- 综合排序
- 最热优先
- 最新优先
- 来自专栏数智转型架构师
从架构到飞轮：什么才是真正的“AI原生”？
我认为AI Native它不是一个功能，而是一种全新的思想范式，一套完整的方法论，一套全新的架构。我觉得，一个真正的AI原生应用，必须具备以下五个环环相扣的核心支柱： 支柱一：架构原生 这是地基。 AI原生应用不是在传统的软件架构上“打补丁”，而是从第一行代码开始，就为AI而生。 传统架构：是“以应用为中心”的。一个庞大的、一体化的应用，通过API去调用一下AI的“能力”。AI是个“外援”。 原生架构：是“以AI（大模型）为中心”的。整个系统被设计成一个由多个微服务、工具、数据源组成的网络，而大模型是这个网络的“大脑”和“调度中心”。 架构不原生，AI的智慧就永远被禁锢在传统软件的牢笼里，无法发挥应有的潜能。 支柱二：交互原生 这是体验。AI原生应彻底改变人与机器的协作方式： 传统交互（GUI）：图形用户界面。 总结：从“工具”到“生命体” 现在，我们再回看“AI原生”，它的画像就清晰了： 它拥有一个为AI而生的“原生架构”，通过“原生交互”理解我们的意图，由自主的“Agent”去执行任务。
34510编辑于 2026-05-09 - 来自专栏IT民工闲话
软件架构演化简史：从单体到AI原生
IBM的WebSphere Message Broker、Oracle Service Bus、TIBCO Enterprise Message Service、F5硬件负载均衡、Oracle 、DB2、 拥抱不确定性，才是软件架构的第一性原理。AI大模型的到来，把不确定性往前推了更大的一步。 AI时代的新挑战 现在谈AI原生架构，需要保持谦逊。 大模型已经来了，AI Agent、工作流编排、Skills仓库、AI网关、模型路由层……各种新概念和新组件在快速涌现。已经有人开始喊"AI Native架构"，也有人在聊"AI云原生架构"。 这话在以前是对的，在AI时代也是对的。至于AI原生的定义，等到新一代架构涌现之后自有人来评说。马克·吐温有句话——"历史不会重复，但总是押韵。" 从单体到分布式，从SOA到微服务，从云原生到AI原生，每个历史阶段的问题不同，但架构理念相同：解耦、隔离、容错、拥抱不确定性，权衡、取舍、折中、解决当下的问题。
10910编辑于 2026-05-29 规避AI原生转型中的架构健忘症
在QCon AI纽约2025大会上，Tracy Bannon发表演讲，探讨了AI代理的快速采用如何重塑软件系统，以及如果组织将所有“AI”或“代理”视为可互换的，为何会面临重复熟悉架构失败的风险。 “每个人都在谈论AI‘生产力’，却很少有人提及随之而来的架构健忘症。” —— Tracy Bannon为了具体说明，Bannon概述了一组在软件开发生命周期中常见的自主性模式。 她认为，AI并没有引入全新的故障模式，而是通过加速变化和扩大错误的波及范围，加剧了现有的问题。她重点阐述了将既定的架构原则应用于代理系统。 演讲最后呼吁架构师和高级工程师在引入AI代理的方式上发挥积极作用。 她的结束语是：软件架构的核心实践仍然有效，挑战不在于学习全新的学科。希望了解更多信息的开发者可以探索更多QCon AI会议和InfoQ的报道，大会的录播视频预计将于2026年1月15日开始提供。
12010编辑于 2026-01-08- 来自专栏IT民工闲话
软件架构演化简史：从单体到AI原生
IBM的WebSphereMessageBroker、OracleServiceBus、TIBCOEnterpriseMessageService、F5硬件负载均衡、Oracle、DB2、SQLServer 拥抱不确定性，才是软件架构的第一性原理。AI大模型的到来，把不确定性往前推了更大的一步。AI时代的新挑战现在谈AI原生架构，需要保持谦逊。 大模型已经来了，AIAgent、工作流编排、Skills仓库、AI网关、模型路由层……各种新概念和新组件在快速涌现。已经有人开始喊"AINative架构"，也有人在聊"AI云原生架构"。 这话在以前是对的，在AI时代也是对的。至于AI原生的定义，等到新一代架构涌现之后自有人来评说。马克·吐温有句话——"历史不会重复，但总是押韵。" 从单体到分布式，从SOA到微服务，从云原生到AI原生，每个历史阶段的问题不同，但架构理念相同：解耦、隔离、容错、拥抱不确定性，权衡、取舍、折中、解决当下的问题。
22210编辑于 2026-05-27 - 来自专栏phodal
流式 BFF：AI 原生架构下的智能体胶水层
流式 BFF（Streaming Backend for Frontend） 是一种适用于 AI 原生架构的胶水层，旨在解决 HTTP API 与智能体协同过程中的数据流处理和接口不一致等问题。 而那篇《语言接口：探索大模型优先架构的新一代 API 设计》中，我们介绍了 自然语言即 DSL、实时文本流 DSL、本地函数动态代理等模式。这些模式为我们开发 AI 原生应用带来了新的思路。 引子 2：智能体应用架构面临的新挑战 在业务系统集成这些智能体时，系统的架构需要随之演进，以适应流式输出的要求。例如，后端服务需要支持流式响应，前端应用则需要能够处理和展示这种渐进式的数据流。 流式 BFF：AI 原生架构下的协同模式 传统的 BFF 模式关注为特定的前端应用定制后端服务，以满足前端的特定需求。 总结 生成式 AI 原生架构要求我们重新审视传统后端模式。流式 BFF 为智能体接口不一致、与传统 API 不同步等问题提供了有效的解决方案。
81910编辑于 2024-11-22 - 来自专栏山河已无恙
云原生架构总览
2006年，AWS推出首批云产品Simple Storage Service (S3)和Elastic Compute Cloud(EC2)，使企业可以利用AWS的基础设施构建自己的应用程序。 2015年,云原生刚推广时,Matt Stine在《迁移到云原生架构》一书中定义了符合云原生架构的几个特征 符合12因素应用(12 Factors Application) 面向微服务架构(Microservices ,使能应用开发者简单、高效地使用其提供的功能 云原生应用架构思考: 单体架构的局限性 单体架构的问题不在于不可拆分上,在于无法隔离和自治。 微服务独立性和敏捷性更好,架构持续演进更容易,更适合云原生应用 云原生架构模式: Serverless架构 Serverless (无服务器架构) 指的是由开发者实现的服务端逻辑运行在无状态的计算容器中 华为云长期投入云原生技术与产业,是全球云原生领域领导者 华为云基于擎天架构 云原生基础设施:在云原生基础设施方面,华为云基于擎天架构实现了基于应用SLA来灵活调度算力,根据应用IO的不同,动态分配网络带宽
3.4K32编辑于 2023-03-02 - 来自专栏喇叭的学堂
2、原生AJAX
创建对象 XMLHttpRequest 对象用于在后台与服务器交换数据 const xhr = new XMLHttpRequest(); //2. 初始化 设置请求方法和 url // 1）请求方式 2）请求地址 xhr.open('GET', 'http://127.0.0.1:8000/server （2开头的）成功 if (xhr.status >= 200 && xhr.status < 300) { // 创建对象 const xhr = new XMLHttpRequest(); //2. 设置【2秒没有结果，把请求做一个取消】 xhr.timeout = 2000; // 2、超时回调 取消请求后，做一个回调提示
68210编辑于 2024-03-11 - 来自专栏正则
架构之路 （一） —— iOS原生系统架构
接下来这几篇我们就一起看一下关于iOS系统架构以及独立做一个APP的架构设计的相关问题。 iOS系统架构 iOS系统架构如下所示： 具体哪一层包含什么框架如下所示： 下面看一下详细的信息： 1. 下面看一下这个示意图 2. CoreGraphics.framework：包含Quartz 2D接口。 ImageIO.framework：包含读取或写入图像数据的类。 参考文章 1. iOS系统架构和常用框架 2. iOS系统架构 后记 本篇主要讲述了iOS系统的架构，感兴趣的给个赞或者关注，谢谢~~~
1.4K10发布于 2021-09-04 《云原生边缘与AI训练场景：2类高频隐蔽Bug的深度排查与架构修复》
在云原生技术向边缘计算与AI训练场景渗透的过程中，基础设施层的问题往往会被场景特性放大——边缘环境的弱网络、异构硬件，AI训练的高资源依赖、分布式协作，都可能让原本隐藏的Bug以“业务故障”的形式爆发。 本文结合两个真实生产场景的高频Bug，从技术环境还原到根因拆解，再到架构级修复方案，完整呈现问题解决的全链路，为云原生运维与AI研发团队提供可复用的实践经验，避开那些文档未提及、经验难复制的隐性陷阱。 在分布式AI训练的云原生落地中，GPU资源调度是核心支撑，也是问题高发区。 边缘计算场景的云原生落地，面临着与中心集群截然不同的网络挑战。 通过还原技术环境、拆解现象细节、溯源底层逻辑，再结合架构级的优化方案，才能真正解决问题，而非临时规避。
43300编辑于 2025-09-11- 来自专栏yeedomliu
《云原生服务网格Istio》第2章 Istio架构概述
第2章 Istio架构概述 2.1 Istio的工作机制 分为控制面和数据面两部分。 Istio几个约束描述 端口命名：对 Istio 的服务端口必须进行命名，而且名称只允许是＜protocol＞[-＜suffix＞]这种格式，其中＜protocol＞可以是tcp、http、http2、 如果把数据面的 Envoy也看作一种 Agent，则 Pilot类似传统 C/ S架构中的服务端 Master，下发指令控制客户端完成业务功能。 和传统的微服务架构对比， Pilot至少涵盖服务注册中心和 Config Server等管理组件的功能 ? 作为服务网格的数据面，Envoy提供了动态服务发现、负载均衡、TLS、HTTP/2 及 gRPC代理、熔断器、健康检查、流量拆分、灰度发布、故障注入等功能， 常用的服务访问治理规则和其执行位置 ?
1.8K20发布于 2019-10-11 本体模型+AI 大模型驱动的 AI 原生应用技术架构设计
架构定位与核心理念 1.1 系统本质 本架构描述的系统不是一个"加了 AI 功能的传统 CRUD 应用"，而是一套以本体模型为核心驱动力、以 AI 大模型为生成引擎和运行时智能引擎的 AI 原生应用架构 五、SSE 流式输出架构 AI 对话必须支持流式输出，这是 AI 原生应用用户体验的基本要求。 这套架构既适合当前的合同管理场景，也适合作为后续更多业务域扩展的通用 AI 原生应用底座。当一个新的业务域需要接入时，只需提供对应的本体 YAML，整个技术栈可以直接复用。 后续为此增加了运行时知识注册表，把 M1/M2/M3/M4/ME 模型、原始需求文档、技术架构文档统一整理成知识条目；同时新增 ontology_knowledge_query 工具，让 AI 可以围绕流程 本文档版本 1.0 | 基于合同管理 AI 原生应用技术架构设计文档 | 2026 年 4 月
69710编辑于 2026-04-13从AI增强到AI原生：我经历了架构设计的范式革命
2025年，不会设计AI原生架构的程序员，就像2015年不懂微服务一样。 最近一个猎头朋友问我："现在招聘架构师，JD里不写懂AI都不好意思发。你们搞技术的，AI到底改变了什么？" 那一刻我意识到：把AI当工具用，和为AI设计架构，是完全不同的两件事。 二、范式转移：从AI增强到AI原生 2024到2025年，业界正在经历一个关键转折点。 典型特征是： 大模型作为外部API调用 架构主体仍是传统的CRUD AI是"锦上添花"的配角 阶段2：AI原生（AI-Native） AI成为系统的核心驱动力。 预测：到2026年，超过80%的企业将采用AI原生架构模式。 三、AI原生架构的5个核心设计原则 1. 延迟不是bug，是架构问题 大模型调用动辄几秒，传统同步架构直接崩溃。
46310编辑于 2026-04-14- 来自专栏后端从入门到精通
云原生架构-架构师之路（十九）
一、云原生架构内涵 云原生架构 基于云原生技术，指将 云应用中的非业务代码部分进行最大化的剥离，让 云设施接管项目中大量非功能特性（如弹性、韧性、安全、可观测性和灰度等）。 云原生包含：业务代码、三方软件 和 处理非功能特性的代码。把这些交给IaaS和PaaS完成。 二、主要架构模式 1、服务化架构模式：典型的 微服务和小服务。 2、服务网格Mesh化架构模式：把 中间件框架（如缓存、异步mq）从业务从分离。 3、Serverless模式：将“部署”这个动作从运维手里拿走。我们不需要关注运行地点，部署地点等。 2、Kubernetes：提供分布式应用管理核心能力，包括：部署与管理，资源调度，自动修复，负载均衡可扩展等。 3、云原生微服务：单体拆分为多个子应用。 2、通用性。 3、自动弹性伸缩。 4、按量计费。 函数计算（FasS）最具有代表性的产品。把应用逻辑拆分为多个函数，每个函数通过事件方式触发。
3.7K30编辑于 2023-09-05 - 来自专栏yeedomliu
云原生应用架构实践
推荐序一 云原生与传统云计算最大的区别在于，传统云计算关注的是如何提供性价比最高的计算、存储、网络资源，而云原生关注的是 如何让产品能够支持快速验证业务模式 如何简化复杂的开发流程、提升研发效率 如何保障产品的高可用性让业务无需承受成长之痛 互联网系统架构的挑战 1.1 云应用架构技术发展 简单的云主机创建也不太能满足业务的需求，后续还有大量的运维和运营工作，运维操作频率基本占比在90%以上，尤其在业务本身不断发展并且规模不断扩大的时候会更加明显 ，矛盾也会越来越突出 1.2 云平台下架构的不同点 云应用架构设计意味着更快的迭代速度、持续可用的服务、弹性扩容及一些非功能需求，包括追求产品创新时间的技术挑战、以用户体验为中心的挑战和移动互联网时代的突发性挑战 ，保证资源的占用自动缩容，以减轻业务部门的成本支出；对于非核心的业务，启用避开峰值的方式来实现在线或离线业务的计算，尽可能实现云计算最大利用率，也就是常说的用好“云”，发挥云计算的最大价值 1.3 云原生应用架构 采用基于云原生的技术和管理方法，可以更好地把业务生于“云”或迁移到云平台，从而享受“云”的高效和持续的服务能力 目前业界公认的云原生主要包括以下几个层面的内容 敏捷基础设施 开发人员可以随时拉取一套基础设施来服务于开发
1.2K40发布于 2021-11-02 - 来自专栏CNCF
快速了解云原生架构
解读：云原生架构本质上也是一种软件架构，最大的特点是在云环境下运行，也算是微服务的一种延伸。 2. 2）什么时候开始微服务架构 几乎所有成功的微服务架构都是从一个巨大的单体架构开始的，并且都是由于单体架构太大而被拆分为微服务架构。 在所一开始就构建微服务架构的故事中，往往都有人遇到了巨大的麻烦。 2）基于公共基础服务的平台化 平台化是指利用公共基础服务提升整体架构能力。 2）趋势二：云原生操作系统开始浮现 Kubernetes 已经成为云时代的操作系统。 由于 x86 处理器的性能越来越难以提升，而在 AI 等对算力要求极高的场景，GPU、FPGA、TPU(Tensor Processing Units)等架构处理器的计算效率更具优势。
1.6K20发布于 2021-02-23 - 来自专栏JAVA开发专栏
云原生架构的定义
前言： 从技术的角度，云原生架构是基于云原生技术的一组架构原则和设计模式的集合，旨在将云应用中非业务代码的部分进行最大化的剥离，从而让云设施接管应用中原有的大量非功能特性（如弹性、韧性、安全、可观测性 云原生相比传统架构进了一大步，从业务代码中剥离了大量非功能性特性（不会是所有，比如易用性还不能进行剥离）到lassh和paas中，从而减少了业务代码开发人员的技术关注范围，通过云厂商的专业性提示了应用的非功能性能力 此外具备云原生架构的应用，可以最大化利用云服务和提升软件交付的能力，进一步的加快软件的开发。 1. 代码结构发生巨大大变化：云原生架构最有影响力的就是让开发人员的编程模型发生 巨大的变化。
65230编辑于 2023-08-10 - 来自专栏devops
【架构实战】云原生架构设计原则
核心定义云原生计算基金会（CNCF）对云原生的定义：云原生技术使组织能够在公有云、私有云和混合云等现代动态环境中构建和运行可扩展的应用程序。 ArgoCD、Spinnaker三、云原生设计原则1.微服务化展开代码语言：TXTAI代码解释传统架构：单体应用→微服务架构好处：独立部署、技术多样、快速迭代2.容器化部署展开代码语言：DockerfileAI 应用作为无状态进程运行端口绑定-通过端口绑定导出服务并发-通过进程模型扩展易处理-快速启动和优雅停止开发/生产平等-开发、预发布、生产环境尽量一致日志-把日志当作事件流管理进程-将管理任务当作一次性进程五、云原生架构模式 模式展开代码语言：TXTAI代码解释┌─────────────┐│Service││A│├─────────────┤│Sidecar│←日志、监控、安全│(Envoy)│└─────────────┘2. 1.零信任架构展开代码语言：TXTAI代码解释传统：边界安全零信任：永不信任，始终验证2.容器安全展开代码语言：YAMLAI代码解释#Pod安全策略示例apiVersion:policy/v1beta1kind
23010编辑于 2026-04-02 本体模型+AI大模型驱动的AI原生应用架构设计和实现构想
大家好，我是人月聊IT，进行继续分享本体模型驱动的AI原生应用架构设计方面的内容。 本体驱动架构（Ontology-Driven Architecture）提出了一种基于本体+AI大模型驱动的AI原生应用构建解决方案。 2. 本体模型 Meta-model 本体模型并非模糊的知识描述，而是具有严格工业规范的结构化定义。在本架构中，我们将其划分为五个互相关联的维度，构成了系统的元数据底座。 大语言模型（LLM）的集成 本架构在设计之初就考虑到了 AI 技术栈的快速迭代。因此，系统通过抽象接口层实现了对不同规模、不同部署方式模型的高度兼容。 结论：语义一致的应用架构 本体驱动的 AI 原生架构不仅是对开发工具的改进，更是对软件生命周期管理的重新定义。
77510编辑于 2026-04-13基于云原生架构的高校AI教学实验平台建设与优化
一、技术架构设计原则基于行业验证的实践表明，高效科研教学基座需满足以下技术要求： 环境隔离性 • 采用Docker容器封装不同版本的Python包（如TensorFlow 1.x/2.x） 集群与公有云算力动态调配 • 调度算法：采用DRF（Dominant Resource Fairness）算法实现多维度资源调度，任务排队时间减少58% 工具可扩展性 • 通过Helm Chart规范AI pytorch/pytorch:2.0.1-cuda11.8-cudnn8-runtime" }}性能指标： • 支持200并发实例的在线IDE • GPU利用率稳定在85%±3%（波动标准差≤2.1）2. 大模型服务化架构 基于Triton Inference Server的多模型部署方案： graph TD A[客户端请求] --> B{路由网关} B --> C[DeepSeek-7B 个独立Python环境 • 资源监控：Prometheus采集间隔1s，监控指标包括GPU利用率、显存占用、温度等12个维度 • 质量评估：基于Pylint的静态分析使代码缺陷检出率提升40%场景2：
58410编辑于 2025-03-20《PyTorch 携手 Unity：基于云原生架构化解 AI 游戏系统显存危机》
本文所详细记述的，正是在精心构建一个基于云原生架构的 AI 驱动型游戏智能体系统过程中，遭遇的一个极具代表性且充满挑战性的复杂 Bug—间歇性显存耗尽危机。 倘若此时恰逢 AI 模块处于高强度的推理计算阶段，两者叠加起来的显存需求就会瞬间超越硬件设备的承载极限。 首先是 AI 侧的自我革新与优化。我们实施了一系列严谨的措施来强化临时数据的精细化管理。 除了针对各自领域的专项改进外，还必须从整体架构层面进行高瞻远瞩的统筹规划。 它深刻教会我们在追求技术创新的道路上，更要脚踏实地夯实基础建设；在尽情享受云原生技术带来的便捷高效的同时，也要清醒认识到其背后潜藏的挑战与风险。
37000编辑于 2025-09-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号