1. 项目背景与核心价值
三年前我刚加入现在的AI平台团队时,应用商店还是个只有十几个基础模型的小功能模块。如今再看这个承载着数百个AI技能的入口,已经深刻理解了平台型产品的进化规律。这次复盘不仅是对过去三年技术架构升级的总结,更想通过应用商店这个"毛细血管",揭示AI平台发展的底层逻辑。
应用商店在AI平台中的角色很特殊——它既是开发者的变现通道,又是终端用户的能力入口。这种双重属性决定了其迭代过程必然伴随着平台定位的调整。我们经历过三次重大架构改造:从最初的静态技能列表,到支持动态加载的微服务架构,再到现在的技能编排引擎。每次升级都对应着平台战略的阶段性转变。
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. 技术架构演进路径
2.1 第一阶段:目录式商店(v1.0)
2019年上线的初代版本采用最简实现:
- 前端:React静态页面+基础搜索
- 后端:Spring Boot单体架构
- 数据层:MySQL单表存储技能元数据
这个阶段的核心矛盾是:
- 技能上线需要全站发布
- 计费系统耦合在业务代码中
- 用户行为数据采集缺失
我们当时用了一个取巧方案:通过GitHub Actions实现技能配置文件的自动化同步。虽然解决了发布问题,但埋下了技术债——配置文件越来越臃肿,最终单个YAML文件超过3000行。
2.2 第二阶段:服务化改造(v2.0)
2021年的架构升级重点解决扩展性问题:
- 引入Skill Gateway作为统一接入层
- 技能元数据迁移到MongoDB分片集群
- 独立计费服务采用Temporal工作流引擎
关键技术决策包括:
- 选择gRPC而非REST作为服务间通信协议(考虑性能与接口约束)
- 自研技能调度器替代Kubernetes原生方案(需要精细化的QoS控制)
- 采用契约测试保障服务兼容性(Pact框架的实际应用)
这个阶段最大的教训是:过早优化带来的复杂度。我们为技能编排设计了过于复杂的DSL,结果80%的技能只用到了基础流程控制功能。
2.3 第三阶段:智能编排(v3.0)
当前版本的核心创新点:
- 技能组合的自动化推荐(基于Graph Embedding)
- 运行时动态加载WASM模块
- 跨技能的状态管理方案
技术栈选型值得关注的细节:
- 放弃TensorFlow改用ONNX R
