AI时代应用架构:AI 原生应用架构(来自阿里云)
作者：微信文章01
IT架构的演进脉络
从计算机诞生至今，IT 应用架构的演进始终遵循“业务痛点→技术突破→架构升级”的逻辑，每步都源于业务对稳定性、可维护性和协作效率的提升追求:
单体架构:早期业务场景简单，单体架构以一站式开发快速落地，但随着功能叠加，代码耦合导致“修改一处，影响全局”，维护成本陡增，成为业务创新的枷锁。
垂直架构:当业务线分化，垂直架构通过模块化拆分实现负载均衡，缓解了单一应用的膨胀问题，但模块间协作仍依赖硬编码，跨域交互效率低下。
面向服务架构(SOA):企业级系统互联需求爆发，SOA以服务化技术实现功能解耦与复用但集中式服务治理的复杂度，仍制约着响应速度。
微服务架构:互联网流量井喷，微服务将业务拆解为原子级自治单元，支持独立部署与弹性扩展，但细粒度服务带来的运维压力，倒逼技术进一步突破。
云原生架构:Kubernetes等技术通过容器化、集群化管理，解决了微服务的运维难题，实现按量使用、秒级弹性的极致资源调度。至此，云不再只是资源池，而是默认的运行环境。
可以看到，每一次架构的升级，都是在满足业务规模更大、需求变化更快、资源成本更低情况下的诉求，先用拆分降低复杂度问题，或用平台化屏蔽复杂度问题。
2
AI 原生应用架构的产生背景
过去十年，云原生(Cloud Native)重塑了应用架构的基石，它强调以容器、微服务为代表的基础设施能力，确保应用能够在云环境下具备敏捷性、可扩展性和可观测性。今天，AI成为新的需求放大器，给应用提出了智能优先的命题，促使全行业迈向 AI 原生。如果说，云原生解决的是如何高效地运行，那么 AI原生是在此基础上解决如何智能地运行。
在大语言模型(LLM)出现之前，AI以功能模块形态嵌入系统，包括图像识别、推荐算法、风控模型等，它们依赖监督学习和既定规则，边界清晰，职责单一，不会去改变系统的核心架构。
LLM 的诞生打破了这一边界。LLM 具备通用理解、推理和生成能力，并能通过函数调用、外部工具联动和知识库，形成可扩展的 Agent体系。由此，A由嵌入功能跃升成为应用的底座。
我们主要洞察到下面几个主要方面：
应用形态：以前构建的是数字化工具，现在构建的智能化助手。应用实现：以前是人通过逻辑思维，采用面对对象语言编程实现；现在是人通过结构化思维，采用面对自然语言实现。应用编排：以前是写复杂的代码逻辑和策略；现在是下沉到模型的推理过程。
因此，一种全新的应用范式，A原生应用(Al Native Application)应运而生，其运行逻辑不再完全由工程师编写的代码所决定，而是由大模型进行自主判断、行动和生成，并具备以下3个特征:
以 LLM 为核心，用自然语言统一交互协议;
以多模态感知扩展输入边界，以 Agent框架编排工具链;
以数据飞轮驱动模型持续进化，实现系统的自我优化。
当我们说 AI 原生应用的时候，并非抛弃云原生应用。相反，它建立在云原生的基础之上，依然会广泛使用容器化、容器编排和微服务等技术，来确保 AI原生应用能够实现弹性、可靠、高效地部署和运维。广义上讲，无论是云原生应用，还是 AI原生应用，都越来越依赖云这一基础设施，基于云来构建应用，两者都是云原生的应用。
应用架构是指导如何系统性地构建应用。在云原生应用架构中，我们讨论的是容器如何管理、服务如何拆分、流量如何治理。而在 AI 原生应用架构下，其目标是在满足可扩展、可观测、安全合规的同时，最大化释放大模型的智能潜力。
由此可见，AI 原生应用架构是一次智能化范式升级，让机器学会了思考。
3
什么是 AI 原生应用架构？
AI 原生应用是以大模型为认知基础，以 Agent 为编排和执行单元，以数据作为决策和个性化基础，通过工具感知和执行的智能应用。
AI 原生应用模式按照编排方式和单多个应用可以划分四个象限。早期简单智能体+提示词工程快速构建一个单智能体，后来大家通过 Worflow 编排业务流程解决相对复杂重复的任务。近期大家开始构建能够泛化解决复杂任务的多智能体。
我们判断未来基于 LLM 编排的多智能体会是行业主流演进方向。主要有以下几个原因：
随着模型能力不断提升，需要业务代码编排的 Workflow 逐渐用 LLM 编排可以替代，这个会持续发生。
由于组织架构决定软件架构，不同组织角色、权限、数据都有一定边界；Agent 上下文有上限，且上下文太多影响注意力；随着智能体大规模落地，业务复杂度提升，需要拆分降低复杂度，提升协作效率。可见未来单 Agent 往多 Agent 演进也是一个必然趋势。
当大家落地 AI 原生应用架构的时候不禁会问和云原生应用架构关系是什么？他们区别和联系是什么？
AI 原生应用架构是云原生架构的超集，是云原生架构从身体到大脑的延伸。
左边是云原生架构，解决数字化问题，构建各种工具，人机交互通过人驱动工具完成任务。
右边是 AI 原生架构，解决智能化问题，构建各种助手，人机交互通过多模态感知自主完成任务。
通过 AI Agent 完成 AI 原生应用架构的模型大脑和云原生架构的工具手脚协同。
当然随着业务复杂度，智能化程度不断提升，多 Agent 架构和微服务架构有更多相通之处，两边的链接也在加强。未来我们判断每个应用后面都是大量智能体和工具协作完成的，云原生和 AI 原生架构双轮驱动高速发展。
4
AI 原生应用平台
我们基于服务云上客户的实践，提供一些解题思路：
场景上大家要意识到 AI 更多是效率革命，未来多模态会陆续有场景和交互变革产生。大家需要在业务场景中找到高频&结构强（Coding），轻决策&重执行（外包）场景重构业务流程，提升整体效率。当大家突破了场景，竞争对手一定会跟上来，最终我们 AI 应用壁垒会在自己的数据上面，如何私域数据，沉淀数据，优化数据，就是 AI 应用的护城河。最后还是拼智价比。找到符合自己场景的模型，做一些强化学习，微调，训练垂类模型，巩固行业地位。
为了开发AI应用，我们需要构建一个简单、易用、专业的开发框架，提升研发效率。构建一个以数据为中心的 Agent 开发平台，通过 调试、观测、评估一体化解决 Dev 阶段调试效率和效果问题。构建 AI 原生应用开发平台（通过 AI 网关解决多模型超时重试、Failover、灰度、Token 流控和额度管理提升模型稳定性；通过 AI 网关接入安全护栏无侵入解决安全合规问题；通过 AI 网关语义缓存，智能路由，AI 消息解决成本问题；通过 Serverless平台解决极致弹性问题；通过端到端可观测&评估体系解决排查难，效果追踪问题）解决 Ops 阶段难以维护问题。
AI原生应用架构下，其目标是在满足可扩展、可观测、安全合规的同时，最大化释放大模型的智能潜力。一个典型的 AI原生应用架构，涵盖了模型、应用开发框架、提示词、RAG、记忆、工具、网关、运行时、可观测、评估和安全等关键要素。
材料来自于阿里云的《AI 原生应用架构白皮书》并进行了自行解释。关注本公众号发送“AI原生”下载。
持续学习，持续实践，持续成长！
一位企业架构师的修炼之路
页:
[1]