资讯 / 正文
架构师真题正在AI化:6个场景翻译器+3科答题卡
AI题越来越多,就应该先去补算法?
架构师真题正在AI化6个场景翻译器+3科答题卡
RAG · Agent · MLOps · 数据底座 · 质量属性 · 三科迁移
⌁ 12-PART AI TRANSLATION MAP
👉 滑动
PART 01
总公式
先翻译题面
PART 02
RAG管道
拆检索生成
PART 03
Agent骨架
状态与工具
PART 04
MLOps
模型交付链
PART 05
数据底座
特征向量流
PART 06
质量属性
性能可用成本
PART 07
AI安全
四类入口
PART 08
四步案例
分层落笔
PART 09
示例拆解
客服高峰期
PART 10
三科迁移
切换答题动作
PART 11
论文证据
5类可信材料
PART 12
丢分检查
5个常见坑
PART ///
写在最后
最后5问
CORE IDEA
系统架构设计师的题面,正在越来越多地出现智能客服、知识库问答、智能风控、模型服务和智能体。 最容易走偏的反应,是立刻去补神经网络公式、训练算法和调参技巧。结果学了一堆算法名词,遇到案例题仍然不知道系统怎么分层,遇到论文也写不出架构取舍。 这类题真正考的,仍然是架构师的老本事:识别负载、选择风格、建立数据链路、保障质量属性,并用证据验证方案。 下面不按算法谱系讲AI,而是把常见AI题面翻译成6类架构场景,再分别给出综合知识、案例分析和论文的答题动作。
01
PART
AI QUESTION FRAMEWORK
先掌握一个总公式:看到AI先翻译成架构问题
面对任何AI场景,先不要追问“用了什么模型”,而要连续回答三个问题:
业务链路是什么: 请求从哪里进入,经过哪些组件,结果怎样返回?
关键矛盾是什么: 准确率、时延、可用性、安全性与成本,哪一组正在冲突?
验证证据是什么: 用什么指标、测试或运行记录证明架构决策有效?
可以把这套判断压缩成一句话:
CORE IDEA
AI名词 → 系统组件 → 架构风格 → 质量属性 → 权衡证据
例如题目写“企业知识库问答响应慢”,不要只答“换更强的大模型”。先拆成文档处理、向量召回、重排序、模型推理四段,再判断瓶颈在检索还是生成,最后分别配置缓存、索引、批处理、模型路由和监控指标。
02
PART
RAG PIPELINE
场景一:RAG不是一个模型,而是一条管道
RAG的核心是“先检索,再生成”。从架构视角看,它天然对应管道—过滤器风格,通常包含四段:
文档切分与向量化;
向量检索与候选召回;
重排序与上下文组装;
大模型生成与结果校验。
← 左右滑动查看完整表格 →
要特别注意:RAG可以降低知识滞后和无依据生成的风险,但不能承诺“消灭幻觉”。更可靠的工程表达是:提供可追溯知识、限制回答范围、输出引用依据,并对低置信结果转人工处理。
03
PART
AGENT ARCHITECTURE
场景二:Agent的骨架是事件驱动+状态机
智能体常被描述成规划、记忆、工具调用和反思。放到系统架构里,可以翻译成:
规划模块:任务拆解与流程编排;
记忆模块:会话状态、长期知识和中间结果;
工具网关:工具注册、参数校验、权限控制和调用审计;
执行引擎:根据事件推进状态,处理超时、重试与补偿;
评估模块:检查结果是否满足目标,决定继续、回退或转人工。
因此,设计运维Agent或业务办理Agent时,骨架往往不是一个“大模型服务”,而是事件驱动架构+状态机+工具注册中心。
← 左右滑动查看完整表格 →
这张表很适合迁移到案例题。每一个风险,都可以进一步映射到可用性、安全性、可修改性或可观测性。
04
PART
MLOPS DELIVERY
场景三:MLOps考的是模型交付链,不是训练公式
MLOps可以理解为面向模型的DevOps。一个完整平台通常分为:
CORE IDEA
数据层 → 训练与评估层 → 模型注册层 → 推理服务层 → 监控治理层
训练和推理的负载特点不同。训练侧关注大批量计算、数据版本、实验复现与资源排队;推理侧关注低延迟、高并发、弹性扩缩和稳定发布。因此,二者应在资源池、发布链路和指标体系上分开治理。
模型版本管理至少要记录四类信息:
训练数据与特征版本;
模型文件、参数和依赖环境;
评估结果与审批状态;
上线范围、回滚版本和运行指标。
当题目问“如何优化推理性能”时,答案应从多个层次展开,而不是只写增加GPU:
← 左右滑动查看完整表格 →
05
PART
DATA FOUNDATION
场景四:AI数据底座要同时处理特征、向量和实时流
传统数据架构关注“数据怎么存、怎么查”,AI场景还要继续追问:数据怎样变成特征、向量和上下文。
← 左右滑动查看完整表格 →
向量数据库和关系数据库不是替代关系。订单、账户、权限等强事务数据仍适合关系数据库;文档语义检索和相似内容召回才是向量数据库的优势场景。
如果题目出现“实时推荐、智能风控、流式特征”,要主动补上消息队列、流处理、状态存储、重复事件处理和特征一致性,而不是只写“采用大数据平台”。
06
PART
QUALITY ATTRIBUTES
场景五:性能、可用性和成本必须一起答
AI服务的性能指标比普通接口更复杂,至少要区分:
首Token时延:用户多久看到第一次响应;
完整响应时延:一次请求全部完成需要多久;
吞吐量:单位时间能够处理多少请求或Token;
资源效率:GPU利用率、显存占用和单次调用成本。
性能方案不能孤立选择。批处理提高吞吐,却可能增加单请求等待;大模型提高部分任务效果,却带来更高时延和成本;激进缓存降低延迟,却需要控制知识更新后的失效问题。
可用性设计可以采用模型分级、小模型兜底、规则引擎降级、跨区部署、灰度发布和快速回滚。关键是说明降级后的业务仍能完成什么,而不是只写“保证系统正常运行”。
07
PART
AI SECURITY
场景六:AI安全要覆盖输入、数据、工具和供应链
只写身份认证和传输加密,已经不足以覆盖AI应用的威胁面。建议按四个入口检查:
← 左右滑动查看完整表格 →
还要保留可追溯证据:用户输入、检索片段、模型版本、工具调用、审批记录和最终输出。这些记录既支持安全审计,也支持问题复现与模型效果评估。
08
PART
CASE METHOD
案例题用4步把AI题面翻译回来
第一步:圈出组件,不急着写产品名
从题干中找出接入层、业务服务、检索服务、模型服务、数据存储、消息链路和监控平台。组件关系比具体品牌更重要。
第二步:写出质量属性冲突
至少找出一组明确矛盾,例如性能与成本、准确性与时延、可用性与一致性、安全性与易用性。
第三步:按层给措施
按照接入层、服务层、数据层、模型层和运维层组织答案。这样可以避免同义措施反复出现,也能减少漏项。
第四步:补指标与失败路径
除了正常链路,还要回答超时怎么办、模型不可用怎么办、工具调用失败怎么办、知识更新后如何失效,以及用什么指标判断方案有效。
09
PART
WORKED EXAMPLE
例题:智能客服高峰期响应慢,怎么答
弱答案通常是:“增加服务器、采用缓存、优化模型、加强监控。”这些词都对,但看不出诊断过程和决策依据。
更完整的答法可以分五层:
接入层: 对突发流量进行限流和排队,区分普通咨询与高优先级业务;
检索层: 缓存高频问题结果,对向量索引和过滤条件进行优化,分别监控召回耗时与命中率;
模型层: 简单问题由小模型或规则库处理,复杂问题路由到大模型,并通过批处理和缓存降低重复推理;
可用性: 模型超时后返回知识库候选答案或转人工,灰度发布新版本并保留快速回滚;
可观测性: 监控首Token时延、完整响应时延、缓存命中率、转人工率、单次Token量和错误率。
这份答案没有依赖某个厂商产品,却完整覆盖了架构分层、性能优化、降级策略和验证指标。
10
PART
THREE-SUBJECT TRANSFER
三科分别怎么迁移
← 左右滑动查看完整表格 →
综合知识里,要能区分RAG与微调、向量库与关系库、在线特征与离线特征、灰度发布与A/B实验。
案例分析里,要把AI组件放回正常架构图,并给每个关键链路配置超时、重试、降级、审计和监控。
论文里,AI只是项目场景。真正决定质量的仍然是:为什么选这套架构、怎样落地、付出了什么代价、如何证明有效。
11
PART
ESSAY EVIDENCE
AI论文至少准备5类证据
为了避免论文写成技术介绍,提前为自己的真实项目整理五类证据:
业务证据: 为什么需要AI,原有流程具体卡在哪里;
决策证据: 比较过哪些方案,为什么选择RAG、Agent或模型服务;
结构证据: 模块、接口、数据、部署和安全怎样组合;
运行证据: 如何灰度、回滚、监控、演练和处理异常;
结果证据: 使用项目真实存在的时延、吞吐、准确率、成本或人工转接指标。
不要为了“显得专业”临时编数字。没有真实数值时,可以写明验证方法、指标口径和比较条件;如果使用示例数据,必须明确标注为示例。
12
PART
FINAL CHECK
最后检查:别在这5个地方丢分
把AI题当算法题,花大量篇幅解释模型原理;
只罗列RAG、Agent、向量库等名词,没有组件关系;
只写正常链路,不写超时、失败、降级与回滚;
只说性能提升,没有指标、口径和验证条件;
只强调效果,不说明成本、安全和运维复杂度。
现在可以做一个最小练习:选“企业知识库问答”或“智能客服”场景,先画出一张包含接入、检索、模型、数据和监控的架构图,再分别写出性能、可用性和安全性各一条措施。
能完成这张图和这三条措施,你就已经把AI题面翻译回了系统架构设计师真正要考的内容。
///
PART
FINAL CHECK
写在最后:用5问检查AI题面是否翻译完成
链路问题:能否把AI名词还原成接入、检索、模型、数据、工具和监控等具体组件?
架构问题:能否说明各组件的关系、架构风格以及正常链路和失败路径?
质量问题:是否同时考虑性能、可用性、安全性、可观测性和成本?
证据问题:是否给出指标、测试、运行记录或项目真实数据来证明方案有效?
迁移问题:能否把同一场景转换成综合判断、案例措施和论文决策证据?
如果这五问都能回答,AI题面就不再是一组陌生缩写,而是熟悉的系统架构问题。下一步选一个智能客服或企业知识库场景,画出组件图,再补性能、可用性和安全性措施。
说明:本文用于系统架构设计师AI相关知识的架构化复习与三科迁移。“6个场景翻译器”和答题框架属于备考组织方法,不是官方固定分类;具体考试范围和术语表述应以当次考试大纲与指定教材为准。
我是软考人,持续分享系统架构设计师、系统分析师等软考高级资格的备考方法、知识拆解与论文写作经验。希望这些内容能帮你少追热点名词,多掌握可以跨场景迁移的架构判断方法。
既然看到这里了,如果觉得有用,随手点个赞、在看、转发三连吧。
THANKS FOR READING