领域模型为核心的架构设计 初篇

简介: 领域模型为核心的架构设计 初篇

写在前面

参加了一个培训,主题就是以领域模型为核心的架构设计。很受启发,想着把思考,分享出来,大家可以在设计之路上,有所参考。

本篇文章,大致上从以下几个方面展开:

  • 目前项目进展过程中的痛点
  • 领域模型的概念
  • 模型的必要性
  • 领域模型的优势

项目痛点

从一些故事说起吧。

A

话说,在一个科技公司,开发人员大量辞职,均不同程度的产生焦虑、恐惧的情绪。公司高层都蒙了,开始调查原因。最终发现,公司里制度比较严格,对于上线的bug,会扣绩效、罚款。所有开发人员、测试人员,每个周的多次发版,都是战战兢兢。永远都是未知的问题占据了上风。很多时候,有可能不是新需求带来的问题,反而是老的业务需求,发生的问题。不管测试人员多努力,很多时候,就是会发生未知的问题。代码审核、管控,此时也都失效。久而久之,恐惧占据了心扉。

B

有一家中小微互联网企业,本来的架构比较传统,因为业务量没有那么大,采用了传统的单体结构。随着业务的开展、公司的发展,也是因为新来了一个技术总监,新人新气象,准备大刀破斧的实施技术改革,准备切换到微服务架构。对系统做新的重构,本来应该好好梳理出相关的业务场景、业务逻辑,但是可能时间紧迫,比较急于求成,导致服务拆分,乱七八糟,业务实现问题很多,系统产生了各种问题,严重影响了线上的业务。最终迫不得已,重新切换回了原架构。

上边两个故事,正是很好的描述了,项目开展进程中的一些痛点。

  1. 开发测试和代码审核管控无效,带来更多的未知问题
  2. 项目重构,造成更复杂问题,难以保证合理重构

总结看来,就是技术债务,严重影响了组织生产力。

项目开展过程中,基础没有做好,就会遗留一堆的技术问题,久而久之,就产生了技术债务。包括遗留bug、不规范设计、不合理业务流等等各个方面。技术债务的出现,严重影响了组织生产力。一代老人去,一代新人来。积攒的问题,最后爆发,会带来意想不到的巨大损失。

领域模型的概念

领域模型,用来描述现实世界的实体以及实体之间的关系。

领域模型,是对问题空间的理解。

举个例子说明,现在有个业务场景。说一个线上项目,场景为,用户需要拼车,然后线上下单,描述路程与出行时间,寻找车辆与同行的人,然后选择支付缴费方式。那么,我们用领域模型来描述,如下图所示:

image.png

目前呢,没有明确的说明,领域模型用什么来进行刻画,姑且现在用类图来描述。那么上图,相信大家很容易一目了然的了解这个业务场景。

领域模型的必要性

建立领域模型的必要性,大致上存在以下几点内容:

  1. 目前开发效率提升和业务发展要求存在冲突,没有很好的手段,来提升生产力,解决技术债务带来的影响。
    支撑业务发展,引领业务创新,软件在业务中作用越来越大,但是开发效率始终没有本质提升
  2. 不良的业务分析、架构设计基础之上,推动技术变革、发展,推动实施微服务、中台化,往往促使,矛盾更加凸显
  3. 未来技术发展,是云原生的未来。那么需求分析、架构设计、实现能力,都将回归基本能力。

需要有一种手段,来贯穿软件开发的整个生命周期。建立一门统一语言,来解决目前技术债务的痛点。

领域模型的出现,通过:

  • 业务引领的领域建模
  • 领域驱动的微服务架构
  • 契约导向的软件实现

完成,更好的高效的技术实践。经过实践来看,采用领域模型,至少提高10倍的生产力。

领域模型的优势

构建领域为核心的高效技术实践,需要领域模型的引领全局。

在软件开发中,认知是软件开发中的核心任务。

多少个软件开发中,因为产品经理和开发人员因为概念理解等问题闹得不可开交。对一件事情的认知,尤其重要。当然不仅仅体现在软件开发中。

举个例子讲,谈恋爱还得讲究三观一致,要不然,最终结局也估计不是理想的。

那么,对领域的认知,是一家企业的根本能力和竞争力。只有掌握好,自己公司领域的认知。达到全员一致化,那才能顺畅的开展一切的业务。

缺乏领域模型的信号:

1)组织没有概念共识

2)沟通误解不必要的需求

该信号,正是凸显了认知的存在性和必要性。

一个高质量的领域模型有以下特点:

  • 建立共识
    建立一门统一语言,解决企业内认知弊端,达到统一认知
  • 产生洞察
    有了领域模型,会提升业务人员的直觉,添加分解和抽象的能力,养成持续演进的思维方式
  • 持续演进
    没有稳定不变的模型,只有更适合当前场景的模型,最好的模型,就是能够尽大可能的兼容,可扩展

领域模型,它不是分析阶段的产物,是贯穿整个软件开发的过程。

分析阶段,领域模型,构建共识

开发阶段,领域模型,引领开发

测试阶段,领域模型,可以自动化测试

总结

构建以领域模型为核心的高效架构实践,是指导我们软件开发的必然实践。

目录
相关文章
|
1月前
|
机器学习/深度学习 人工智能 监控
大型动作模型LAM:让企业重复任务实现80%效率提升的AI技术架构与实现方案
大型动作模型(LAMs)作为人工智能新架构,融合神经网络与符号逻辑,实现企业重复任务的自动化处理。通过神经符号集成、动作执行管道、模式学习、任务分解等核心技术,系统可高效解析用户意图并执行复杂操作,显著提升企业运营效率并降低人工成本。其自适应学习能力与上下文感知机制,使自动化流程更智能、灵活,为企业数字化转型提供坚实支撑。
160 0
大型动作模型LAM:让企业重复任务实现80%效率提升的AI技术架构与实现方案
|
2月前
|
存储 BI Shell
Doris基础-架构、数据模型、数据划分
Apache Doris 是一款高性能、实时分析型数据库,基于MPP架构,支持高并发查询与复杂分析。其前身是百度的Palo项目,现为Apache顶级项目。Doris适用于报表分析、数据仓库构建、日志检索等场景,具备存算一体与存算分离两种架构,灵活适应不同业务需求。它提供主键、明细和聚合三种数据模型,便于高效处理更新、存储与统计汇总操作,广泛应用于大数据分析领域。
370 2
|
10天前
|
数据采集 机器学习/深度学习 搜索推荐
MIT新论文:数据即上限,扩散模型的关键能力来自图像统计规律,而非复杂架构
MIT与丰田研究院研究发现,扩散模型的“局部性”并非源于网络架构的精巧设计,而是自然图像统计规律的产物。通过线性模型仅学习像素相关性,即可复现U-Net般的局部敏感模式,揭示数据本身蕴含生成“魔法”。
52 3
MIT新论文:数据即上限,扩散模型的关键能力来自图像统计规律,而非复杂架构
|
4月前
|
人工智能 负载均衡 API
长连接网关技术专题(十二):大模型时代多模型AI网关的架构设计与实现
随着 AI 技术快速发展,业务对 AI 能力的渴求日益增长。当 AI 服务面对处理大规模请求和高并发流量时,AI 网关从中扮演着至关重要的角色。AI 服务通常涉及大量的计算任务和设备资源占用,此时需要一个 AI 网关负责协调这些请求来确保系统的稳定性与高效性。因此,与传统微服务架构类似,我们将相关 API 管理的功能(如流量控制、用户鉴权、配额计费、负载均衡、API 路由等)集中放置在 AI 网关层,可以降低系统整体复杂度并提升可维护性。 本文要分享的是B站在大模型时代基于多模型AI的网关架构设计和实践总结,希望能带给你启发。
343 4
|
4月前
|
人工智能 缓存 自然语言处理
Bolt DIY架构揭秘:从模型初始化到响应生成的技术之旅
在使用Bolt DIY或类似的AI对话应用时,你是否曾好奇过从输入提示词到获得回答的整个过程是如何运作的?当你点击发送按钮那一刻,背后究竟发生了什么?本文将揭开这一过程的神秘面纱,深入浅出地解析AI对话系统的核心技术架构。
|
5月前
|
机器学习/深度学习 人工智能 文件存储
Llama Nemotron:英伟达开源基于Llama架构优化的推理模型,253B参数持平DeepSeek R1!
NVIDIA推出的Llama Nemotron系列推理模型,基于Llama架构优化,包含Nano/Super/Ultra三款,在数学推理、编程和工具调用等任务中展现卓越性能。
172 5
Llama Nemotron:英伟达开源基于Llama架构优化的推理模型,253B参数持平DeepSeek R1!
|
5月前
|
人工智能 算法 网络安全
基于PAI+专属网关+私网连接:构建全链路Deepseek云上私有化部署与模型调用架构
本文介绍了阿里云通过PAI+专属网关+私网连接方案,帮助企业实现DeepSeek-R1模型的私有化部署。方案解决了算力成本高、资源紧张、部署复杂和数据安全等问题,支持全链路零公网暴露及全球低延迟算力网络,最终实现技术可控、成本优化与安全可靠的AI部署路径,满足企业全球化业务需求。
|
7月前
|
机器学习/深度学习 计算机视觉 iOS开发
RT-DETR改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 RepViT 轻量级的Vision Transformers架构
RT-DETR改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 RepViT 轻量级的Vision Transformers架构
380 0
RT-DETR改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 RepViT 轻量级的Vision Transformers架构
|
2月前
|
人工智能 监控 API
MCP中台,究竟如何实现多模型、多渠道、多环境的统一管控?如何以MCP为核心设计AI应用架构?
本文产品专家三桥君探讨了以 MCP 为核心的 AI 应用架构设计,从统一接入、数据管理、服务编排到部署策略等维度,系统化分析了 AI 落地的关键环节。重点介绍了 API 网关的多终端适配、数据异步处理流程、LLM 服务的灰度发布与 Fallback 机制,以及 MCP Server 作为核心枢纽的调度功能。同时对比了公有云 API、私有化 GPU 和无服务器部署的适用场景,强调通过全链路监控与智能告警保障系统稳定性。该架构为企业高效整合 AI 能力提供了实践路径,平衡性能、成本与灵活性需求。
183 0
|
4月前
|
机器学习/深度学习 人工智能 算法
大型多模态推理模型技术演进综述:从模块化架构到原生推理能力的综合分析
该研究系统梳理了大型多模态推理模型(LMRMs)的技术发展,从早期模块化架构到统一的语言中心框架,提出原生LMRMs(N-LMRMs)的前沿概念。论文划分三个技术演进阶段及一个前瞻性范式,深入探讨关键挑战与评估基准,为构建复杂动态环境中的稳健AI系统提供理论框架。未来方向聚焦全模态泛化、深度推理与智能体行为,推动跨模态融合与自主交互能力的发展。
286 13
大型多模态推理模型技术演进综述:从模块化架构到原生推理能力的综合分析

热门文章

最新文章