无伤大雅。可要是删文件、取消订单这种操作，一个判断失误，代价就很肉疼。所以不能搞一个全局统一的阈值，得让高风险的操作要求更高的置信度，宁可多麻烦大模型，也别让它拍脑袋。论文还专门验证了"谨慎是有必要的"。有一组实验，让 Jev 从头到尾负责工具选择，一步不落，结果成本确实省了 67%，但任务成功率哗啦掉了 19 个百分点。省下的钱全拿来赔正确率了，这不划算。换成用执行轨迹校准过的级联方案之后，在对应的 500 个测试任务上，成本降了 14.2%，任务结果一个都没变。再换上专门训练的 AgentDecision-4B，组合拳打下来，成本降 81.1%，还通过了成功率非劣性检验。这套东西的逻辑，说白了就是让 Agent 一点点把自己擅长、风险又可控的那部分决策，交给更轻量的模型去扛。大模型退到后面，只在真正需要它的地方出手。这个"掌控权的分层"，我觉得才是这篇文章最值钱的想法。 ## 数据里最值钱的，是那些翻过车的片段前面讲的都是"怎么用"，论文里真正硬核的，是它怎么训这个 AgentDecision-4B。模型底座是 Qwen3-4B，用 LoRA 微调出来的。这些不稀奇，稀奇的是它的训练数据怎么来的。研究团队从 587 个任务里，收集了 15,694 个决策状态，而且特意保留了其中 30.9% 来自"Agent 已经犯过错"的轨迹。这个 30.9% 我反复看了好几遍，越想越觉得有讲究。你想，真实世界里跑的 Agent，哪有那么听话。它可能选错工具，可能跳过了关键步骤，可能碰到一个莫名其妙的异常结果，然后就钻进了一个训练数据里压根没出现过的状态。如果你训练的时候只给正确轨迹，模型会很擅长回答标准考题，但你真把它扔进执行现场，它遇到一个意外状态就两眼一抹黑，不知道该怎么办了。所以专门把那些"翻车之后"的状态留下来，就是在教模型，你不但要学会走正路，还得学会在走岔了之后怎么爬回来。这个视角，比"堆更多正确答案"要高级得多。然后就是训练方法上的对比，结果也挺有意思。研究者先用 Jev 的决策分布和任务标准答案搭了一套监督数据，做了 SFT，然后再尝试用 GRPO，在完整的 Agent Loop 里去优化任务成功率和模型调用成本。结论是，光靠 SFT，就把一个训练配置的完整任务成功率从 13.5% 拉到了 96.0%，后加的 GRPO 几乎没有带来额外的提升。更有意思的是后面那个对比。继续往训练数据里塞通用的工具调用数据之后，模型的独立测试准确率确实是涨了，可完整任务成功率反而从 96.0% 掉到了 91.5%。你品品这个反差，为 Agent 真实状态量身打造的数据，比盲目堆通用数据要有用得多。这也侧面说明，我们做 Agent 模型微调的时候，数据来源的"对口"程度，可能比数据量还重要。当然，模型也不是万能的，泛化短板明晃晃摆在那。面对训练时没见过的业务规则，未经适配的模型，任务成功率能惨到只有 3%。所以决策模型这东西，不能训一次就扔那不管，得跟着你的工具集、业务规则和任务分布一起，持续评测、持续适配。它是个要长期养的活物，不是一锤子买卖。我把这套流程稍微画一下，你就明白它在说什么了。 ``` # 一次典型的级联决策 def decide(state, candidates): probs, conf = small_model(state, candidates) # 小模型先上，给出概率和置信度 if conf >= threshold_for(decision_type): # 阈值按决策类型和错误成本校准 return top_choice(probs) # 把握够大，直接执行，不动大模型 else: return big_model(state, candidates) # 把握不够，把决定交回大模型 # 影子模式负责校准阈值 shadow_run(agent, decision_model): for step in agent: pred = decision_model.predict(step.state) # 只预测，不真正执行 log(pred.confidence, step.actual_outcome) # 攒预测、置信度和真实结果 threshold = calibrate(logs) # 算每个决策点的合适阈值 ``` ## Harness 会不会成为下一个训练入口读完整篇，我脑子里冒出来的其实不止降本这一个点，还有三个方向，我觉得挺值得琢磨的。第一个方向，Agent 的架构可能会越来越分层。以前我们聊 Harness，聊的都是 Agent Loop、Tools、Memory、Skills、Sandbox 这些组件，谁负责循环，谁负责记东西，谁负责跑沙箱。以后可能要多一个专门的层，叫 Decision Model 层。大模型负责复杂推理和创造性任务，小模型负责高频、明确的决策，Harness 夹在中间，负责在它们之间分配控制权，管理执行状态和安全边界。真往这个方向走，模型能力就不再完全由那一个最大的模型决定，Harness 自身的组织和调度能力，会慢慢变成兵家必争之地。第二个方向，Agent 的执行轨迹，正在变成一份值钱的训练资产。以前每次工具选择、失败恢复、向用户确认，顶多是日志里的一条记录，最多拿来做做排障和评测。现在不一样了，这些都可以沉淀成决策数据，去训练一个专门伺候当前这套 Harness 的小模型。顺着这个思路往下想，Agent 是有机会自己滚起来的，运行产生轨迹，轨迹拿去评测和训练，模型更新完再跑完整任务验证效果，一个闭环。只不过论文目前实现的还是离线的训练和校准，距离那种自动化的持续自进化，中间还隔着不少工程上的硬骨头，别太乐观。第三个方向，Agent 的成本优化，可能得精细到每一次推理去看。我们过去怎么降本，缩短 prompt、压缩上下文、换更便宜的大模型，本质上都是在"让同一件事花的钱少一点"。JevAgentHarness 给了另一种思路，先判断一下，眼前这件事到底需不需要大模型出手。这条路尤其适合工具集合相对稳定、决策发生得特别频繁、结果又容易验证的那类 Agent。反过来，像开放式编程、复杂研究这种任务，太多步骤需要自由生成和复杂推理，小模型暂时还顶不上去。我也挺期待后面能有人接着把几个坑填了，比如决策模型能不能在不同的 Harness 之间迁移，置信度校准怎么做得更稳，错误之后怎么恢复得更自然。这些才是决定这条路线能不能从论文走成产品的关键。说句题外话，我一直觉得，未来 Agent 之间的竞争，可能不完全取决于谁的模型更聪明。模型大家都差不多，你追我赶。真正拉开差距的，可能是谁的 Harness 能把每一份推理能力，都用在最需要它的地方。这件事做得好不好，才见功力。

2026-10-22

AI 时代终局，本体重构一切

04 范式变革下，架构师的价值重构当数据库、业务系统、数据中台不再是企业 IT 的核心组件，架构师的工作重心也必须迁移：不再聚焦模块拆分、接口设计、中台建设、系统运维；转向本体知识体系构建、模型治理框架

2026-10-19

经验模态重构：振动信号数据增强方法

该论文针对民航液压泵在实际健康监测中存在的严重类别不平衡问题（健康状态样本充足，而各类故障状态样本极度匮乏），提出了一种名为经验模态重构（Empirical Mode Reconstruction, EMR

2026-10-03

ModStartBlog v6.3.0 任务调度重构，UEditor 升级

系统介绍 ModStart 是一个基于 Laravel 模块化极速开发框架。模块市场拥有丰富的功能应用，支持后台一键快速安装，让开发者能快的实现业务功能开发。系统完全开源，基于 Apache 2.0 开源协议。功能特性丰富的模块市场，后台一键快速安装会员模块通用且完整，支持完整的API调用大文件分片上传，进度条显示，已上传文件管理强大的模块扩展功能，所有模块可以无缝集成，支持在线安装、卸载模块完善的开发助手，实现模块、主题的的一键创建完善的后台权限管理，支持基于RBAC的权限管理系统后台管理支持使用手机、平板、PC，无论何时何地都可方便管理第三方登录（QQ、微信、微博、支付宝、微信小程序）第三方支付支持（微信、支付宝、支付宝当面付、微信扫码、微信小程序）第三方云存储支持，支持云储存分片上传（阿里云、百度云、华为云、腾讯云、FTP、七牛云、UCloud、又拍云）第三方短信支持（阿里云、腾讯云、华为云、百度云、253云通讯、聚合、七牛云、融云、赛邮、UCloud、云片、网易云） V6.3.0版本更新 2022年12月07日ModStartBlog发布v6.3.0版本，增加了以下9个特性： [新功能] 任务调度新增上次运行时间设定 [新功能] 任务调度记录调度日志和调度结果 [新功能] 响应新增永久重定向方法 redirectPermanently [新功能] 补全部分数据库模型文件 [新功能] 文件上传预期错误重传机制 [新功能] 数字动态增长组件，数字动态显示效果 [新功能] UEditorPlus升级2.7.0版本 [Bug修复] 浏览器自适应或尺寸变更时轮播自动更新 [Bug修复] Detail页面为模型时异常问题模块市场一键安装系统内置模块市场，有行业应用、插件、云存储、云短信等功能模块，后台支持一键安装、启用、禁用、卸载，可快速搭建属于自己的系统应用。系统演示与文档码云仓库：https://gitee.com/modstart/ModStartBlog Github仓库：https://github.com/modstart/ModStartBlog 系统演示：https://blog.demo.tecmz.com/ 下载试用：https://modstart.com/download 开发者文档：https://modstart.com/doc 模块市场：https://modstart.com/store

2022-12-07

每日一博 | 社区收藏缓存设计重构实战

社区收藏业务是一个典型的读多写少的场景，社区各种核心Feeds流都需要依赖用户是否收藏的数据判断，早期缓存设计时由于流量不是很大，未体现出明显的问题，近期通过监控平台等相关手段发现了相关的一些问题，因此我们针对这些问题对缓存做了重构设计

2022-09-19

Hutool-5.8.4 发布，重构前的常规修复

因此从今年开始，增加了“v6-dev”分支，彻底重构hutool的代码，完全不考虑兼容性的情况下，可以解决以前无法解决的问题，因此5.8.x可能是Hutool-5.x的终结版本，接下来可能进入长期的只fix

2022-06-27

得物复杂C端项目的重构实践

1.3 重构基础 Q：什么是重构？重构是在不改变软件可观察行为的前提下，改善其内部结构。--《重构 - 改善既有代码的设计》 Q：为什么要重构？重构可以提高理解性和降低修改成本。

2022-05-31

Zigbee2MQTT 1.22.0 发布，使用 TypeScript 重构

此版本主要更新内容如下： TypeScript重构 TypeScript 重构已经完成，现在 Zigbee2MQTT 完全用 TypeScript 编写。

2021-11-02

京东app后台多端融合架构代码重构实战

一简介重构是一个非常常见且古老的课题，涉及重构的文章、书更是不可胜数。

2021-08-13

BeeCP-Starter 1.5.1 发布，代码重构与优化

spring-boot-starter-beecp</artifactId> <version>1.5.1</version> </dependency> 2：更新内容 1：代码重构后局部优化

2021-02-10

为何说微软不会基于Linux内核重构Windows

数周前，开源软件爱好者 Eric S Raymond 提出的观点引发热议，他认为微软应该在 Linux 内核基础上重构 Windows。

2020-10-15

Sentinel 1.8.0 年度版本发布，熔断降级重构升级

Sentinel 1.8.0 版本对原有的熔断降级模块进行了重构和升级，重新以熔断器（cicuit breaker）的形式进行抽象，并进一步完善了熔断器的能力。

2020-08-24

重构分析21: 被拒绝的遗赠（Refused Bequest）

04 “被拒绝的遗赠”碰到就需要重构吗？

2019-12-22

资源下载

更多资源

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。