研究报告架构师知识图谱

架构师知识图谱：从支付系统到 AI Agent 平台

这篇是对个人 GitHub 仓库、简历和工作材料的一次知识补全：把过去的项目经验整理成可以继续扩展的知识图谱入口。它不是完整简历，而是把经验抽象成几个长期可复用的工程主题。

更细的拆分见：AI Agent 项目群、支付账务与订单架构、SaaS 与云原生平台架构。

核心画像

我的知识结构可以分成两条主线。

第一条是交易型系统：金融前置、收单发卡、清结算、钱包、订单、账务、跨境支付、生鲜电商订单与支付改造。这条线让我长期关注数据一致性、资金链路、幂等、对账、分布式故障、性能容量和生产稳定性。

第二条是 AI 应用工程：Agent Runtime、Workflow、RAG、MCP、Skills Hub、Model Gateway、Evals、Langfuse 和垂直行业 AI 产品交付。这条线的重点不是提示词技巧，而是把生成式 AI 落到可观测、可回放、可评估、可协作的工程体系。

交易系统与资金链路

早期金融和支付系统经验形成了几个稳定判断：

  • 支付单更接近信息流，收款单同时承载信息流和资金流。
  • 订单系统不应该吞掉 OMS、WMS、TMS、支付和账务的全部职责，否则复杂度会失控。
  • 订单即应收、支付即实收，是订单域和账务域协作时非常重要的边界。
  • 大促链路、支付渠道切换、跨境清算和差错处理，都要求系统具备实时监控、幂等保护和回滚策略。

这些经验对应到今天的架构判断，就是把核心交易链路看成一组有明确事实来源的状态机，而不是把所有变化塞进过程式服务方法里。

Java 微服务与领域建模

千米和 Bite 阶段的材料反复指向同一个问题：微服务不是把代码拆成更多仓库，而是把业务边界、数据边界和交付边界梳理清楚。

在订单、财务、权限和 SaaS 多租户场景里，值得沉淀的知识包括：

  • DDD 聚合根、领域服务和应用服务的职责边界。
  • Spring Boot、Spring Cloud、Dubbo、MQ、JPA、MyBatis 在不同历史阶段的工程取舍。
  • 多租户数据隔离、权限继承、动态配置、SSO、OAuth2/OIDC 和 Gateway 治理。
  • Trunk-based development、CI/CD、代码 Review、技术方案评审和生产问题复盘。

这部分经验可以继续沉淀成一组 Java 微服务架构专题：订单重构、支付抽象、账务协作、权限模型、SaaS 平台能力和云原生迁移。支付和订单方向已整理到 支付账务与订单架构。

AI Agent 与可执行工作流

当前 GitHub 仓库显示出明显的 AI Native 工程方向：

  • sure：Cloudflare Worker 上的中文保险顾问写作 Agent，涉及 D1、R2、Queues、Durable Objects、Workflows、Sandbox 和 Agent SDK runner。
  • sac-agent：教学向 Python 软件工程 Agent，强调仓库检查、命令风险分类、审批边界和 patch 应用。
  • sac-agent4j：手写 Java SWE Agent，用一个极小核心循环理解上下文构建、工具执行、测试反馈和轨迹记录。
  • agent-lab：Coding Agent 与 Langfuse 的实验环境，用来做技能评估、对照实验和可观测性验证。
  • ddia-skill：把 DDIA 风格的数据密集型系统设计判断固化为 Codex skill。

这些仓库共同指向一个判断：Agent 不是聊天框，而是带状态、工具、权限、评估、日志和回放能力的执行系统。真正有价值的 Agent 平台应该先能被工程团队验证，再谈规模化。项目群的拆解见 AI Agent 项目群。

RAG、知识库与评估

RAG 相关经验不应该只停留在“向量库加大模型”。从 openai-agentic-rag 和法律 AI Workflow 的实践看，RAG 系统至少需要覆盖：

  • 文档解析、分块、引用、缓存和持久化。
  • 查询路由、答案合成、证据追踪和置信度表达。
  • LLM-as-Judge、golden set、回归基线和模型切换风险。
  • 面向法律、金融合规等高风险场景的可审计输出链路。

这部分可以和 MCP 心智模型、Prompt 工程框架 以及 AI Eval Harness 连接起来，形成“知识库 - 工具 - 评估 - 工作流”的闭环。

云原生与平台工程

CosX、K12、Bite 和 Sure 的材料共同覆盖了几类平台工程能力：

  • Kubernetes、AKS、Kustomize、ArgoCD、NetworkPolicy、HPA 和生产事故治理。
  • Cloudflare Workers、Durable Objects、Queues、Workflows、R2、D1 和 Sandbox。
  • Gateway、Identity、Workspace、Storage、Knowledge Base、Messaging 等平台模块。
  • 可观测性、日志、Trace、Langfuse、APM、压测和故障复盘。

这部分知识适合继续整理成“云服务架构师案例库”：用真实服务、真实事故和真实仓库解释安全、稳定性、扩展性、发布治理、可观测性和成本控制。平台方向已整理到 SaaS 与云原生平台架构。

知识图谱补全方向

接下来可以把知识图谱沿三层继续补全：

  1. 项目层：把 Sure、SAC Agent、Agent Lab、DDIA Skill、K12、Tachi、CosX AI Agents、Xeni Legal、Bite、千米和途牛拆成独立项目卡片。
  2. 能力层：把 Agent Runtime、Workflow、RAG、Model Gateway、Evals、Java 微服务、支付账务、SaaS 多租户、云原生和可观测性作为核心概念。
  3. 方法层：把架构评审、测试优先、生产复盘、AI Coding 协作、知识沉淀和技能评估整理为可复用方法。

这张图谱的目标不是展示经历多，而是让每个项目都能回到一个可解释的工程能力：什么问题、什么约束、什么取舍、如何验证。

素材来源

  • 个人架构师简历：AI 应用架构、Java 微服务架构、支付账务、团队治理和工作履历。
  • GitHub 仓库：sure、sac-agent、sac-agent4j、agent-lab、ddia-skill、k12、e-acc、openai-agentic-rag。
  • 工作材料：Bite SaaS/SSO/权限、CosX AI Agent、千米订单和财务重构、途牛支付与 BI 相关经验。