写点什么
创作场景
- 记录自己日常工作的实践、心得
- 发表对生活和职场的感悟
- 针对感兴趣的事件发表随笔或者杂谈
- 从 0 到 1 详细介绍你掌握的一门语言、一个技术，或者一个兴趣、爱好
- 或者，就直接把你的个人博客、公众号直接搬到这里
登录/注册
信息系统架构
收录了 信息系统架构 频道下的 50 篇内容
AI 给软件开发带来的改变（一）架构
作为对《AI 背景下的软件开发之道》后续展开系列文章的第一篇，论述AI对架构理念、架构师职责和架构师工作方式带来的冲击和改变。
架构师
AI Agent时代
04-19
0
![[序列12]新持牌消费金融公司，从零搭建全套信息系统总纲【架构师实战总序】](https://static001.geekbang.org/infoq/e1/e19e9db47e3de642082547ba588bddd8.png?x-oss-process=image/resize,w_416,h_234)
[序列 12] 新持牌消费金融公司，从零搭建全套信息系统总纲【架构师实战总序】
以全新开业、从零起步的持牌消费金融公司为真实项目背景，完整复盘一套「合规、标准、架构化、可演进」的金融核心信息系统，从 0 到 1 的完整建设全过程。
DDD
金融科技
架构设计
BIZBOK
TOGAF
06-01
0
架构变更案例：面向演进式架构的实用方法
架构变更案例拓展了架构决策记录（ADR）的设计思路，用于评估各项决策后续可能发生的变更，能够挖掘隐藏的预设条件，协助团队预估变更的撤回成本与可逆程度。
AI 架构中的 “油水难融” 时刻
当确定性系统与非确定性AI行为相遇，软件架构正面临如同“油水混合”般的挑战。架构师需用意图、治理与系统思维锚定智能系统，本文介绍的V型影响画布正是以人类信任为核心、应对这一变革的架构框架。
轻量级 ADR 与架构咨询例会如何支撑架构决策工作
架构咨询流程可实现去中心化架构决策，以ADR为支撑、每周架构咨询例会为辅，而决策方式是架构工作的核心。
通过架构建议流程实现架构决策的去中心化
我们的系统架构会随着技术和开发实践的发展而变化，但我们实践架构的方式并没有跟上这种变化。
引迈信息多租户系统：基于云原生架构的企业级数字化底座
在数字化浪潮席卷千行百业的今天，企业对于高效、灵活、低成本的信息化需求日益迫切。传统的“一个企业一套系统”的部署模式，不仅带来了高昂的初始投入和运维成本，更在敏捷响应市场变化、实现数据驱动决策方面力不从心。正是在这样的背景下，SaaS（软件即服
2025-11-27
0
构建大规模自治体系
本文提出了一个用于架构去中心化的实用框架，通过采用清晰的决策边界、共同原则以及“护栏”（而非“门禁”）来对齐局部决策，实现大规模一致性。
AI 时代的架构治理
生成式 AI 时代代码易得，但架构一致性难以保障，传统评审模式无法适配 AI 生成效率。本文介绍声明式架构，通过将 ADR 与事件模型转为自动化规则，实现轻量化合规路径，在去中心化治理的同时保持整体协同。
使用 AI 生成了 MVP，这对软件架构来说意味着什么
AI生成的代码会带来隐含的架构决策，迫使团队依靠实验来验证质量属性。若想从 AI 中得到有效结果，团队必须清晰阐述设计权衡与推导逻辑，让模型能够生成符合预期 QAR 的方案。
银行业云原生事件驱动架构实践：经验与教训
事件驱动架构可为银行带来系统解耦、扩容与审计追溯等价值，但也伴随复杂性与运维难题。Chris Tacey‑Green 介绍了其在银行业的应用价值，以及保障可靠性所需的收件箱/发件箱模式、稳定事件契约等实践方案。
硬件成本直降 60%！原生分布式 VS 传统分库分表数据库
近年来，受半导体供应链紧张、核心芯片产能受限以及国际地缘政治波动影响，服务器硬件价格持续大幅上涨。尤其是企业数据系统投入的数据型服务器，受内存和存储的持续大幅涨价影响，上涨幅度甚至超过了 200%，并且交付周期延长，企业 IT 基础设施投入压力空前。
“奥特曼拉来多少万亿都没用”！UML 之父判断：大模型不会真正思考，从架构上就是死胡同
InfoQ与Gardy Booch探讨了当机器与人类共同编写代码时，架构应当如何进化的原则性议题。
Java 世界的 MCP：将架构策略应用于 LLM 集成
大语言模型不再仅仅用于实验性的聊天机器人或个人生产力工具。在企业中，这些模型正在改变团队与系统互动以及做出实际决策的方式。从本质上讲，它们已经成为真正的架构组件。
从唤醒到陪伴：多模态 Agent 如何重构手机交互范式｜AICon 上海
本次分享介绍的系统，以手机屏幕时序视频流为输入，构建了一个具备持续感知、个性化记忆与主动执行能力的多模态伴随 Agent。
超越 RAG：用 Spring Boot 构建具备上下文感知能力的 AI 系统
检索增强生成（RAG）可以有效将大语言模型的输出与外部知识对齐，但它并不会建模运行时上下文，例如用户身份、会话状态或业务约束，而这些正是企业应用所依赖的关键要素。 上下文增强生成（CAG）是在现有 RAG 流程之上的扩展，通过引入一个显式的上下文管理器，在不需要重新训练模型或改动检索基础设施的前提下，对运行时上下文进行组装和规范化。 在基于 Java 的系统中，这种模式可以通过 Spring Boot 清晰地实现：在现有的检索器和 LLM 服务之上增加一层上下文编排逻辑，从而保持既有的应用结构和部署方式不变。 将“上下文”视为一等架构要素，有助于提升系统的可追踪性和可复现性，使得在受监管或多租户环境中可以清晰解释 AI 响应的生成过程。 CAG 模式为以文档为中心的 RAG 原型提供了一条渐进式演进路径，使其发展为具备上下文感知能力的企业级 AI 服务，同时保留已有投入和系统稳定性。
Copyright © 2026, Geekbang Technology Ltd. All rights reserved. 极客邦控股（北京）有限公司 | 京 ICP 备 16027448 号 - 5
京公网安备 11010502039052号 | 产品资质
京公网安备 11010502039052号 | 产品资质
