1. 项目背景与痛点分析
去年接手公司IoT设备监控系统时,我本以为只是个常规的CRUD项目。系统需要对接EMQX消息队列获取设备数据,通过JetLinks API进行设备管理,核心功能就是采集数据、展示状态、触发告警。但随着业务发展,这个"简单"系统暴露出了致命问题——规则僵化。
最典型的场景是设备状态查询。最初需求很简单:"查询设备001是否在线"。我们写了标准的MVC三层架构:
- Controller接收
/device/status?deviceId=001 - Service层拼装SQL:
SELECT status FROM device WHERE id='001' - 返回JSON:
{"status":"online"}
问题出现在三个月后:
- 业务方要求支持"设备001健康度查询" → 新增健康分计算模块
- 设备ID格式从纯数字变为"DC-001" → 修改所有正则校验
- 用户问"最近故障设备有哪些" → 开发新的统计接口
- 需要判断数据是否异常 → 硬编码阈值规则
每次变更都导致:
- 新增分支逻辑(if-else/switch-case)
- 修改现有代码
- 全量测试
- 重新部署
系统逐渐变成"补丁摞补丁"的怪物。更痛苦的是,用户总会用开发没想到的方式提问:
- "DC-001活着吗?"
- "001号机正常不?"
- "那个冷链设备咋样了?"
每个新表达方式都需要添加新的正则匹配规则。到后期,仅意图识别代码就超过800行,维护成本呈指数级上升。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. AI重构的核心思路
2.1 从规则驱动到意图驱动
传统方案本质是规则驱动开发——预先定义所有可能的情况。而AI方案转变为意图驱动开发,核心差异在于:
| 维度 | 规则驱动 | AI驱动 |
|---|---|---|
| 逻辑承载位置 | 代码中硬编码 | 模型权重+Prompt |
| 变更成本 | 修改代码→测试→部署 | 调整Prompt或新增工具 |
| 泛化能力 | 仅匹配预设模式 | 理解语义相似表达 |
| 知识管理 | 代码注释/文档 | 向量知识库 |
2.2 技术选型考量
在模型选择上,经过对比测试:
| 模型 | 参数量 | 本地部署 | 中文理解 | 工具调用 | 适用性评估 |
|---|---|---|---|---|---|
| GPT-4 | 1.8T | ❌ | ★★★★★ | ★★★★★ | 成本高,依赖API |
| Claude 3 | 未知 | ❌ | ★★★★☆ | ★★★★☆ | 企业级访问限制 |
| Qwen-1.8B |
