作者 | Jonathan McPhail, Juan Medina 等

譯者 | 張衛(wèi)濱

引言：悖論

數(shù)據(jù)能夠反映出很有意思的現(xiàn)實(shí)。麥肯錫的“人工智能現(xiàn)狀（State of AI）”報(bào)告顯示，72% 的組織已經(jīng)在至少一項(xiàng)業(yè)務(wù)職能中采用了 AI。投資速度令人震驚，數(shù)百億美元正在被投入 AI 研究，企業(yè)為 AI 項(xiàng)目劃撥了前所未有的預(yù)算。然而，在現(xiàn)實(shí)中，大多數(shù)組織并沒(méi)有從中獲得實(shí)質(zhì)性的價(jià)值。

一個(gè)鮮明的例子是 優(yōu)步的 Michelangelo 平臺(tái)（來(lái)自 Wang Kai 等人）。該平臺(tái)經(jīng)過(guò)多年建設(shè)，已經(jīng)成為其機(jī)器學(xué)習(xí)的基礎(chǔ)設(shè)施，能夠使開(kāi)發(fā)團(tuán)隊(duì)快速掌控自身的領(lǐng)域，并部署從路徑優(yōu)化到需求預(yù)測(cè)等各類解決方案。隨著 AI 技術(shù)演進(jìn)，優(yōu)步進(jìn)一步利用生成式 AI（GenAI）加速了開(kāi)發(fā)進(jìn)程。正是由于早已建立了堅(jiān)實(shí)的組織與技術(shù)基礎(chǔ)，優(yōu)步才能在 AI 浪潮中占據(jù)先機(jī)。

與此同時(shí)，過(guò)去幾年采納 AI 的大多數(shù)大型企業(yè)卻難以突破試點(diǎn)階段。這些企業(yè)擁有相同的技術(shù)和知識(shí)資源，卻缺乏必要的組織結(jié)構(gòu)與平臺(tái)來(lái)釋放 AI 的真正價(jià)值。Gartner 2025 年的研究 顯示，在 AI 成熟度較高的組織中，僅有 45% 能將項(xiàng)目維持三年以上，此外，57% 的高成熟度組織已準(zhǔn)備好采用新的 AI 解決方案，而低成熟度組織中這一比例僅為 14%。

我們談?wù)摰?vs 真正重要的

正如麥肯錫的 AI 狀態(tài)報(bào)告 所示，AI 的采納速度在不同行業(yè)及組織內(nèi)部不同類型工作中呈現(xiàn)出顯著的差異。在軟件平臺(tái)與工程領(lǐng)域，AI 的應(yīng)用已明顯加速。

隨著開(kāi)發(fā)與 DevOps 社區(qū)擁抱 AI，其放大效應(yīng)顯而易見(jiàn)。谷歌的“DORA：AI 輔助軟件開(kāi)發(fā)現(xiàn)狀”報(bào)告指出，采用 AI 帶來(lái)了可觀的收益，包括：

• 個(gè)體效能的提升

• 工作重心轉(zhuǎn)向更高價(jià)值任務(wù)

• 產(chǎn)品性能改善

• 代碼質(zhì)量提高

• 組織整體績(jī)效增強(qiáng)

然而，盡管技術(shù)在不斷進(jìn)步，但是組織層面的影響仍參差不齊。JetBrains 的“開(kāi)發(fā)者生態(tài)系統(tǒng)現(xiàn)狀”調(diào)查顯示，超過(guò) 50% 的開(kāi)發(fā)者每天有 20% 至 60% 的時(shí)間花在會(huì)議、工作聊天和郵件上。溝通與狀態(tài)對(duì)齊仍是核心挑戰(zhàn)。矛盾點(diǎn)在于，更快地交付成果，并不必然意味著更快地創(chuàng)造商業(yè)價(jià)值。

將更多精力投入到理解價(jià)值流與業(yè)務(wù)上下文，才是交付更高價(jià)值的可行路徑。架構(gòu)師在此過(guò)程中扮演關(guān)鍵角色，也就是彌合組織目標(biāo)與開(kāi)發(fā)速度之間的鴻溝。他們幫助團(tuán)隊(duì)設(shè)計(jì)具備韌性、可擴(kuò)展的系統(tǒng)，將業(yè)務(wù)意圖轉(zhuǎn)化為穩(wěn)健的技術(shù)實(shí)現(xiàn)。

歸根結(jié)底，真正重要的并非我們編碼或部署的速度有多快，而是我們能否有效地將持續(xù)改進(jìn)融入業(yè)務(wù)運(yùn)營(yíng)與組織體系之中。

邁向 AI 驅(qū)動(dòng)的持續(xù)變革流

顯然，人工智能（尤其是生成式 AI 和 AI Agent）正在促使組織重新思考如何適應(yīng)持續(xù)發(fā)生的變化。但這并不意味著傳統(tǒng)的架構(gòu)定義方法已經(jīng)過(guò)時(shí)。相反，這條路徑在于利用 AI 增強(qiáng)既有的架構(gòu)實(shí)踐，從而在業(yè)務(wù)上下文、設(shè)計(jì)與交付之間建立持續(xù)的流動(dòng)。

Anthropic 的“經(jīng)濟(jì)指數(shù)報(bào)告”基于數(shù)百萬(wàn)條匿名的 Claude 對(duì)話數(shù)據(jù)，將用戶與 Claude 的交互模式分為兩類：自動(dòng)化（AI 在無(wú)需顯著用戶輸入的情況下完成任務(wù)）和增強(qiáng)（用戶與 AI 協(xié)作完成任務(wù)）。不到兩年間，自動(dòng)化交互占比從 41% 上升至 49%，而增強(qiáng)型交互則從 55% 下降至 47%。

這為軟件相關(guān)工作中 AI 的應(yīng)用提供了一個(gè)有趣的代理指標(biāo)：盡管 AI 工具和 Agentic AI 發(fā)展迅速，但用戶正越來(lái)越多地依賴 AI 處理更復(fù)雜的組織任務(wù)。在技術(shù)驅(qū)動(dòng)型組織中可以推斷，雖然 AI 已經(jīng)能夠顯著提升個(gè)體在離散任務(wù)上的生產(chǎn)力（自動(dòng)化），但在組織流程層面的更大效率增益（與增強(qiáng)相關(guān)）仍面臨障礙，主要是數(shù)據(jù)就緒度和業(yè)務(wù)領(lǐng)域上下文信息的缺失。在 CGI 的架構(gòu)實(shí)踐中，當(dāng)組織試圖將 AI 從孤立試點(diǎn)擴(kuò)展到規(guī)?；瘧?yīng)用時(shí)，這些挑戰(zhàn)反復(fù)出現(xiàn)，凸顯了領(lǐng)域清晰度與上下文工程（context engineering）的重要性。

架構(gòu)師支持組織從個(gè)體生產(chǎn)力提升邁向整體運(yùn)營(yíng)效率的提升。這需要架構(gòu)層面的努力來(lái)保障組織資產(chǎn)，即確保數(shù)據(jù)可用性、明確業(yè)務(wù)上下文邊界，并重新對(duì)齊流程。如前所述，這些需求本質(zhì)上是人力、組織或信息層面的，而非單純的技術(shù)棧現(xiàn)代化。新興的業(yè)務(wù)需求將要求更高的一致性與清晰度，以便 AI Agent 或 AI 輔助開(kāi)發(fā)團(tuán)隊(duì)能在組織層面實(shí)現(xiàn)改進(jìn)。在此背景下，架構(gòu)的意義愈發(fā)聚焦于賦能人類與 AI 智能體協(xié)同演進(jìn)的流動(dòng)機(jī)制。

為何“快速流動(dòng)”優(yōu)先？

如前所述，AI 如同水流，會(huì)沿著組織現(xiàn)有的渠道滲透。渠道清晰直接，流動(dòng)便會(huì)加速，渠道曲折狹窄或存在死胡同，則引發(fā)洪澇與瓶頸。在組織的語(yǔ)境中，“快速流動(dòng)”指快速響應(yīng)變化并基于早期反饋及時(shí)調(diào)整航向的能力。它關(guān)注系統(tǒng)級(jí)的敏捷性，即快速收集、理解并將業(yè)務(wù)需求轉(zhuǎn)化為可交付解決方案的能力。這種流動(dòng)必須與真實(shí)用戶需求和業(yè)務(wù)戰(zhàn)略對(duì)齊，而不僅僅是追求技術(shù)效率。實(shí)現(xiàn)快速流動(dòng)的組織通常具備四大特征：

1. 業(yè)務(wù)對(duì)齊（Business alignment）

2. 清晰的領(lǐng)域邊界（Clear domain boundaries）

3. 可控的認(rèn)知負(fù)荷（Managed cognitive load）

4. 優(yōu)化的交互模式（Optimized interaction patterns）

戰(zhàn)略對(duì)齊確保 AI 解決的是真正的問(wèn)題。在考慮技術(shù)之前，快速流動(dòng)型的組織始終緊密耦合業(yè)務(wù)戰(zhàn)略、用戶需求與技術(shù)領(lǐng)域。團(tuán)隊(duì)清楚自己的工作對(duì)用戶的意義及其如何驅(qū)動(dòng)商業(yè)價(jià)值。當(dāng)這類組織采納 AI 時(shí)，目標(biāo)明確指向特定用戶的痛點(diǎn)與戰(zhàn)略業(yè)務(wù)目標(biāo)。而許多組織則為了“現(xiàn)代化”而部署 AI，未與用戶成果建立清晰的聯(lián)系，這可能會(huì)取得技術(shù)成功，卻遭遇商業(yè)方面的失敗。

清晰的領(lǐng)域邊界使 AI 能在業(yè)務(wù)上下文中安全自治。當(dāng)團(tuán)隊(duì)所負(fù)責(zé)的領(lǐng)域明確對(duì)應(yīng)業(yè)務(wù)能力與用戶需求時(shí)，AI 就可以在這些邊界內(nèi)有效地運(yùn)作。這種對(duì)齊意味著 AI 決策天然反映業(yè)務(wù)規(guī)則與用戶訴求。如果缺乏這種清晰性，技術(shù)邊界與業(yè)務(wù)邊界脫節(jié)，將放大系統(tǒng)的模糊性與復(fù)雜性。從領(lǐng)域驅(qū)動(dòng)設(shè)計(jì)（DDD）視角看，要實(shí)現(xiàn) AI 支持的組織效率提升，架構(gòu)師可能需要更新限界上下文（bounded contexts）的交互模式，審視核心子域的關(guān)鍵流程，或優(yōu)化支撐性子域的流程。

優(yōu)化交互模式確?？邕吔鐓f(xié)作始終以用戶為中心。在快速流動(dòng)型的組織中，團(tuán)隊(duì)互動(dòng)是有意設(shè)計(jì)且定期復(fù)盤的。缺乏這種紀(jì)律，會(huì)經(jīng)常導(dǎo)致多個(gè)團(tuán)隊(duì)重復(fù)解決相同的問(wèn)題、構(gòu)建相同的方案。為了應(yīng)對(duì)混亂，有些組織又走向了另一個(gè)極端，即強(qiáng)制所有人頻繁溝通，這反而會(huì)引發(fā)了混亂?？焖倭鲃?dòng)型組織采用 Team Topologies 框架，在必要時(shí)促成團(tuán)隊(duì)高效協(xié)作與溝通。

激活流動(dòng)性

為了說(shuō)明 AI 在架構(gòu)中的流動(dòng)應(yīng)用，我們描述一個(gè)組織在生成新解決方案規(guī)范（specification）時(shí)如何借助 AI 的歷程。他們并非一開(kāi)始就得出了結(jié)論，而是經(jīng)歷了啟動(dòng)、激活流動(dòng)性，并在推進(jìn)過(guò)程中不斷演進(jìn)架構(gòu)方法的過(guò)程。

以下案例研究展示了“架構(gòu)流動(dòng)性”在實(shí)踐中的具體體現(xiàn)。在 CGI 的一項(xiàng)倡議中，目標(biāo)是將 AI 用例轉(zhuǎn)化為跨多個(gè)業(yè)務(wù)解決方案的規(guī)?；?AI 實(shí)現(xiàn)。

團(tuán)隊(duì)首先通過(guò)戰(zhàn)略指導(dǎo)，超越傳統(tǒng)的研討會(huì)，加速將業(yè)務(wù) AI 的用例推進(jìn)至概念驗(yàn)證（Proof of Concept，PoC）實(shí)現(xiàn)階段。為此，團(tuán)隊(duì)推出了一種隊(duì)列式（cohort-based）的計(jì)劃，與各團(tuán)隊(duì)合作細(xì)化業(yè)務(wù)價(jià)值、用戶旅程及潛在的 AI 用例。通過(guò)快速迭代，我們將 UI 原型迅速轉(zhuǎn)化為 PoC 實(shí)現(xiàn)。

業(yè)務(wù)負(fù)責(zé)人通過(guò) UI 原型直觀感受到 AI 的潛在影響與收益，同時(shí)也能看到其他團(tuán)隊(duì)的思路。除了寶貴的協(xié)作體驗(yàn)外，開(kāi)發(fā)者也首次擁有了明確的視覺(jué)目標(biāo)來(lái)指導(dǎo)實(shí)現(xiàn)。持續(xù)的積極反饋?zhàn)C明該計(jì)劃深受參與者認(rèn)可。下圖展示了該隊(duì)列式流程的迭代循環(huán)及其輸入 / 輸出：定義用戶旅程、原型設(shè)計(jì)、演進(jìn) AI 輔助的規(guī)范。

在啟動(dòng)階段，團(tuán)隊(duì)通過(guò)調(diào)研業(yè)務(wù)負(fù)責(zé)人，使用統(tǒng)一的 MadLib 格式確認(rèn)優(yōu)先的主題與用戶故事（基于“Next Best Action/Recommendation”框架）：

根據(jù)每期隊(duì)列的戰(zhàn)略主題，邀請(qǐng)團(tuán)隊(duì)成員。在首次研討會(huì)中，隊(duì)列成員深入探討所選用戶故事并定義用戶旅程。隨著時(shí)間推移，隊(duì)列逐漸轉(zhuǎn)向通過(guò)自然對(duì)話描述上下文，而非提交結(jié)構(gòu)化輸入，用戶故事演變?yōu)橛蓸I(yè)務(wù)負(fù)責(zé)人講述簡(jiǎn)短故事后自動(dòng)生成。貫穿隊(duì)列過(guò)程的一項(xiàng)關(guān)鍵考量是，在有限時(shí)間內(nèi)平衡交付引人注目的成果與保持專注性。

因此，首次研討會(huì)聚焦于使用簡(jiǎn)潔布局定義用戶 旅程圖（如下圖），以 價(jià)值流圖 為背景（觸發(fā)事件 → 步驟 1 → 步驟 2 … → 步驟 6 → 結(jié)束事件 / 結(jié)果），并按故事板劃分泳道（角色、行動(dòng)、情緒、痛點(diǎn)、機(jī)會(huì)、交付價(jià)值）。

在明確 PoC 范圍的上下文與邊界后，UX 設(shè)計(jì)師與隊(duì)列快速協(xié)作，設(shè)計(jì) UI 線框圖與可點(diǎn)擊的原型。設(shè)計(jì)師在“過(guò)渡儀式（cross-over ceremony）”中向隊(duì)列展示成果，隨后由一支精簡(jiǎn)的跨職能小隊(duì)（全棧開(kāi)發(fā)、數(shù)據(jù)科學(xué)家、提示工程師、AI 解決方案架構(gòu)師）接手，使用不同模型、算法與方法推進(jìn) PoC。最終儀式展示了每個(gè) PoC 的可行選項(xiàng)。該小隊(duì)的核心目標(biāo)是直接用 AI 解決業(yè)務(wù)挑戰(zhàn)，并因聚焦隊(duì)列優(yōu)先級(jí)，與業(yè)務(wù)價(jià)值建立更直接的聯(lián)系。

團(tuán)隊(duì)采取滾動(dòng)交付模式，每月產(chǎn)出 2–3 個(gè) UI 原型或 AI PoC 實(shí)現(xiàn)。他們運(yùn)行了多個(gè)隊(duì)列，獲得寶貴反饋并持續(xù)優(yōu)化策略。然而，下一個(gè)挑戰(zhàn)隨之而來(lái)：如何將這些早期解決方案推進(jìn)至生產(chǎn)級(jí)實(shí)現(xiàn)？

不出所料，實(shí)現(xiàn)團(tuán)隊(duì)提出的第一個(gè)問(wèn)題就是：“規(guī)范文檔在哪里？”盡管 PoC 有記錄，但它們不能被視為可供其他團(tuán)隊(duì)進(jìn)行實(shí)現(xiàn)的設(shè)計(jì)規(guī)范。這一挑戰(zhàn)在 CGI 的轉(zhuǎn)型項(xiàng)目中十分常見(jiàn)：PoC 能帶來(lái)清晰的認(rèn)知，卻往往缺乏下游交付團(tuán)隊(duì)所需的結(jié)構(gòu)化規(guī)范。

不過(guò)，在過(guò)去 6 個(gè)月中，團(tuán)隊(duì)已積累了超過(guò) 50 小時(shí)的設(shè)計(jì)會(huì)議、UI 原型演示和 PoC 實(shí)現(xiàn)記錄。為避免回溯成本（比如，重新召集分析師和設(shè)計(jì)師細(xì)化方案），團(tuán)隊(duì)轉(zhuǎn)而采用上下文工程（context engineering），利用基礎(chǔ)模型（Gemini 與 GPT 表現(xiàn)相當(dāng)）進(jìn)行處理。

假設(shè)：給定一個(gè)精心策劃的設(shè)計(jì)模式知識(shí)庫(kù)和標(biāo)準(zhǔn)輸出格式，團(tuán)隊(duì)可以從對(duì)話記錄或研討會(huì)白板內(nèi)容中生成一致的用戶故事與用例規(guī)范。業(yè)務(wù)負(fù)責(zé)人認(rèn)為生成結(jié)果的方向是正確的。

生成的規(guī)范包含典型的正常流與異常流，并涵蓋系統(tǒng)組件、依賴關(guān)系等設(shè)計(jì)元素，附帶初步的結(jié)構(gòu)圖與交互圖。經(jīng)過(guò)迭代，甚至納入了旅程圖，并根據(jù)故事敘述中的關(guān)鍵詞自動(dòng)分配情緒分值。團(tuán)隊(duì)進(jìn)一步擴(kuò)展規(guī)范，加入了驗(yàn)收標(biāo)準(zhǔn)、初始測(cè)試用例，以及安全、數(shù)據(jù)隱私等方面的檢查清單問(wèn)題，供實(shí)現(xiàn)階段回答。

生成這些規(guī)范的基礎(chǔ)是一個(gè)圍繞實(shí)現(xiàn)設(shè)計(jì)模式（implementation design pattern）構(gòu)建的知識(shí)庫(kù)。團(tuán)隊(duì)擴(kuò)展了傳統(tǒng)的設(shè)計(jì)模式格式，加入檢查清單問(wèn)題，使生成的規(guī)范涵蓋了以下的關(guān)鍵維度：

• 采納與商業(yè)價(jià)值：確保方案能夠交付可衡量的業(yè)務(wù)成果，并通過(guò)清晰的價(jià)值對(duì)齊與用戶采納策略獲得認(rèn)可；

• 用戶體驗(yàn)：強(qiáng)調(diào)實(shí)現(xiàn)中的考量因素，確保用戶交互直觀、透明、可信，提升全程的信心、參與度與滿意度；

• 運(yùn)維因素：通過(guò)健壯的監(jiān)控、性能與生命周期管理，維持可靠、可擴(kuò)展、可解釋的 AI 系統(tǒng)；

• 合規(guī)性與治理：嵌入倫理、法律和審計(jì)框架，以確保 AI 的運(yùn)維能夠負(fù)責(zé)任、透明且符合法規(guī)要求。

• 數(shù)據(jù)源與集成：定義數(shù)據(jù)質(zhì)量、可訪問(wèn)性及連接性等考量因素，確保方案有效運(yùn)行與可持續(xù)性；

• 安全與數(shù)據(jù)隱私：盡量左移（shift left），從源頭將安全與隱私納入考量。

這些實(shí)現(xiàn)設(shè)計(jì)模式從一開(kāi)始就按業(yè)務(wù)負(fù)責(zé)人排序的 AI 用例優(yōu)先級(jí)進(jìn)行分類歸檔，形成以下原型：

• 原型 1：對(duì)話式 Agent

• 原型 2：AI 驅(qū)動(dòng)的異常檢測(cè)

• 原型 3：超個(gè)性化與下一步最佳行動(dòng) / 推薦

• 原型 4：智能工作流自動(dòng)化

• 原型 5：多模態(tài)與全渠道 AI

• 原型 6：預(yù)測(cè)性維護(hù)與安全監(jiān)控

• ……（隨著流動(dòng)持續(xù)，將涌現(xiàn)更多原型）

• 默認(rèn)模式實(shí)現(xiàn)的考量因素

下圖展示了這些原型按架構(gòu)關(guān)注點(diǎn)（UX 與交互、監(jiān)控與感知、業(yè)務(wù)流程與規(guī)則）的分類，為默認(rèn)模式實(shí)現(xiàn)提供了有用的參考。

隨著知識(shí)庫(kù)不斷擴(kuò)充，團(tuán)隊(duì)現(xiàn)在能從一次研討會(huì)討論中自動(dòng)生成包含驗(yàn)收標(biāo)準(zhǔn)和“左移”要素（比如，安全、隱私甚至法律視角）的完整規(guī)范初稿。但是，需要注意，團(tuán)隊(duì)的核心目標(biāo)是構(gòu)建扎實(shí)的架構(gòu)知識(shí)上下文，而非開(kāi)發(fā)工具。

AI 與 AI Agent 持續(xù)演進(jìn)。盡管團(tuán)隊(duì)正在探索如何根據(jù)規(guī)范反向生成 UI 原型，但從架構(gòu)的視角來(lái)看，其信心源于精心策劃的知識(shí)庫(kù)。隨著規(guī)范驅(qū)動(dòng)開(kāi)發(fā)（Specification-Driven Development, SDD，參見(jiàn)“理解 SDD”）理念的興起（比如，Spec Kit，一款基于 AI 的 SDD 工具包），團(tuán)隊(duì)更加確信自己走在正確道路上。這一旅程遠(yuǎn)未結(jié)束，AI 在架構(gòu)中的應(yīng)用方式將持續(xù)演變，并會(huì)改變架構(gòu)師的工作范式。

上述案例特別適用于“綠地”（greenfield）場(chǎng)景，也就是架構(gòu)師與團(tuán)隊(duì)有足夠的空間在啟動(dòng)新方案或向現(xiàn)有系統(tǒng)引入創(chuàng)新時(shí)，主導(dǎo)對(duì) AI 的應(yīng)用。然而，大多數(shù)組織還維系著支撐核心業(yè)務(wù)能力的成熟系統(tǒng)體系。這些系統(tǒng)構(gòu)成一幅馬賽克式的實(shí)現(xiàn)圖景，各自處于不同生命周期階段。對(duì)于那些專門構(gòu)建的系統(tǒng)，其最新架構(gòu)視圖很可能已“銘刻于代碼之中”。

毫無(wú)疑問(wèn)，編碼助手、Copilot 和編碼 Agent 已經(jīng)引起開(kāi)發(fā)者的廣泛關(guān)注，他們?nèi)找鎸⑵溆糜谌粘５拈_(kāi)發(fā)活動(dòng)，從代碼補(bǔ)全、文檔生成，到覆蓋整個(gè)軟件開(kāi)發(fā)生命周期（SDLC）的更高級(jí)能力，SDLC 中的變革之流從未停歇。

在這樣的“棕地”（brownfield）環(huán)境中，將 AI 應(yīng)用于架構(gòu)的機(jī)會(huì)廣闊而多元化。AI 可在多個(gè)階段幫助架構(gòu)師彌合組織業(yè)務(wù)能力與技術(shù)實(shí)現(xiàn)之間的鴻溝。例如：

• 使用 AI 來(lái)支持架構(gòu)評(píng)估：評(píng)估架構(gòu)決策的各個(gè)方面非常適合結(jié)合上下文工程與先進(jìn)的基礎(chǔ)模型（比如，Gemini、GPT、Claude 等）。更穩(wěn)健的權(quán)衡結(jié)果（例如，掃描技術(shù)選項(xiàng)以填補(bǔ)架構(gòu)能力缺口）需要以關(guān)鍵架構(gòu)原則和其他架構(gòu)需求為依據(jù)。此外，采用 少樣本提示（few-shot prompting）技術(shù)，通過(guò)提供“好 / 中 / 差”示例，可引導(dǎo)權(quán)衡分析。此類策略可用于多種架構(gòu)權(quán)衡的場(chǎng)景（例如，給定某種實(shí)現(xiàn)方案，更適合單體還是微服務(wù)？事件驅(qū)動(dòng)還是 API 驅(qū)動(dòng)？）

• 使用 AI 來(lái)生成規(guī)范性架構(gòu)：在大型組織中，常見(jiàn)的棕地環(huán)境挑戰(zhàn)在于，隨著時(shí)間的推移，架構(gòu)發(fā)生了漂移但并未文檔化，甚至缺乏架構(gòu)圖與文檔。這些應(yīng)用多為大規(guī)模單體系統(tǒng)，而掌握其知識(shí)的人員往往已調(diào)崗或離職。手動(dòng)逆向工程風(fēng)險(xiǎn)高、耗時(shí)長(zhǎng)。此時(shí)，AI 可評(píng)估應(yīng)用并自動(dòng)生成操作手冊(cè)、架構(gòu)圖、數(shù)據(jù)模型與依賴關(guān)系等必要的文檔。

• AI Agent 提出架構(gòu)與設(shè)計(jì)方面的更新：在 DevSecOps 中，AI Agent 正被用于持續(xù)攝取運(yùn)行時(shí)事件流。它們可能監(jiān)控已部署方案的安全漏洞，或分析運(yùn)行日志以減少事件噪音與冗余工單。通過(guò)識(shí)別重復(fù)漏洞或運(yùn)行模式，Agent 可在適當(dāng)時(shí)機(jī)提出設(shè)計(jì)改進(jìn)建議。

結(jié)論：前行之路

人工智能本身無(wú)法憑空創(chuàng)造組織能力。人類必須先以組織知識(shí)為其基礎(chǔ)，AI 才能強(qiáng)化已有的基石。成功與停滯的分野，不僅在于模型、工具或基礎(chǔ)設(shè)施的選擇，更取決于組織是否具備支撐 AI 快速演進(jìn)的架構(gòu)基礎(chǔ)。清晰的領(lǐng)域邊界、可控的認(rèn)知負(fù)荷、對(duì)齊的價(jià)值流，才能讓 AI 增強(qiáng)交付，而不是僅僅添加復(fù)雜性。在此意義上來(lái)講，架構(gòu)師與架構(gòu)本身成為 AI 的賦能者，而非旁觀者。

正如案例所示，當(dāng)架構(gòu)師從控制結(jié)果轉(zhuǎn)向框定上下文（定義語(yǔ)義、邊界與護(hù)欄，使 AI 及未來(lái)的 AI Agent 自治變得安全可靠），AI 的承諾才能真正兌現(xiàn)。

真正的問(wèn)題并非“如何采納 AI”，而是“如何演進(jìn)我們的架構(gòu)，以支持 AI 增強(qiáng)的持續(xù)變革流”。

Architecture in a Flow of AI-Augmented Change (https://www.infoq.com/articles/architecture-ai-augmented-change/)

聲明：本文為 InfoQ 翻譯，未經(jīng)許可禁止轉(zhuǎn)載。