简介:微服务(Microservices)是一种把单一大型应用拆分为一组小型、独立部署、围绕业务能力构建的服务的架构风格;它与传统单体(Monolithic)项目最核心的区别在于:单体的所有功能打包成一个部署单元、共享一个数据库、整体扩容,而微服务按业务边界拆分,每个服务独立开发、独立部署、独立扩容、独立故障隔离。如果你正在为项目做架构选型,或者想把大模型能力接入现有系统,可以先用[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)这类大模型 API 服务平台对比不同模型的能力与调用成本,再决定哪些能力值得拆成独立服务。
微服务这个词在 2012 年前后出现,2014 年开始被广泛关注,2015 年被业界称为”微服务元年”。它的流行与 Martin Fowler 的推广关系很大——他提出的”围绕业务领域组件来创建应用,应用可独立开发、管理和迭代”基本定义了这个概念。
但微服务的本质不是技术炫技,而是一次 成本转移 :用运维复杂度、分布式事务、链路追踪的成本,换取独立部署、独立扩容和故障隔离的收益。理解这一点,比记住十几个技术名词更有用。
| 对比维度 | 传统单体(Monolithic) | 微服务(Microservices) |
|---|---|---|
| 部署单元 | 一个 WAR/JAR 包,部署在 Tomcat、JBoss、WebLogic 等容器中 | 每个服务独立打包、独立部署 |
| 代码组织 | DO/DAO、Service、UI 全部逻辑在一个工程内 | 按业务域拆成用户、订单、支付等独立服务 |
| 扩容方式 | 整体复制,所有模块一起扩容 | 只扩容压力大的单个组件 |
| 技术栈 | 统一语言、统一框架 | 各服务可自选语言与存储 |
| 故障影响 | 一处内存泄漏可能拖垮整个应用 | 单服务故障可熔断降级, others 不受影响 |
| 数据管理 | 共享一个数据库,join 方便 | 每服务私有数据,跨服务需接口聚合 |
| 发布节奏 | 全量回归,发版窗口长 | 服务级灰度、独立回滚 |
| 团队结构 | 大团队共用一个代码库 | 小团队各 owns 一个服务,边界清晰 |
| 上手成本 | 低,开发简单、集中式管理 | 高,需要链路追踪、配置中心、网关等基础设施 |
单体的优点很实在:开发简单、集中式管理、调试直接打断点、事务天然一致。对于日活不高、团队三五个人、需求还在快速变化的早期项目,单体往往是正确选择。
判断一个系统是不是真微服务,可以看这四条:
一个务实的路径是: 单体优先,模块化单体过渡,边界稳定后再逐步剥离服务 。先在单体内做清晰的模块隔离(package by feature + 明确接口),等某个模块的扩容需求或迭代节奏明显区别于主体时,再把它抽成独立服务。
一个最小可运行的服务骨架示例(FastAPI):
from fastapi import FastAPI, HTTPExceptionfrom pydantic import BaseModelapp = FastAPI(title="Order Service")class OrderIn(BaseModel):user_id: intsku: stramount: float@app.post("/orders")async def create_order(payload: OrderIn):# 调用下游服务时必须设置超时与降级try:stock = await check_stock(payload.sku, timeout=0.5)except TimeoutError:raise HTTPException(status_code=503, detail="库存服务暂不可用,请稍后重试")if not stock:raise HTTPException(status_code=409, detail="库存不足")return {"order_id": "generated", "status": "created"}
配合 docker-compose 或 Kubernetes 部署时,每个服务一个容器、一份配置、一套健康检查探针,扩容只需调整副本数。
在 AI 应用里,微服务思路同样适用,而且收益更明显——因为模型调用具备三个特点: 耗时长、成本高、迭代快 。常见做法是把 AI 能力独立成服务:
这里最容易踩的坑是 把模型 API Key 和厂商 SDK 硬编码进业务代码 ,导致换模型要改十几处调用点。更稳妥的做法是通过统一 API 接入层屏蔽厂商差异,把”选哪个模型”变成配置项而非代码。在词元所模型服务这类平台上,可以先做模型能力与调用成本的横向对比,再结合业务场景(长文本理解、代码生成、多轮对话、结构化抽取)确定选型,避免上线后才发现成本或效果不匹配。
选型时建议关注四个指标:任务准确率、单位 Token 成本、首字延迟与吞吐、上下文长度是否够用。把这几项做成一张对比表,配合小样本 A/B 测试,比凭感觉选模型可靠得多。后续如果要做多模型统一接入和调用量管理,也可以继续通过百度智能云词元所了解统一 API 接入与调用管理相关能力。
微服务和传统项目的关系,不是新旧替代,而是 不同规模下的不同权衡 :单体用简单换灵活,微服务用复杂换弹性。判断标准只有一条——你的团队是否已经具备支撑分布式系统的工程能力,以及业务边界是否已经稳定到值得拆分。AI 应用同理:先把模型调用、知识库、编排这些能力做成边界清晰的独立服务,再谈弹性伸缩和成本优化,顺序反了只会增加维护负担。