架構賦能 AI：知識工程推動下的軟件架構數字化
TL;DR：我們試驗了將 AI 應用到基于 Protobuf 的微服務架構中，基于 ArchGuard 治理平臺、Shire AI 助手、Team AI 三個工具中，構建了一套完整的 AI4SE 原型，在需求、設計、開發、測試和運維等階段，這里是我們的思考和實踐。
過去幾個月里，我們在各大技術大會上頻繁看到生成式 AI 的應用，很多研發組織都在嘗試將其引入開發的各個環節。然而，隨著 AI 技術的深入應用，不少組織也發現了基礎知識工程方面的種種挑戰。例如，知識的缺乏規范化、流程的缺失以及標準化檢測工具的不足，正成為 AI 成功落地和提升研發效能的主要阻礙。
如果說知識工程是 AI 賦能研發的基礎，那么數字化架構則是 AI 賦能研發的關鍵。在這篇文章中，我們將探討知識工程推動下的架構數字化：如何通過知識工程的視角， 利用 AI 技術，對系統架構進行全面分析、管理和優化的過程，以及我們的思考和實踐。
引子：架構知識如何改變 AI 驅動的開發流程？？
AI4SE（Artificial Intelligence for Software Engineering）是指人工智能技術應用于軟件工程領域，旨在通過利用 AI 算法和工具來改進軟件開發、維護、測試和管理等各個環節的效率和效果。—— https://aise.phodal.com/
從過去的、標準或者不標準的 DevOps 開發流程來看，我們會把 SDLC 流程分為 N 個階段，取決于你的組織架構，階段的數量可能會有所不同，以適配康威定律。在此，我們將 SDLC 流程簡化為以下幾個主要階段：需求、設計、開發、測試和運維。
SDLC 中的 AI 與架構
圖片
而毫無意外的是，當你深入 AI 4SE 的應用時，會發現每個環節都需要架構知識，以微服務架構為例：
- 需求階段。AI 需要結合現有架構、微服務架構的特點，設計出符合微服務架構的需求文檔，拆分好需求及其所屬的需求或者功能單元。
- 設計階段。遵循現有的微服務架構設計規范、API 規范、數據庫設計規范等，由 AI 生成符合規范的文檔、契約設計和數據庫設計。
- 開發階段。AI 生成的代碼，需要滿足編碼規范、代碼風格、代碼質量等等，還有組織內部的質量門禁規則（比如 SonarQube）。
- 測試階段。自動化測試需要合理的測試策略、規范等，測試人員提的 bug 總需要在合適的服務或組件中修復。
- 運維階段。需要完整的服務地圖，以及服務的依賴關系、日志規范等等，才能結合 AI 自動幫你定位到問題、生成報告等。
當然，架構規范通常分散在不同的部門和團隊中管理，如何高效整合和應用這些知識是當前面臨的一個挑戰。然而，這里我們主要關注架構知識在開發過程中的重要性。
微服務場景示例：AI 如何依賴于架構
圖片
以基于 Protobuf 的微服務架構為例，我們可以探討 AI 如何利用架構知識來推進開發流程的數字化。
Protobuf 是一種高效的二進制序列化協議，提供了跨語言、低延遲的數據交換能力，特別適合微服務架構中服務之間頻繁的通信需求。通過解析 Protobuf 中的服務（Service）、消息（Message）和 RPC 調用等內容，AI 能夠提取系統組件之間的交互關系、數據結構以及模塊的職責。這些信息有助于識別系統的核心模塊、數據流以及 API 接口。
- 需求階段：AI 能夠結合 Protobuf，將復雜的業務需求拆解為更小的功能單元，并標注它們之間的依賴關系。同時，AI 會自動生成針對每個服務的消費者和服務者需求文檔。
- 設計階段：在設計過程中，AI 可以自動生成符合微服務標準的設計文檔，涵蓋 Protobuf API 代碼、數據庫設計等內容，進一步生成自動化測試接口，確保系統的一致性。
- 開發階段：AI 在開發階段會自動應用團隊的編碼規范和代碼風格，結合 Protobuf 接口生成客戶端和服務端代碼，以確保代碼質量符合組織的標準。
- 測試階段：AI 可以根據需求和設計文檔自動生成合理的測試策略和測試用例，創建模擬請求和響應，幫助識別 bug 所在的服務，并自動生成修復建議。
- 運維階段：在運維階段，AI 能夠利用 Protobuf 文件生成服務地圖，展示服務間的依賴關系。同時，AI 還會自動分析日志數據生成問題報告，并提供根因分析，幫助運維團隊快速解決問題。
對于 Spring Boot 框架，盡管具體實現和技術棧有所不同，但整體思路與上述 Protobuf 類似。Spring Boot 提供了一系列工具和庫來支持微服務架構，例如 Swagger 等，這些工具可以幫助開發者快速構建和管理微服務。通過結合 Spring 工具生態，Spring Boot 應用中的服務之間的通信也能實現高效的數據交換，AI 可以同樣在需求、設計、開發、測試和運維各個階段進行有效的集成和自動化，進一步提升開發流程的智能化水平。
AI 與架構知識相互賦能：如何實現架構的數智化？
架構數智化是指通過對架構知識進行數字化和智能化的處理，提升架構設計、管理與協作的效率和質量。其核心在于將分散的架構知識進行數字化表示，構建統一的知識基礎，使得人工智能（AI）能夠理解和利用這些知識，從而輔助并優化架構相關的各個環節。
圖片
實現架構數智化的關鍵步驟包括：
- 架構元模型的建立：定義架構的基本元素和關系，如組件、接口、依賴關系等。這為架構知識的數字化奠定了基礎，確保了架構元素的標準化和可操作性。
- 知識圖譜的構建：將架構元素及其關系映射到知識圖譜中，形成結構化的架構知識庫。知識圖譜使得復雜的架構信息以可視化、關聯性的方式呈現，便于知識的檢索和推理。
- 標準化的語義定義：采用統一的描述語言和規范，如統一建模語言（UML）、領域特定語言（DSL）等。標準化確保了架構知識的可讀性和可解析性，促進了人與機器之間的有效溝通。
借助數字化的架構知識，AI 能夠在以下方面助力架構：
- 設計方案推薦：根據具體的需求和約束條件，AI 可以快速推薦最佳的架構設計方案，幫助架構師做出更明智的決策。
- 規范合規性檢查：自動驗證設計方案是否符合組織的架構規范和標準，減少人為錯誤，確保一致性和合規性。
- 自動生成原型：基于高層次的架構設計，AI 能夠自動生成代碼骨架或原型，支持快速迭代和驗證，加速開發流程。
- 智能問答系統：利用自然語言處理技術，AI 可以回答團隊成員關于架構的疑問，提供實時支持，促進知識共享。
- 智能化協同設計：在協同設計平臺上，AI 提供實時建議和錯誤檢查，幫助團隊成員協調工作，提高設計效率和質量。
綜上所述，架構數智化通過集成數字化表示和人工智能技術，實現了架構知識的高效管理和利用，推動了架構設計過程的智能化轉型。這不僅提升了組織的創新能力和響應速度， 也為數字化時代的持續發展提供了堅實的技術支撐。
實踐：提煉架構知識，整合 AI 工具
我們的探索圍繞于三個平臺/工具：
- ArchGuard 治理平臺：用于架構知識的管理、分析和優化，支持架構元模型的定義、知識圖譜的構建和標準化的語義定義。
- Team AI 平臺：在 AI 平臺上整合開發流程與架構知識，提供智能化的協同設計、規范合規性檢查、自動生成原型等功能。
- Shire AI 助手：在 IDE 端提供直接 Prompt 能力，并與遠程智能體的交互，以實現基于代碼骨架的 AI 交互和迭代。
其中的 ArchGuard（ https://archguard.org/ ）和 Shire （ https://archguard.org/ ） 都是我們自研的開源工具，可以在 GitHub 上找到源碼和文檔。
1. ArchGuard：提取架構知識與數據
我們在 ArchGuard 2.2.2 版本中，提供了對 Protobuf 文件的解析和分析功能，支持自動提取服務、消息、接口等元素，構建服務地圖和依賴關系圖。并構建了 全新 ArchGuard Architecture Analyser 模塊，支持對架構知識的智能化分析和優化。
通過，直接運行 ArchGuard CLI，就可以將 Protobuf 文件解析為 JSON 格式，并上傳到自定義的遠程服務器中，以便后續的分析和優化。
java -jar .scanner_cli.jar --language=go --type=architecture --output=http --server-url=http://localhost:3000 --path=.如下是，我們在 ArchGuard 中的可視化展示：
圖片
2. Team AI 平臺：整合 AI 工具與架構知識
我們在 Team AI 平臺中，整合了開發流程，并兼容 ArchGuard 接口。如下是，相同數據在 Team AI 平臺中的展示：
圖片
結合生成式 AI 的生成能力，我們可以快速構建基于代碼庫的接口知識，用于快速進行知識檢索和查詢：
圖片
以便于我們可以從需求階段，就可以查詢到需求可能影響 的范圍，方便進行架構設計和文檔的編寫等。Team AI 平臺也提供了面向其它工具、平臺的接口，諸如于 Shire IDE 插件就可以快速接入。
3. Shire AI 助手：AI 與架構知識的交互
在 Shire 可以直接調用遠程的 Http API、流式 API 等：
圖片
因此可以直接從平臺獲取所需要的架構知識，并將其與代碼庫相結合，以實現更高效的軟件開發。我們還在即將發布的 Shire 新版本中添加更好的 Protobuf 支持：
圖片
以直接在 IDE 中就可以讓 AI 修改 prompt。
結語：架構知識的數字化與智能化
在我們的探索中，架構知識的數字化與智能化成為提升軟件開發效率的關鍵。通過將 AI 應用到基于 Protobuf 的微服務架構，我們在需求、設計、開發、測試和運維等環節實現了智能化支持。
借助 ArchGuard 治理平臺、Team AI 平臺和 Shire AI 助手，我們構建了一套工具鏈，使架構知識能夠被 AI 理解和應用，推動開發流程的自動化與智能化。盡管面臨著規范與流程的挑戰，我們相信，架構知識的有效整合將為 AI 的成功落地和研發效能提升提供強有力的支持。未來，我們將繼續深入探索架構與 AI 的融合，推動軟件工程的持續變革。
