简介:大型存量分布式系统中,AI直接写代码容易出现局部正确、整体出错的问题。本文介绍如何用技术方案设计Agent整合业务知识、推演依赖影响并执行规则校验,帮助架构师更快产出可追溯、可审计的方案初稿,并说明其适用边界。
本文讨论的场景是:系统已运行多年,代码量大,服务之间依赖复杂,团队需要在其上持续迭代。在这种场景下,AI 负责方案初稿、影响分析和规则校验,最终的设计决策仍由人类架构师负责。
适用的情况包括:系统有一定的历史方案或文档,代码和服务依赖关系可以被查询,需求需要改动已有链路。
不适用的情况包括:从零搭建的新系统,AI 直接生成代码的效果通常更好;文档极少且依赖关系无法查询的系统,Agent 无法补齐上下文,方案完备度会很低;对实时性要求极高的变更,Agent 的分析和校验需要时间,不适合作为实时决策工具。
存量系统中,AI 常犯的错误多属于架构层面,而不是语法层面。下表列出典型现象、影响和对应的校验点。
| 现象 | 影响 | 校验点 |
|---|---|---|
| 删除一个看似无用的数据字段 | 依赖该字段的离线计算任务报错或产出错误结果 | 检查字段在离线任务、报表和下游接口中的引用 |
| 新增一个同步远程调用 | 占用核心链路的超时预算,高峰期可能引发级联超时 | 计算调用路径上的剩余超时预算 |
| 修改消息的字段语义 | 仍在消费旧格式数据的下游服务解析失败 | 查询该 Topic 的全部消费者及其读取的消息版本 |
这些错误的共同原因是,AI 只看到了局部代码。一个字段为什么不能删除,某个配置为什么必须跟随灰度发布,这些答案通常存在于历史方案、事故复盘和资深工程师的经验中,很少写在代码里。人类工程师靠长期参与补齐了这部分上下文。AI 缺少这些信息,只能根据局部代码推断。
效率也会放大错误。AI 让编码速度大幅提升,如果方向错了,错误方案会更快变成大量代码。因此,校验应该发生在方案阶段,而不是等代码写完之后。
Agent 需要获取四类知识,每类知识的来源和校验方式各不相同。
| 知识类型 | 典型内容 | 主要来源 | 更新频率 | 校验方式 | 责任角色 |
|---|---|---|---|---|---|
| 业务知识 | 退款状态含义、业务对象边界 | 业务领域模型字典、需求文档 | 随业务版本更新 | 产品负责人确认 | 产品负责人 |
| 架构约束 | 超时预算、限流阈值 | 架构规范、配置中心 | 定期架构评 |