微服务拆了五年,AI让我重新想了想还拆不拆

AI编程副驾驶实战指南:VS Code+Claude Code五年进阶路径 AI编程不是替代程序员,而是重构开发者的角色定位——从代码执行者升级为需求抽象者与AI协作者。其底层原理在于大模型对上下文理解、模式识别与多步推理的增强能力,技术价值体现在提升工程确定性、加速知识复用、强化系统可维护性。典型应用场景覆盖智能调试(如Python爬虫反爬策略生成)、Git协同审查、MCP插件驱动的端到端测试,以及基于SDD规范的AI原生架构设计。本文聚焦VS Code深度集成与Claude Code权限控制、@-提及上下文锚定、MCP外设调用等硬核实践,提供可落地的五年能力跃迁路线。 阅读详情

后端架构师,带过三条业务线的服务拆分。

从单体拆到三十多个服务,那是我引以为豪的战绩。高内聚低耦合、独立部署、故障隔离——这套我讲了五年,新人培训第一课就是它。有同事开玩笑说我是"拆服狂魔",我也不恼,因为拆得确实稳。

今年上半年带一个内部AI助理的项目,做到第三周,我第一次对自己这套信仰动了摇:有些服务,是不是我当年拆多了?


一、让我动摇的那个晚上

AI助理要接大模型,做RAG:把公司文档切块、Embedding进向量库,用户提问先检索、再让模型生成,还要带引用来源、支持多轮追问。

按我老习惯,第一版设计稿唰唰画了一排服务:文档解析服务、向量检索服务、对话服务、工具调用服务、历史记录服务……每个独立部署,靠RPC调来调去,清清爽爽。

我甚至给每个服务都配了独立数据库和CI流水线,拆分细到连一个解析格式的小功能都要单独成服务。当年我觉得这叫专业,现在回看,有点走火入魔。

结果联调那天翻车了。

用户问一个问题,请求在五六个服务之间跳一圈,光网络往返就吃掉几百毫秒。模型本来在流式吐字,前面这串调用一卡,前端收到的第一个token晚了快一秒,体验特别糟。更要命的是Agent部分:模型要自己决定调哪个工具、走哪步,这串编排逻辑散在好几个服务里,调试时我追着调用关系满世界找状态,头都大了。

那天晚上我干了件五年没干的事:把"文档解析"和"向量检索"两个服务合并成一个。检索和生成本来就该贴着跑,中间插一道网络调用纯属自找麻烦。合并完,首字延迟直接降了一大截。


二、哪些场景我开始重新看拆分粒度

倒不是后悔拆微服务了。是有些AI相关的场景,老的拆法不灵,我得重新掂量。

第一种,延迟敏感的流式路径。模型流式输出最怕中间多跳。以前一个请求过三四个服务觉得正常,现在只要路径上有AI生成,我就尽量把检索、生成、后处理塞进一个服务,让它们同一进程内完成,别隔着网络喊话。

第二种,Agent自己当编排者的时候。传统做法里,业务流程是一堆服务互相调出来的。但Agent模式下,规划、决策、调工具这套逻辑,很大一部分住在了prompt和工具定义里,不在服务划分里。我原来拆很细的"下单服务"“通知服务”,在AI路径里退化成了Agent能直接调的工具。边界还在,但"谁主导流程"这件事变了。

第三种,上下文和状态的管理。多轮对话要维护历史、管上下文窗口、存中间步骤。这些状态放哪?我试过放独立状态服务,后来发现,只要AI路径一复杂,状态服务和生成服务之间的同步就成了新噩梦。现在我把AI会话相关的状态收拢到靠近模型那一侧,省得来回搬。

第四种,工具调用的可观测性。Agent调工具的次数一多,出错了你根本不知道是哪一步跑飞。我后来给AI路径单独接了一套调用追踪,把每次工具调用、每次模型返回都留痕。这事儿在传统微服务里靠现成方案就能做,但在AI路径里,得把"模型的思考步骤"也当成要记录的对象,不然排查全靠猜。这套追踪如果也拆成独立服务,反而把最该挨着模型的数据推远了。


三、但我不打算走向另一个极端

有朋友看了我的改动,半开玩笑:“你这是要回归单体啊?”

真不是。

该拆的我还是拆。像鉴权、限流、计费这种高并发、无状态、要独立扩缩容的服务,微服务那套一点没过时。AI再猛,也不会让"大促时把订单服务多开十台"变多余。我们这次AI助理项目,文档问答那条线我收了,但订单、支付、用户中心这些,纹丝没动,该独立还是独立。

我现在的判断就一句话:拆不拆,看这条路径吃不吃"跨服务调用的延迟"和"分布式状态同步"这两块亏。

纯AI编排、强依赖流式、状态黏在一起的路径,能收就收,别为架构好看硬拆。剩下的,沿用老办法,稳得很。

AI没让我那五年白干。它只是逼着我去想:以前见复杂就拆,现在得先问一句——这地方拆了是更清晰,还是只是更碎?


四、一点真心话

我不鼓吹谁该把服务合并,也不说微服务过时了。这事儿没有标准答案,全看你的业务长啥样、流量怎么走。

我自己的变化很具体:从前碰新需求,第一反应是"拆个服务出来";现在会先停一下,想想这块是不是本该跟模型贴在一起跑。

五年拆出来的经验没废,它现在教我的,是知道什么时候该收手。

我们组老周前阵子把他那条线也并了两个服务,效果不错。但你也别照抄,他的场景和我的不一样,照抄准踩坑。

你们做AI项目时服务怎么拆的?评论区说说,我也想听听别的踩坑法子。

想入门 AI 大模型却找不到清晰方向?备考大厂 AI 岗还在四处搜集零散资料?别再浪费时间啦!2025 年 AI 大模型全套学习资料已整理完毕,从学习路线到面试真题,从工具教程到行业报告,一站式覆盖你的所有需求,现在全部免费分享!

👇👇扫码免费领取全部内容👇👇

​

一、学习必备:100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT,帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例?大模型电子书?这份资料帮你站在 “行业高度” 学 AI:

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告:覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容,涵盖:

  • 职业趋势:《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》;
  • 商业落地:《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》;
  • 领域细分:《AGI 在金融领域的应用报告》《AI GC 实践案例集》;
  • 行业监测:《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT:听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会,包含百度、腾讯、字节等企业的一线实践:

在这里插入图片描述

  • 安全方向:《端侧大模型的安全建设》《大模型驱动安全升级(腾讯代码安全实践)》;
  • 产品与创新:《大模型产品如何创新与创收》《AI 时代的新范式:构建 AI 产品》;
  • 多模态与 Agent:《Step-Video 开源模型(视频生成进展)》《Agentic RAG 的现在与未来》;
  • 工程落地:《从原型到生产:AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看:大厂 AI 岗面试 “弹药库”,300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗?这份面试资料帮你提前 “押题”,拒绝临场慌!

1. 107 道大厂面经:覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景,包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题,每道题都附带思路解析:

2. 102 道 AI 大模型真题:直击大模型核心考点

针对大模型专属考题,从概念到实践全面覆盖,帮你理清底层逻辑:

3. 97 道 LLMs 真题:聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案,比如让很多人头疼的 “复读机问题”:


三、路线必明: AI 大模型学习路线图,1 张图理清核心内容

刚接触 AI 大模型,不知道该从哪学起?这份「AI大模型 学习路线图」直接帮你划重点,不用再盲目摸索!

在这里插入图片描述

路线图涵盖 5 大核心板块,从基础到进阶层层递进:一步步带你从入门到进阶,从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段:了解大模型的基础知识,以及大模型在各个行业的应用和分析,学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段:攻坚篇丨RAG开发实战工坊

L2阶段:AI大模型RAG应用开发工程,主要学习RAG检索增强生成:包括Naive RAG、Advanced-RAG以及RAG性能评估,还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段:跃迁篇丨Agent智能体架构设计

L3阶段:大模型Agent应用架构进阶实现,主要学习LangChain、 LIamaIndex框架,也会学习到AutoGPT、 MetaGPT等多Agent系统,打造Agent智能体。

img

L4阶段:精进篇丨模型微调与私有化部署

L4阶段:大模型的微调和私有化部署,更加深入的探讨Transformer架构,学习大模型的微调技术,利用DeepSpeed、Lamam Factory等工具快速进行模型微调,并通过Ollama、vLLM等推理部署框架,实现模型的快速部署。

img

L5阶段:专题集丨特训篇 【录播课】

img
四、资料领取:全套内容免费抱走,学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型,还是有基础想冲刺大厂、了解行业趋势,这份资料都能满足你!
现在只需按照提示操作,就能免费领取:

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口?别犹豫,这份免费资料就是你的 “起跑线”!

MuleSoft企业级AI编排:LLM如何成为可审计、可熔断的微服务 大语言模型(LLM)在企业落地的核心挑战,不是能力不足,而是缺乏与现有IT治理体系的深度耦合。AI编排的本质,是将非确定性模型输出,封装进具备SLA保障、合规审计、故障熔断和版本控制的确定性服务容器。这要求技术栈必须原生支持输入净化、结构化输出契约、多级Fallback、硬件级审计签名等企业级能力。MuleSoft凭借其成熟的企业集成层(EIP)基因,将LLM抽象为‘状态感知型决策服务’,实现Prompt版本化、可观测性注入与跨系统事务一致性。典型应用场景包括合同风险初筛、供应商异常响应、付款条件合规校验等 阅读详情

相关推荐

医疗AI发展范式从“单一路径”叙事到“分层协同演进”框架——Go语言工程化实现(上)

摘要 本文针对医疗AI发展中的技术路径争议,提出基于Go语言的工程化分层框架。文章指出当前医疗AI已超越传统监督学习范式,形成包含自监督学习、联邦学习、可解释AI及多模态融合的完整技术体系。通过Go语言的高并发、内存安全等特性,作者构建了包含数据流水线、分布式训练、可解释微服务和临床决策集成的四层架构,为医疗AI产业化提供可落地的工程方案。该框架特别强调隐私保护、系统可靠性和临床可解释性,通过云原生技术实现高性能医疗AI系统的规模化部署。 关键词:医疗人工智能、Go语言、联邦学习、可解释AI、云原生架构

AllenLV的博客 814

写了五年 Golang,云托管和 AI 推理部署让我重新想自己值什么

我是写了五年 Golang 后端的人,一直做高并发和云原生那摊事,今天聊聊我这老本行撞上 AI 之后,我是怎么重新掂量自己价值的。

huang9604的博客 251

Qt·DBus快速入门

DBus快速入门

m0_64560763的博客 2274

微服务架构的前世今生

技术架构演变 随着互联网的发展,网站应用的规模不断扩大,常规的垂直应用架构已无法应对,分布式服务架构以及流动计算架构势在必行,亟需一个治理系统确保架构有条不紊的演进。 单一应用架构 当网站流量很小时,只需一个应用,将所有功能都部署在一起,以减少部署节点和成本。 此时,用于简化增删改查工作量的 数据访问框架(ORM) 是关键。 缺点:随着应用功能的增多,代码量越来越大,越来越难维护,...

哈喽沃德先生的博客 3053

HFSS学习笔记——Vivaldi天线仿真(一)

Vivaldi 天线HFSS仿真,HFSS中指数曲线绘制及曲面绘制。

and_future的博客 1万+

乐鑫WIFI芯片开发流程梳理-工具链、编译和下载

最近开始基于乐鑫ESP32的WIFI模组的软件开发,首先要做整套流程的梳理,乐鑫官网以及安信可上已经有了较为系统的资料,但是在实现过程中也遇到了一些问题,花了几天去解决,所以为了总结,也为了给其他人提供一些借鉴,把流程分享一下,官网上相对比较完善的,就不在赘述。 1. 开发方案选择 目前网上有两套较为成熟的方案: (1)基于乐鑫官网推荐的开发方式,原网页:https://docs.espress...

一名嵌入式软件工程师的自我成长 3927

工作五年,我终于读懂了程序员最真实的生存常态

【摘要】五年程序员生涯让我看清:技术圈没有神话,只有日复一日的务实耕耘。初入行时迷信技术万能,后来发现80%工作只是基础业务开发;行业焦虑多源于同辈压力,而真正拉开差距的是问题排查、业务理解和复盘能力。程序员不必追求成为大牛,接受平凡但拒绝平庸,持续沉淀才是关键。技术行业最公平之处在于,你的能力终将获得对等回报。在这个代码世界里,慢一点稳一点,终会找到属于自己的光。

acd12009的博客 940

DRAM架构演进与HBM技术在高性能计算中的应用

DRAM(动态随机存取存储器)是现代计算系统中关键的内存技术,其架构优化直接影响数据供给能力。随着AI训练和科学计算等数据密集型负载的普及,传统DDR架构面临带宽墙、能效比和访问粒度等挑战。HBM(高带宽内存)通过3D堆叠技术(如TSV硅通孔)和异构集成(如PIM存内计算)显著提升了带宽和能效比。这些技术在高性能计算、AI推理和大模型训练等场景中展现出巨大潜力,例如HBM3的带宽可达819GB/s,能效比低至0.95pJ/b。未来,DRAM技术将继续向更高密度、更低功耗和更智能的内存计算方向发展。

weixin_35757191的博客 400

程序人生|五年java 含泪总结,建议小白看

程序人生|五年java 含泪总结,建议小白看

1万+

华为OD最新机试真题-池化资源共享

摘要:该问题要求管理n台设备的资源池,处理资源申请和释放操作。申请操作需返回满足条件且剩余资源最少的设备ID,释放操作需将指定申请的资源归还。采用线段树数据结构维护各设备当前最大可用资源值,支持快速查询和更新。线段树实现了单点修改、区间最大值查询以及查找最左满足条件的节点功能。算法时间复杂度为O((n+m)logn),空间复杂度O(n),适用于大规模操作。提供了C++、Java和Python三种实现方案。

面试高手的博客 330

Python 实战:全面解析“微信搜一搜”内容爬取,从入门到企业级架构

本文将带你从零搭建爬虫项目,采用 Requests、Scrapy、Selenium、Proxy 池、中间人监控(如 Fiddler/mitmproxy)、分布式调度、数据库持久化、断点续抓等方案,实现可持续、抗封能力强的内容抓取系统。理解“微信搜一搜”页面结构与 Javascript 渲染逻辑;使用 Scrapy 框架搭建分布式爬虫;使用 Selenium 模拟浏览器抓取;构建代理池提升爬取成功率;对抗验证码、IP 封禁与 cookie 过期问题;

2201_76125261的博客 1395

Claude Code+VS Code人机协作实战指南:从安装配置到五年AI协作者成长路径

AI编程不是替代程序员,而是重构开发范式——其核心是‘人机协作语法’的掌握。理解VS Code作为AI操作系统的能力边界(如MCP协议、Git Worktree集成、终端智能绑定),结合Python作为胶水语言的工程优势(环境隔离、调试穿透、SDK完备性),才能真正释放Claude Code的94%高可用代码生成能力。技术价值在于将模糊意图转化为可验证、可追溯、可审计的执行结果;典型应用场景覆盖Django微服务重构、Vue组件文档自动生成、ESP32固件智能适配、CI失败秒级诊断及私有化DeepSeek接

weixin_30423065的博客 400

【Kubernetes】Kubernetes 安全沙箱深度对比:gVisor vs Kata Containers

Kubernetes安全沙箱深度对比:gVisor和Kata Containers在架构、性能与安全性方面各有特点。gVisor通过用户态内核(Sentry)实现软件隔离,启动快(毫秒级)但CPU开销大(20-30%),适合Web服务等场景。Kata Containers采用轻量级虚拟机提供硬件级隔离,启动较慢(1-2秒)但兼容性更好,适合金融等高安全需求。测试显示gVisor在动态请求下性能下降33%,而Kata性能接近原生。建议根据场景选择:多租户/快速启动用gVisor,敏感数据/极致安全用Kata,

九师兄 179

雄关漫道真如铁,如今迈步从头越——一个老程序员的AI重生宣言

AI不仅能写代码,还能理解架构——你给它一段模糊的需求描述,它回你一个完整的系统设计,带时序图、带技术选型,甚至贴心地附上了风险评估报告。我想通了:AI再强大,也无法替代这十五年里,我在凌晨四点改完P0故障后长舒的那口气,无法复制和产品经理为了一条业务逻辑争论三小时的执拗,更无法取代看到自己写的系统支撑起千万用户时,那份深埋心底的骄傲。这些不是写在简历上的技能,而是刻在骨子里的东西——是无数次线上事故锻造出的冷静,是千百次需求评审磨练出的判断力,是作为工程师不可被算法量化的灵魂印记。三十五岁/四十岁/…

ynVXUaD9d的博客 170

如何在 R 中使用 Gamma 分布(附示例)

在统计学中,伽马分布通常用于模拟与等待时间相关的概率。我们可以使用以下函数来处理 R 中的 gamma 分布:dgamma(x, shape, rate) – 找到具有特定形状和速率参数的 gamma 分布的密度函数值。 pgamma(q, shape, rate) – 找到具有特定形状和速率参数的伽马分布的累积密度函数值。 qgamma(p, shape, rate) – 找到具有特定形状和速率参数的 gamma 分布的逆累积密度函数值。 rgamma(n, shape, rate) – 生成 n 个随机

Mrrunsen的博客 4419

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Java开发者转型人工智能,可行吗?薪资暴涨+路线揭秘,看完不再迷茫!

2025年,科技行业的潮水方向已经无比清晰。一方面,人工智能,特别是大模型相关岗位的需求呈现爆炸式增长,脉脉平台数据显示,AI新发岗位同比猛增10倍。另一方面,传统Java开发岗位则面临同质化竞争加剧的挑战。面对“AI浪潮”与“职业瓶颈”的双重压力,无数Java开发者心中都萦绕着同一个问题:我,能转型人工智能吗?

2401_84208172的博客 1100

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

结构性重塑:人工智能时代的软件工程将走向何方

软件工程行业正经历结构性变革,就业市场呈现资深导向的理性回归,初级岗位减少而高级人才需求旺盛。AI推动工程师角色从代码执行者转向解决方案设计师,核心能力转向AI协同、系统设计等方向。传统教育体系面临挑战,需培养AI协作、安全伦理等新能力。未来5-10年,AI应用工程师、数据质量专家等新兴岗位将崛起,善于利用AI工具的开发者将获得显著效能优势。行业正从基础编程时代迈向"产品工程师"时代,强调技术、AI与商业价值的深度融合。

计算机科学、人工智能、数据分析和大数据方向的研发和教学。 1142

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

不止效率翻3倍:星图云开发者平台携“五年低码积淀”,打造数字化转型新基座

从“三输”困局到“三赢”破局,一款平台如何让应用开发像做 PPT 一样简单?

优快云资讯 6234

【转载】微服务架构的前世今生

(转载自:哈喽沃德先生的微服务架构的前世今生 - 知乎) 传统行业向互联网行业的转型 背景 2012年以后,因为移动互联网的兴起,随着网名数量的增多,需求变化大,用户群体大。导致已有的应用程序无法抗住大规模的并发,且版本迭代麻烦,扩展不够灵活,应对外界环境能力薄弱,所以微服务思想就应运而生了。 2014年微服务的概念传入中国,2015年左右国内大厂开始进行项目升级,转战微服务。2018年中小型企业也开始进行微服务架构升级。 传统行业的产品是必然要向互联网行业进行转型的,马云爸爸曾经说过

十维之眼的博客 1049

当14岁少年用AI押中奥赛题:我们该如何重新定义“学习能力“?

你还在靠刷题死磕学习?深圳14岁少年用AI押中奥赛题,揭示了一个残酷真相:AI正在重新定义“学习能力”。这不是作弊,而是一场认知革命——从“题海战术”到“问题建模”,从“答案索取”到“思维脚手架”。对初级开发者而言,掌握AI协作的提问维度,比埋头写代码更重要。

yweng18的博客 199

AI Washing:当AI成为裁员与招聘的遮羞布

在人工智能技术快速发展的背景下,机器学习、自动化等概念正深刻改变技术行业。从技术原理看,AI作为提升效率的工具,其价值在于解决特定场景的复杂问题。然而,当前行业出现了一种值得警惕的现象:部分企业将“AI转型”和“高级AI人才”等概念异化为商业策略工具。这种现象常表现为利用AI术语粉饰裁员决策,或通过拔高招聘门槛推卸人才培养责任,最终可能导致行业人才断层和工程文化失衡。对于开发者和技术团队而言,理解AI技术的本质价值,区分真正的技术创新与概念炒作,并持续夯实软件工程基础,是在AI浪潮中保持竞争力的关键。

weixin_30945039的博客 351

后端已死?不,是重塑:如何从CRUD程序员转型为AI

后端开发者曾是互联网大厦的建筑师。现在,大厦的建筑方式变了。AI 不会取代后端开发者,但会取代那些拒绝进化的 CRUD 程序员。未来的后端架构,将是确定性代码与概率性模型的深度耦合。我们不再仅仅是代码的编写者,更是智能系统的总设计师。拥抱这种不确定性,将你的工程化能力与 AI 的推理能力结合。在这个重塑的时代,做那个定义规则的人,而不是被代码淹没的人。

python123456_的博客 590

想拥抱AI却没准备好?联想集团帮你搞定技术落地“最后一公里”

大数据产业创新服务媒体——聚焦数据· 改变商业过去的五年,电商狂飙,传统实体零售业的空间继续被压缩。然而美国第二大商超连锁Kroger却逆势崛起,不仅扩张店面,更实现盈利稳步攀升。它的市值在此期间上涨130%,超过电商巨头亚马逊105%的涨幅。实体商超并不“性感”,Kroger为什么能赢得资本青睐?答案或许隐藏在其拥抱AI的战略中。这家有140多年历史的企业积极地采用AI进行动态定价,精准把握市...

数据猿 450
上一篇: 我管了五年客服,上线智能客服后一线同事的反应让我意外
下一篇: 一台普通电脑跑通大模型:Ollama从安装到满血使用的全部技巧,零基础也能搞定
Llama-Turbo
博客等级 码龄4年 9901粉丝 2025原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值