应用架构图

简介: 技术架构是将业务需求转化为技术实现的关键过程,涵盖分层设计、技术选型与系统集成。包括单体与分布式架构,明确应用内外调用关系及边界,支撑产品高效稳定运行。

在上一节有了业务架构的基础之上,当我们需要落地具体的技术方案时,此时就需要技术人员开始考虑技术架构了。技术架构是应接应用架构的技术需求,并根据识别的技术需求,进行技术选项,把各个关键技术和技术之间的关系描述清楚。
基础结构解决的主要问题包括:如何进行技术层面的分层、开发框架的选择、开发语言的选择、涉及非功能性需求的技术选择。由于应用架构体系是分层的,那么对应的技术架构体系自然也是分层的。大的分层有微服务架构分层模型,小的则是单个应用的技术分层框架。大的技术体系考虑清楚后,剩下问题就是根据实际业务考虑选择具体的技术点。各个技术点的分析、方案选择,最终形成关键技术清单,关键技术清单应考虑架构本身的分层逻辑,最终形成一个完整的技术架构图。
简而言之,技术架构试讲产品需求转变为技术实现的过程。

单体应用架构
单体应用架构一般是比较传统的分为4层:数据层(Data Layer)、应用逻辑层(Business Layer)、表现层(Presentation Layer)和基础通用层


展现层
展现层是整个应用面向用户的入口,用户通过展现层实现与系统的交互。展现层为用户提供系统功能的操作、系统数据的展现。展现层按照面向的用户类型提供不同的交互服务。例如在业务场景中,用户有实操层用户、管理层用户、决策层用户。针对不同层级的用户,系统所提供的功能是不相同:
面向实操层用户,提供的是对系统的操作功能,满足业务日常运营。往往更多的是执行具体操作。
面向管理层用户,满足管理者的日常管理需求,通常提供经营数据、日常管理数据、团队业务数据等等。通过数据分析,改善日常运营的流程。
面向决策层用户,这一层的用户不需要太细的数据,为其提供企业的经营诊断数据和报告,辅助决策支持。
业务层
业务层是应用为解决业务需求,按照产品架构中的功能模块进行细化。业务层是对将产品层从粗到细的分解过程。这个过程是对业务的细化过程,把项目要交付的模块细分到最基本的单元。最基本单元是实现日常业务操作的最细粒度的功能点。由此,我们能够得到实现业务逻辑的全功能结构。
数据层
数据层按照应用的数据模型分别进行存储。这里的存储介质包含关系型数据库、NoSQL、分布式文件系统。
基础层
通用基础层是为系统提供通用能力的中间件,比如流程引擎、消息中间件、缓存、搜索引擎等等。这些中间件和业务是无相关性的,提供的是通用的基础技术能力。
基于上述分析,我们可以得到一个如下单体应用的技术架构:


分布式应用架构
分布式应用架构图实质是产品内部所有应用在分布式环境下的调用关系图。各应用间通过服务的形式相互调用,这是典型的 SOA 架构。在应用架构图中,SOA 架构中的服务注册、服务治理、服务发现这些 RPC 框架的基础平台功能不用在应用架构中体现。
应用架构图的重点是体现应用之间的逻辑关系和通信关系,体现产品的内部关系和外部关系。内部关系是产品内各应用的调用关系;外部关系展现的是产品与外部系统间的调用关系。将应用的内外关系呈现在应用架构中,产品在整个业务中的定位和影响将变得清晰。
应用间调用关系
在产品内部的各子系统之间,为了解决业务需求,通过应用之间的服务调用或者异步消息调用产生数据关系。通过产品架构图中得到的应用系统划分,按照系统间的调用关系,形成内部应用的集成架构图。在应用集成架构图中,需要标注调用链路中的业务含义,清楚的标注应用之间发生的业务关系。


外部系统调用关系
数据输入做为产品的业务数据来源,很大部分是外部系统提供。在应用架构图中,按照业务属性、来源关系进行对外部系统进行归类,并将外部的来源系统纳入整个应用架构中。我们知道计算机系统中,数据输入和数据输出是作为一个整体。应用架构中除了输入系统,输出系统做为整个产品的一部分,需要纳入到应用架构图中。


明确应用调用边界
应用边界对于产品的定位、产品的设计有很重要的影响。在应用架构中需要通过不同颜色的标注,来确定产品与外部系统的边界。通过不同颜色标注外部来源系统、内部应用、应用依赖系统、输出系统。为后续的规划、发展提供基础。

相关文章
|
3月前
|
缓存 自然语言处理 安全
TikTok item_get_video - 获取视频详情接口对接全攻略:从入门到精通
TikTok `item_get_video` 接口可精准获取视频详情,支持播放量、商品标签、BGM等字段,适用于跨境内容聚合、带货分析与品牌舆情监测。提供官方OAuth2.0与第三方key-secret两种接入方式,本文详解权限申请、签名认证、Python实操及生产优化,助力高效稳定对接。
|
3月前
|
机器学习/深度学习 人工智能 算法
构建AI智能体:六十八、集成学习:从三个臭皮匠到AI集体智慧的深度解析
集成学习不是简单的"模型堆砌",而是有深刻理论支撑的系统性方法。理解其核心思想:集体智慧,多个不完美的个体可以组成一个强大的集体,误差分解,通过降低方差或偏差来提升性能,多样性驱动,模型间的差异是集成效果的关键,分层学习,从数据学习到学习如何学习。集成学习代表了机器学习中的一个重要哲学:通过协作和组合,我们可以创造出超越任何单个组件能力的系统。这正是"三个臭皮匠,顶个诸葛亮"在人工智能时代的具体实践。
355 108
|
19天前
|
JavaScript 网络安全 数据处理
OpenClaw/Clawdbot阿里云一键部署+Windows本地搭建集成skills,新手10分钟上手
2026年,AI智能代理工具迎来爆发式增长,OpenClaw(原Clawdbot/Moltbot)凭借开源可控、多任务自动化、跨平台协同的核心优势,成为个人办公与轻量团队协作的“数字员工”首选。它不仅能实现自然语言交互,更能自动化完成文件处理、日程管理、邮件整理等实际工作,兼容Qwen、GPT、Claude等多款大模型,落地性极强。
242 0
|
2月前
|
人工智能 自然语言处理 运维
构建AI智能体:一百、AI模型选择与部署考量:从业务需求到实际落地的思考决策
本文系统介绍了AI模型生态分类与选型方法论。主要内容包括:1)AI模型分类体系,分为通用大语言模型、文本嵌入模型和专业领域模型三大类;2)业务需求分析方法,从功能、性能、用户体验等维度进行需求拆解;3)模型选型决策框架,基于参数量、序列长度等指标建立四阶段评估流程;4)典型场景的模型选择建议,如智能客服推荐中等规模对话模型,内容创作选择大模型等。文章强调模型选择需平衡业务需求、技术指标和资源约束,并提供了代码示例说明不同模型的使用方法。最终指出没有最优模型,只有最适合特定场景的模型选择方案。
302 17
|
1月前
|
人工智能 自然语言处理 数据可视化
三步入门:利用 Dify 可视化工作流连接 LLM 与工具
还在为如何将大语言模型与天气查询、数据处理等外部工具集成而烦恼?Dify的可视化工作流让这一切变得直观高效。无需处理复杂代码,只需拖拽节点、配置提示词和API参数,即可快速搭建从“用户提问”到“工具调用”再到“格式化回复”的完整AI应用链路。本文将手把手教你创建智能天气助手,解锁低门槛的AI应用开发。
|
19天前
|
人工智能 安全 API
2026年OpenClaw(Clawdbot)安全实战指南:5000+Skill选型攻略+部署流程+风险防御解析
2026年,OpenClaw(原Clawdbot、Moltbot)凭借开放的Skill生态成为AI助手领域的标杆,ClawHub平台汇聚的5705个技能覆盖办公自动化、智能家居、内容创作等全场景需求。但繁荣背后暗藏致命风险:Koi Security审计发现341个恶意Skill,Bitdefender扫描显示近20%的Skill存在安全漏洞,这些恶意插件伪装成“加密钱包追踪器”“YouTube摘要工具”等实用工具,实则窃取API密钥、开启反向Shell远程控制设备,成为潜伏在设备中的安全陷阱。
774 0
|
3月前
|
人工智能 JavaScript 机器人
Coze vs Dify vs n8n:三大AI智能体开发平台全面对比
2025年三大AI智能体平台深度对比:Coze零代码快速搭建,适合个人与轻量应用;Dify专注企业级大模型应用,平衡易用与灵活;n8n强在自动化集成,支持高度定制。根据需求选型,助力高效开发。
|
3月前
|
存储 缓存 算法
零拷贝
服务器传输大文件时,传统方法因频繁的上下文切换和内存拷贝导致性能低下。零拷贝技术通过减少系统调用和数据拷贝次数,显著提升效率,尤其适用于小文件传输;而大文件场景则推荐异步IO结合直接IO,避免PageCache副作用,优化高并发性能。(239字)
零拷贝
|
3月前
|
NoSQL Linux Shell
MongoDB单机部署
本文详细介绍MongoDB在Windows和Linux系统下的安装与启动方法,包括下载地址、版本选择、解压配置、环境变量设置、配置文件编写及常见问题解决。同时介绍通过mongo shell和Compass图形化工具连接数据库的操作步骤,并提供附件中的各环境安装包信息,适用于初学者快速上手部署MongoDB单机服务。

热门文章

最新文章