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
系统技术架构文档
收录了 系统技术架构文档 频道下的 50 篇内容
系统架构图逆向工程：用 GPT-Image 识别系统拓扑图并生成技术文档
编写和维护技术文档是每个研发团队最头疼的“技术债”。随着项目交接或时间推移，许多系统往往只留下一张布满各类云服务图标、连线交错的系统拓扑图，详细的架构文档早已遗失。如今，利用 菲菲AI（neneai.cn ）这类 AI 模型聚合平台，开发者可以直接将系统架
#人工智能
AI agent搭建平台
GPT Image 2
07-29
0
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。
AI 时代，软件架构师的角色该如何重新定位
本文通过“三个回路”模型，探讨架构师如何在效率、治理与责任之间重新定位自身价值。
让外部知识“长入”模型：动态化与参数化 RAG 技术探索
本文介绍了如何从注意力网络和多层感知机权重两个角度实现动态化和参数化的检索增强，在不改变 LLM 原有参数的前提下实现无缝且实时的外部知识注入。实验表明，与传统 RAG 相比，基于动态化和参数化的检索增强技术可以在提升系统的准确性和适应性的同时显著减少计算开销。
OpenClaw 走红背后：Agent、AI Coding 与团队协作的新问题
Agent 能否真正进入研发流程？AI 写代码的边界到底在哪里？团队又该如何在效率和可控之间找到平衡？
OpenAI 提出 Harness Engineering：Codex 智能体驱动大规模软件开发
OpenAI 提出名为 Harness Engineering 的内部工程新方法论，通过 AI 智能体驱动软件开发全流程关键环节。
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。
跟上 AI 的节奏：为演进式架构构建上下文存储库
AI虽可快速完成大部分开发工作，但会隐藏架构隐患。建立统一存放于代码仓库的上下文存储库，整合规范设计文档、TDD测试、自动化架构校验工具，以此实现人与AI安全协同迭代系统。
将可理解性作为架构特性：无法理解的系统无法安全演进
在演进式架构中，系统应该设计成可以吸收并适应不断变化的需求和环境。但要真正实现这种适应性，团队成员需要对系统本身有深刻的理解。
谷歌首席工程师：二十年自然生长出来的软件工程生态，快被大模型 10 倍提速撑爆
10 倍代码就是 10 倍负债，为什么 AI 时代的赢家不是产出最高的团队？
基于 Apache Camel 编排智能体与多模态 AI 管道
本文探讨了如何基于 Apache Camel 搭建具备智能体能力的多模态 AI 系统。该方案的核心组成部分包含大语言模型推理、检索增强生成（RAG）以及图像分类。
昇腾管推理、鲲鹏管 Agent，Agentic AI 让 CPU 重回舞台中央
是否实现全域内存统一编址和内存语义？
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。
软件从现实开始：知识驱动计算（KDC）的 Reality First 主张
当 AI 应用开始在运行时解释数据、选择工具并影响业务状态时，数据表示中的遗漏和歧义可能直接转化为行动风险。
虚拟座谈会：机器时代的安全——专家解读 AI 威胁的演变
本次虚拟座谈会汇聚了业界顶尖的实践者，共同探讨 AI 威胁的演变趋势。他们还将审视传统安全方法的局限性，以及抵御未来攻击所需的关键技能。
Uber 借助智能体系统实现设计文档自动化
在 Uber 的工程博客上，Ian Guisard 介绍了 uSpec，这是一个用于自动创建组件设计规范的智能体系统。借助 AI 代理和开源的 Figma Console Model Context Protocol（MCP），Uber 将撰写详细文档所需的时间从数周缩短到了几分钟。
4.5 个月迁走 1200 个微服务：腾讯云参与印尼运营商云转型，AI 开始接管迁移全流程
项目涉及十余家本土伙伴，跨语言、跨团队协作链条较长～
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。
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。
基于开放标准构建可移植系统，筑牢数字主权根基
数字主权旨在通过限制单一厂商依赖、掌控核心系统；依托开放标准与可移植架构破除锁定、保留迁移能力，应对厂商经营与政策变动。虽无法实现完全独立，但规范设计与治理约束可显著提升系统韧性。
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
