随着大模型时代的到来，AI 基础设施（AI Infra）正在经历深刻的变革。面对日益复杂的计算需求，传统上与单一计算范式深度耦合的调度系统已难以应对全局性挑战。本文结合开源社区的演进趋势与工业界的超大规模落地实践，深入探讨 Ray 的技术定位与核心设计逻辑，并阐述它如何与 Kubernetes（以下简称 K8s）进行协同设计（co-design），共同构建大模型时代 AI Workload 调度的通用范式。
AI 已经让很多人成为”超级个体”，但一件完整工作并没有因此自动变快。AI 帮我写完了需求草稿、帮我定位了 Bug、帮我生成了一批用例、帮我整理了一份配置——AI 让每个人都成为了"超级个体"，却依然需要由“人”来作为主导推动。一件完整的工作仍要靠人一步步看、一步步转、一步步推：需求等人评审，Bug 等人接手，上下文在一次次转述里丢失。我们意识到，真正的瓶颈不在"每个人会不会用 AI"，而在“没有为 AI 的模式去设计一套新的工作方式”。这次基于 Multica，我们搭出了这支 AI 协作军团的雏形——这是我们对"组织级 Loop Engineering” 的一次思考实践。
2026 年 6 月 30 日，AWS 宣布投入 10 亿美元组建 FDE 组织，把工程师以 45 天冲刺的方式嵌入客户团队。两天后，微软成立 Frontier Company，投入 25 亿美元、6000 名工程师做同一件事。再往前推几周，OpenAI 花 2.95 亿美元收购 Tomoro 成立独立部署公司，Google Cloud 把嵌入式 FDE 团队挂进产品组织，Anthropic 联合 PE 让被投企业大规模部署 AI Agent。五家公司都在押注同一类岗位：派人到客户现场，把 AI 从 demo 变成生产系统。AI 透镜是腾讯研究院发起的 AI 时代行业观察系列，关注技术、组织与商业现场的真实变化。行业圆桌是其中面向一线从业者的讨论形态：不只做趋势解读，而是把正在发生的岗位、打法和组织实验摊开聊。
作为一名老登前端开发，这两年深刻感受到大模型时代 AI 对软件工程带来的冲击——也被近年来 AI 各种范式大潮冲击了一遍又一遍。一路从提示词工程，再到上下文工程、Vibe Coding，再到本篇要介绍的 Harness 工程化，一路在思考：什么样的 AI 工程化方案，才是符合 WeTV（腾讯视频海外平台）当下 Web 项目的？这里抛砖引玉，和大家一起来探讨。 【为了将每个细节讲到味，篇幅较长，文章有问题的地方欢迎指出，大佬们不吝点赞+收藏！】
一篇属于后端微服务 + 前端微应用大仓的 Harness 实战分享。 不讲理念有多重要，只讲我们这一路是怎么搭起来、怎么撞墙、撞完怎么补的。
2025年底，一款叫 OpenClaw 的开源 AI Agent 工具横空出世。因为 Logo 像只龙虾，因此国内都叫他小龙虾。之前所有的 AI 产品，本质上都是问答机器——你问，它答，然后你自己去执行。OpenClaw 打破了这个边界，它可以直接调用工具、操作浏览器、读写文件、发送消息、定时自动运行……它不只是给你建议，而是帮你把事情做完。
