从问数工具到运营搭档:慧博科技基于Qoder Cloud Agents打造“小慧Claw”

简介: 慧博科技推出AI运营助手“小慧Claw”,基于Qoder Cloud Agents(QCA)构建智能体操作系统,实现从Prompt到Harness的范式升级。它支持自然语言问数、智能报表、经营预警等核心场景,将重复性运营工作自动化,使运营人员聚焦决策。接入QCA后,任务响应从小时级降至分钟级,报表口径准确率提升至95%,人效提升5倍。

慧博科技.png


品牌运营的一天,往往是从一堆重复动作开始的:导出昨天的经营数据、截图、写一段经营小结发进群,大促期间这件事每天要吃掉二十分钟。慧博科技把这类活儿交给了小慧Claw,一个跑在 Qoder Cloud Agents(简称 QCA)上的 AI 运营助手,它承担重复的数据整理、信息同步和定时汇报等执行环节,让运营团队把时间留给真正需要判断和决策的工作。


这篇文章讲清楚它是怎么接进 QCA 的,中间踩了哪些坑,以及跑出了什么样的数据。


01.png


慧博科技与小慧Claw


北京慧博科技有限公司是一家 AI 驱动的全域消费者数字化运营服务商,13年深耕电商零售一线,服务 2000 多家行业头部品牌。


小慧Claw 的定位是北京慧博科技有限公司的"电商零售品牌专属 AI 金牌运营团队",不是又一个数据查询工具,而是一个能看数据、做分析、排任务、推消息的运营搭档。核心场景有四个:自然语言问数、智能报表、经营预警、运营诊断,再加一条执行闭环,结合诊断自动生成画布流程,经用户确认后自动执行。它还具备多 Agent 集群能力,围绕周期复购、小样转正、入会首购、流失召回、购后入会等场景识别运营机会,先给出分析、建议和营销画布草稿,再进入人工确认和业务系统执行。


02.png


Qoder Cloud Agents与小慧Claw的架构探索及选型


2.1 架构演进历程:从Prompt、Workflow,再到Harness


小慧Claw 不是一上来就是现在这个样子,慧博走过了三段路。


最早是 Prompt 工程,把业务规则、指标口径、输出格式全写进提示词,让通用大模型当"全能顾问"。问题是模型接不了企业数据,上下文越塞越满、注意力被稀释,断线即忘。


第二段是 Workflow 编排。为了可控可审计,把执行固化成节点与连线,自建了集成平台、营销画布、报表中心,2025 年之后上了一整套 workflow:意图识别、槽位抽取、分支路由、接口编排、话术模板拼装。运行大半年后,两处瓶颈暴露出来。一是维护成本不按加法增长,二是更根本的问题:系统能回答什么,在设计流程图的那天就已经固定,用户的问题只要落在预设分支之外,就只能回一句"暂不支持"。


于是有了第三段,也就是现在的:以 QCA 为执行底座,给智能体装上"操作系统"。Workflow 的控制流在开发者画的图里,模型只是图中某几个节点的填充物;Harness 反过来,控制流在模型手里,工程提供的是运行时、工具、约束和反馈。用慧博内部的说法,agent 是决策单元、是工人,harness 是围绕它的整套运行时和机制层、是工厂和规章制度。


2.2 五个痛点,同一个根因


换范式之前,运营侧的痛点集中在五个地方。


  • 取数靠排期,"8 月 26 日会员 GMV 按日汇总"这类临时意图不在任何预定义节点里,只能等分析师排期,从数小时到数天。
  • 口径反复对,同一指标的商智口径与店铺口径存在差异,流程不理解语义、无法自证。
  • 报表手工填,流程之间不连通,人成了系统之间的胶水,固定监控模板和周报月报全靠手工搬数。
  • 多平台割裂,跨淘宝、天猫、京东、抖音的统一视图需要人逐个登录拼接。
  • 分析门槛高,会员分层、人群圈选本质是自由推理,画布表达不了,中小商家也养不起数据团队。


五个痛点指向同一个结论:不是流程不够多,而是流程这种形态天生装不下"意图"。要系统性解决,需要的不是再加几百张流程图,而是换一种执行架构。


2.3 基于Qoder Cloud Agents的分工边界


小慧Claw 的执行底座是 QCA。QCA 承载智能体运行、会话、事件流、文件处理和自动任务调度;慧博负责产品交互、AI 网关、Skill、MCP 数据工具层、云千载全域数据中台、租户与权限治理,以及人在环路机制。两边能力组合起来,小慧Claw 才能调用业务工具、持续执行复杂任务、返回文件或结构化结果,同时把关键决策留给业务人员。


2.4 基于Qoder Cloud Agents的架构示意


慧博把大模型看作一块高性能"裸 CPU",QCA 的四层运行模型就是它的操作系统:Environment 是隔离的进程空间,Session 是内存,Event 是可恢复的中断,技能与工具是随装随用的程序库。执行主链路是自然语言 → 意图识别 → 报表参数编排 → 数据工具调用 → 技能加工 → 流式交付。工具层封装了 82 个 MCP 工具,一次封装、全域共享。


image (22).png


03.png


工程实践与经验沉淀


3.1 为什么使用Qoder Cloud Agents中的Forward Mode API?企业Agent需求:降低自建成本。


自研 Harness 慧博认真评估过。要上生产,至少得自己实现 agent loop、工具执行沙箱、长连接和断线恢复、上下文压缩、技能加载、多租户隔离、凭证托管、事件流、限流计费,每一项都是季度级工作量,而且稳定性很难一次做对:上下文压缩的时机差一点,长任务就开始遗忘;沙箱隔离漏一处,toB 客户之间就可能串数据。作为一家业务公司,这些能力做好了客户感知不到,做不好就是生产事故。结论是走云上托管,选了 QCA。


省下自建成本只是表面收益,真正决定选型的是 Forward Mode 里的几个重要能力。


Template 起初被当成 system prompt 的存放处,实际用起来才发现它封装的是一整套资源:Environment、Skills、Vaults、Models、System Prompt。小慧Claw 的技能是分领域独立打包、独立版本化的,数据查询、表格回填、画布编排、效果洞察各自是一个 skill 包。基础版客户只挂数据查询,旗舰版全挂,这个差异在 Template 层面配置即可,不涉及代码分支。QCA 的 skill 是"壳 + 不可变版本快照"两层结构,关联时省略 version 就跟随最新版,填入具体版本号则钉死该版本。内部 Template 跟随 latest,客户 Template 钉住已验证版本,灰度发布就是这么做的。


Identity 则是多租户隔离单元。慧博做的是企业服务,客户之间的数据必须绝对隔离。传统做法是自己建一套用户体系、数据域、权限层,还要谨慎维护三者的映射关系,实现难度不高,难在长期保证不出错。QCA 把这层内建了:一个企业账号,给每个客户开一个 Identity,不同 Identity 之间的记忆库、文件、凭证互相看不见。发起会话时同时传 template_id 和 identity_id,前者决定"能做什么",后者决定"是谁、在哪个隔离域"。更关键的是 Identity 支持独立配置,同一个 Template 下可以给不同客户配不同模型、不同技能开关、不同预算,不必为每个客户复制一份 Template。凭证方面用 Vaults 把客户数据接口的 Key 托管在平台侧,业务代码里不持有任何客户密钥,这在安全评审中显著降低了合规成本。


Session 级沙箱隔离、SSE 事件流、文件上传与挂载、持久化记忆、记忆整理(Dreams)、定时任务、Webhook、IM 渠道接入,这些原本都在我们的自研清单上,现在都收敛为一次 API 调用。


IM 接入和定时调度的收益最直接。小慧Claw 的店铺日报、客户分层周报这类自动任务,走的就是 QCA 的 Schedules 加 Channels:客户扫码绑定之后,Agent 直接进他们的企微群和飞书群,到点执行、到点推送。这两块对接代码我们一行都没写。


3.2 六条工程化实战经验


一是先做概念映射,再做接口设计。完整对齐 QCA 四层运行模型(Agent / Environment / Session / Event),会话管理、消息记录、自动任务天然对齐,消息记录以远端事件 ID 作为同步指纹,避免二次改造。


二是"可回退的灰度"比"一步到位"更重要。从自建编排迁移到 QCA 时用双轨并存加服务端灰度开关,新旧通道同时在线,出问题即时切回。


三是断线恢复是一等公民,不是异常处理。深度分析任务动辄数十分钟到数小时,对话走 SSE 流式传输,刷新或切换会话后以 resume 模式接回正在执行的任务。


四是安全约束前置,是商务谈判中最有力的信任基础。商家数据强制隔离、数据最小化、效果指标必须有验证来源、三级确认门槛、写操作幂等、短信场景最小化、自动任务只生成草稿、服务端不信任前端身份、前端不直连外部 AI 服务,这九条铁律在接入之初就定死。


五是把提示词当产品资产来治理。模板等于系统提示词、模型、技能集、工具集的版本化组合,每次变更走配置化流程,可审计、可回滚、可灰度。


六是工具暴露面最小化。82 个 MCP 工具不等于全量开放,按场景做黑白名单最小授权,动态注入的托管工具默认只生成草稿。


3.3 三个技能相关的心得经验


三个技能面对的问题不同,踩过的坑却高度相似。主线只有一条:凡是能用程序判定的,绝不交给模型自评;不能程序判定的,就固化为可追溯的中间态,保证事后可核查。


数据查询要用单技能路由 100 多张报表。矛盾不在数量,而在语义高度重叠、参数体系各不相同、同一个词在不同维度指向完全不同的报表族。解法是把知识做成按需加载的分层文档:入口只负责"怎么找到规则",规则命中之后才加载。于是知识体量可以做到上万行,单次查询真正进入上下文的只有两百多行,约占 2%,且不随报表数量增长。另一条原则是归属优先于结果,查得出数据不等于路由正确,口径错了但数字有,比查不到更危险,因为填错了用户会直接拿去汇报。


表格回填是长程任务,用户上传空表,Agent 自动识别表头、路由报表、查询、回填、校验、交付成品文件。它有三类典型失效:上下文压缩把关键映射压掉、数据量上来后回填整体错位、长任务末尾的"假完成"。共同点不是模型能力不够,而是把不该放在上下文里的信息放在了上下文里。对策是关键事实全部外置到工作区文件、口径先固定再动手、每个要写入的值都必须先说明来源,来源不明只能登记为例外。这里还有一条"失败翻译规则",来自一次真实事故:某平台会员接口没有返回,Agent 直接给用户写了"该品牌无会员体系",用户采信了。从此规定,接口失败只能说明当前路径未证实,不能翻译成业务结论。


在线营销是写操作,会真实触达消费者,此处的幻觉后果不是数据填错,而是十万条短信被真实发出。慧博把它拆成读、写两个独立技能,编排状态文件的写入权限只归写技能。这里有一次值得说的返工:连线合法性最初由一份人工整理的白名单校验,上线后大量合法连线被误拦,约三十个节点类型完全缺失,生成的流程根本无法使用。加校验器本是为了防幻觉,结果校验器自己成了故障源,根因是人工转写:凡是"一处有真相、另一处有人工摘要"的结构,摘要一定会随时间失真。修复方式是建立单一权威源:由脚本从后端原始配置直接生成校验规则,人工那份摘要被直接删掉。另一条经验是门禁脚本的错误信息要写给 Agent 看,返回状态必须区分"违规"和"环境错误",否则一个环境问题会被 Agent 当成业务事故反复修改本来正确的计划。


3.4 善用Qoder Cloud Agents的Multi-Agent优化复杂任务执行成本


第一版把所有技能挂在同一个 Template 上,由单个 Agent 承担所有任务。结果可预期:用户先问复购率、接着上传表格回填、然后又要建召回流程,三段任务的规则、工具返回和中间态全堆在同一个上下文里,到第四十轮左右开始"跨域串规则",模型把一个领域的字段命名用到另一个领域的参数上。本质不是模型不够强,是所有任务共用一份上下文预算。


第二版改用 QCA 的 Multi-Agent 编排:Coordinator 用 SOTA 模型,负责对话、理解意图、拆分任务、汇总结果;三个执行子 Agent 换成低成本模型(Qwen3.8-Flash 这一档)。QCA 的关键设计是,Session 内所有线程共享同一个环境和文件系统,但每个 Thread 的对话历史彼此独立。文档里把后者当成限制来写,对慧博却正是最需要的特性:上下文隔离即领域隔离,长上下文不再污染主 Agent,文件系统则成了跨线程交接的黑板。


通过使用Multi-Agent机制,让原本使用SOTA模型才能稳定执行的复杂任务可以由高性价比模型承担,显著优化了任务执行成本。


image (23).png


04.png


效果与阶段性成果


小慧Claw 依托Qoder Cloud Agents实现的从Prompt到Harness的范式切换带来了可量化的业务收益,运营数据任务从"小时级排期"变为"分钟级自助",人从执行者回归决策者。


指标

变化

单张多店铺经营监控表数据整理耗时

从 1 人天降至 20 分钟

报表口径准确率

v1 35% → v2 95%

营销流程编排一次成功率

v2.4 30% → v2.7 87%

新增一张报表的技能接入工时

workflow 时代 3 人日 → Harness 时代 1 人 1 小时

执行侧模型成本

切换到低成本模型档位后下降 90%

平均人效提升

5倍

平均交付时长缩短

约 80%


目录
相关文章
|
1月前
|
SQL 人工智能 JSON
一个人 = 一支团队:Qoder 在企业级 ERP/MES 的体系化实战
云栖大会Qoder分论坛实录:45岁资深开发者李煜中亲述AI编程实战——7个月用Qoder完成110万行代码、3个企业级MES项目,从凌晨三点查AI“长工”干活,到踩坑建护栏,总结出规则、记忆、技能三重方法论,赋能超级个体高效交付。
246 0
|
2月前
|
人工智能 自然语言处理 API
Qoder Cloud Agents:10分钟,搭建你的专属 Agent
Qoder Cloud Agents 是Qoder推出的全托管Agent平台,支持复杂任务云端执行与实时反馈。其Forward层提供开箱即用的业务集成能力,涵盖身份管理、IM接入、文件存储、技能复用、实时/批量处理及评测观测等,助力开发者10分钟快速搭建专属Agent原型。
472 0
Qoder Cloud Agents:10分钟,搭建你的专属 Agent
|
1月前
|
人工智能 安全 IDE
阿里巴巴ATH事业群Qoder解决方案总监宁晓民:AI Native企业新范式——智能体重新定义生产力与生产关系 | 云栖分论坛演讲全文
在2026云栖大会,阿里Qoder总监宁晓民提出AI Native企业新范式:以“Harness”驾驭智能体,推动组织从“人指导agent”迈向“agent主动找人”;通过资产显性化、流程重构与可信治理,助力超级个体与超级组织协同进化。
388 0
|
1月前
|
SQL 人工智能 前端开发
简单认识下Qoder Skills超市
Qoder Skills Marketplace 是面向AI Agent的通用能力市场,涵盖4.3万+ Skills(工作手册)、176个Plugins(能力工具箱)和290个Connectors(数据连接器)。聚焦“场景专业化”,覆盖研发、设计、电商、金融、法律等多元领域,突出淘宝系生态能力(如1688、Quick BI、百炼RAG),强调即插即用与真实业务集成。(239字)
314 0
|
1月前
|
人工智能 自然语言处理 API
阿里云百炼是什么?免费Token领取 + 支持AI模型清单 + 模型收费价格及计费说明
阿里云百炼是企业级一站式AI大模型服务平台,集成通义千问全系列及DeepSeek、Kimi、GLM等百余款主流模型,支持文本、图像、视频、语音等全模态能力。提供API调用、可视化工作流与低代码开发,开通即赠超7000万免费Tokens(90天有效期),助力开发者快速构建智能体、知识库与多模态应用。(239字)
|
2月前
|
人工智能 运维 API
Qoder Cloud Agents 1.0发布
Qoder Cloud Agents 1.0 是一站式云端Harness托管平台,解决Agent“跑不稳、落不进业务、不敢上量”三大落地难题。支持多入口集成、企业级交付、多智能体协同与弹性调度,让开发者专注业务逻辑,快速实现从MVP到规模化生产的跨越。
386 1
|
4月前
|
运维 安全 API
用云新范式:Qoder Cloud Agents × Alibaba Cloud Skills
Cloud Use——让“用云”不再必须有人在场。一次派活,云上闭环:让 Agent 以机器身份,安全、完整地把云用起来。
|
1月前
|
人工智能 运维 监控
团队里的硅基同事程知远——基于QoderWake的数字员工实践
9月23日云栖大会,阿里云高萱分享数字员工“程知远”实践:基于QoderWake构建三层架构AI同事,覆盖研发、运维等全场景,月处理任务3000+,成功率98.9%,代码提交685次,缺陷自闭环182个,宣告碳硅协同时代到来。
295 0
|
2月前
|
人工智能 安全 数据可视化
阿里云百炼 Agent Studio 产品手册全新发布:企业级 Agent 全栈服务平台
阿里云百炼正式发布《阿里云百炼 Agent Studio 产品手册》。手册围绕企业级 Agent“开发—运行—进化—商业化”全生命周期,系统呈现 Agent Studio 的可视化编排、托管运行、RAG/Memory/Parser X、MCP/Skill/Connector、硬件 Agent、安全治理与商业闭环等能力。新用户可获得限时免费体验额度,具体以官网活动页为准。
1315 2
|
1月前
|
人工智能
和 Qoder一起,把 PPT 做好
Qoder PPT插件支持AI一键生成专业PPT,涵盖内容撰写、智能配图、排版设计;支持边看边改——标注即改、全局调色;更可生成逐页演讲备注,助力高效汇报。已获近14万下载。
333 0

热门文章

最新文章