- 综合排序
- 最热优先
- 最新优先
- 来自专栏CNCF
浅谈5 种典型的云原生架构反模式
本文将为大家讲解云原生架构中常见的反模式。 如果涉及个性化推荐的商业需求，大数据和 AI 平台也是必不可少的。 依据 DDD 的 Domain 原则划分子域后，我们会使用 Bounded Context 来实现这些子域的落地。 当开发人员同时投入 3 到 5 个微服务应用的开发和维护时，想要在不同的应用之间快速切换且不出现错误，则是非常困难的。所以一定要铭记，对于微服务来说，自动化的 CI/CD 是最低的要求。 4 架构不能充分使用云的弹性能力 云计算服务架构主要可划分为三层，分别是 IaaS、PaaS和 SaaS，如图所示。 ? 云计算服务架构 IaaS 位于最底层，提供服务器、存储、网络等服务。 5 技术架构与组织能力不匹配 应用微服务化之后，会有更多的小团队负责不同的微服务应用，可能需要重新组建管理团队、开发团队和基础设施运维团队，由此可能会带来组织结构和管理方式的调整。
61220发布于 2021-07-30 - 来自专栏云计算与大数据
浅谈5 种典型的云原生架构反模式
反模式是随着项目的推进演变而来的，主要的原因，如重大需求调整，但架构没有对应的变化，性能和安全需求对当前架构的硬性改变，团队或组织强行调整技术等。本文将为大家讲解云原生架构中常见的反模式。 如果涉及个性化推荐的商业需求，大数据和 AI 平台也是必不可少的。 依据 DDD 的 Domain 原则划分子域后，我们会使用 Bounded Context 来实现这些子域的落地。 当开发人员同时投入 3 到 5 个微服务应用的开发和维护时，想要在不同的应用之间快速切换且不出现错误，则是非常困难的。所以一定要铭记，对于微服务来说，自动化的 CI/CD 是最低的要求。 4 架构不能充分使用云的弹性能力 云计算服务架构主要可划分为三层，分别是 IaaS、PaaS和 SaaS，如图所示。 云计算服务架构 IaaS 位于最底层，提供服务器、存储、网络等服务。 5 技术架构与组织能力不匹配 应用微服务化之后，会有更多的小团队负责不同的微服务应用，可能需要重新组建管理团队、开发团队和基础设施运维团队，由此可能会带来组织结构和管理方式的调整。
1.1K30发布于 2021-08-26 - 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。 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。 定义流式 BFF 模式：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 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。
82010编辑于 2024-11-22 - 来自专栏山河已无恙
云原生架构总览
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 微服务-加速企业应用架构升级 在CNCF的定义中,微服务也是作为一种代表性的技术,而实际上,微服务更侧重于描述软件架构,这种软件架构相比单体架构,更加能够发挥云原生相关的技术优势 微服务是一种用于构建应用的架构方案 ,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ITIL
AI 原生时代，企业为什么更需要 ITIL 5 视角？
尤其在 AI 原生时代，企业不仅需要更稳定的系统运行，也需要更清晰的流程、更高效的协同，以及更智能的服务响应机制。 课程围绕 ITIL 的价值体系、指导原则、四个维度和管理实践展开，并结合 ITIL 5 视角下的价值流、数字化产品与服务生命周期进行延展。 培训中，“小龙虾”智能运维工具的演示，为学员提供了一个理解 AI 与服务管理结合的窗口。通过报障、告警分析、根因定位、自动修复等场景，学员看到 AI 如何参与服务响应和运维闭环。 AI 并不是简单替代人工，而是帮助团队更快识别异常、更好关联信息、更有效沉淀知识，并为后续问题管理和持续优化提供支持。这种场景化展示，让学员对 AI 原生时代的服务管理有了更直观的认识。 它不是简单讲授认证知识，而是把 ITIL 5、AI 运维、流程落地和企业服务能力建设放在同一个课堂中讨论。
3800编辑于 2026-05-21 - 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. 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 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 其二，以 AI 大模型作为双引擎的 AI 原生系统。在建造期，AI 大模型基于本体 YAML 自动生成应用骨架代码；在运行期，AI 大模型作为智能交互引擎，理解用户意图，调用后端能力，动态渲染结果。 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。 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。 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。 5. 成本即架构 大模型的调用成本是传统的100-1000倍。架构设计必须考虑经济性。
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。 5、分布式事务模式：访问多个微服务，必然带来分布式事务问题。 6、可观测架构：如Logging、Tracing等。 7、事件驱动架构：应用/组件集成的架构，适合数据变化通知等场景。 改造第二阶段： 基于共有云、私有云和离线专属云集群等新型计算环境，构建成具有弹性的云原生技术。 之后则是云原生技术，通过api接口调用云原生平台。
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
；发布系统的时候，以实际流量的 5 倍来部署。 云原生开发人员掌握多种基础架构 云原生开发的灵活性让各个组织更灵活地操作分布式基础架构，并按需合理分配工作资源。 与未参与云原生的开发人员相比，云原生开发人员掌握的计算基础架构确实更多。 随着技术演进和社区发展，越来越多有状态应用和大数据 / AI 应用负载逐渐迁移到 Kubernetes 上。 结合分布式缓存加速(比如 Alluxio 或阿里云 Jindofs)和调度优化，大大提升数据计算类和 AI 任务的计算效率。 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 渐进式交付展开代码语言：YAMLAI代码解释#Canary部署示例apiVersion:flagger.app/v1beta1kind:Canaryspec:analysis:interval:1mthreshold:5maxWeight 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。 (参考我前面文章思路，推理应该采用图数据库+AI大模型混合推理机制） 4.4 基础设施层：混合存储与资源隔离 基础设施层提供了持久化保障。图数据库专门负责存储 M1-M5 的关联关系与版本元数据。 5. 技术实现-从设计态到运行态 技术架构详细描述了系统在不同阶段的具体实现手段，重点在于如何利用本地工具链完成从定义到执行的自动重构。 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 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 amp训练效率： • 8*A100环境下线性加速比达91% • 单epoch耗时从112s降至13s（吞吐量提升8.6倍）三、典型场景技术指标场景1：智能教学实验室 • 环境构建：通过容器编排工具在5分钟内创建 关键配置变更 • 数据留存周期：实验数据≥7年，元数据≥10年五、技术演进方向 异构计算支持 • AMD GPU资源池化方案：通过ROCm 5.6实现MIG算力切片 • 量子-经典混合架构
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