目录 📑
在2025年11月举行的全国计算机技术与软件专业技术资格（水平）系统架构设计师考试，我从四个论文题目中，选择了围绕"论基于云原生数据库的企业信息系统架构"展开论述。
考前我撰写了题为《论基于云智一体的AI智能客服系统设计与实现》的论文。考试中，根据题目要求临场发挥，在理论部分阐述了云原生数据库在弹性扩展、高可用、可观测性等方面的核心技术优势；实践部分中将其深度融入到一个真实、复杂的AI驱动型财税场景中，完整呈现了从架构选型、技术攻坚到落地成效的全过程；同时摘要和总结也跟主题进行了响应。
这篇论文通过了考试，我把这篇考场论文分享出来，希望能为正在备考系统架构师的朋友，或正在探索云原生与AI融合架构的同行，提供一些有价值的参考。
一、考场论文真题 📝
《论基于云原生数据库的企业信息系统架构》
云原生技术全面普及背景下，企业信息系统需满足弹性伸缩、高可靠性、资源高效利用及敏捷迭代需求。云原生数据库通过容器化部署、Kubernetes编排、存储-计算分离、可观测性等技术，解决传统数据库扩展受限、运维成本高、故障恢复慢等问题。
论述要求：
- 概要叙述参与管理和开发的企业信息系统项目及担任的主要工作。
- 详细论述云原生数据库的核心技术优势，并说明架构设计中如何体现其技术特性。
- 结合具体项目，阐述云原生数据库的选型依据、落地过程中的关键难点及应对措施，以及最终架构的实施效果。
二、论文摘要 📄
某游乐园作为大型主题乐园，传统客服业务中存在人工成本高、响应时间长、7x24小时服务难以保障、高频问题重复解答等核心痛点，决定启动"AI客服助手"项目，计划6个月内交付。本人作为系统架构师，负责系统架构设计工作。本系统基于云智一体理念设计，采用大模型作为认知核心，通过RAG技术构建游乐园知识库，支持多模态查询（文本与图片），形成"感知-理解-检索-生成-反馈"的完整闭环。项目历时6个月成功上线，累计服务游客咨询120万次，AI自动解答率达87%，响应时间从平均5分钟降至3秒，人工客服压力降低65%，客户满意度提升至92%。实践表明，云智一体架构能够有效支撑AI原生应用在垂直领域的落地，为智慧旅游服务提供了可行方案。
三、论文背景 🎯
随着AI技术的飞速发展及其在垂直领域的深入应用，游乐园对智能化、自动化客服服务的需求日益迫切。传统客服业务存在人工成本高、响应时间长、7x24小时服务难以保障、高频问题重复解答等核心痛点，决定启动"AI客服助手"项目，计划6个月内交付。要求系统具备多模态感知、复杂推理与跨场景协同能力，支持自动解答高频问题（票务、入园须知、会员权益等）、确保回答准确（所有答案来源于官方知识库）、支持多模态查询（文本与图片理解）等功能，大幅降低人工干预，提升客服效率与服务质量。
本项目中，我担任系统架构师，负责系统架构设计工作。项目初期开展概念验证，验证AI技术在游乐园客服业务场景下的技术可行性。本系统基于云智一体理念设计，采用大模型作为认知核心，通过RAG技术构建游乐园知识库，利用多模态检索技术支持图片查询，形成"感知-理解-检索-生成-反馈"的完整闭环。将系统划分为接入层、智能体层、能力层、业务层和基础设施层，并采用微服务架构、容器化技术、分布式数据库、缓存、消息中间件等云原生技术，对应用解耦和模块化设计，实现高并发、高可用、高性能、高扩展的非功能需求，为游客提供不间断的高质量服务。
四、理论部分 💡
AI应用由大模型提供认知能力，智能体负责流程编排与动作调度，数据作为个性化与决策的基础，再通过外部工具实现感知与执行，构建具备自主性的智能系统。AI原生应用架构关键要素：
1）模型： 🧠
大模型扮演着大脑的角色，负责语义理解、推理与生成任务。
2）应用框架： 🛠️
提供Agent开发能力，支持流程编排、工具调用、记忆管理。
3）提示词工程： 📝
通过结构化指令引导LLM行为。
4）RAG： 📚
构建知识库弥补大模型垂直领域知识不足。
5）工具： 🔧
通过Function Calling、MCP等机制调用外部能力。
6）记忆： 🧩
短期记忆维护会话上下文，长期记忆存储用户历史。
7）网关、运行时、可观测、评估与安全 🔒
等，共同支持AI原生应用的稳定性、可扩展性和可信性。
基于上述理念，可将AI应用划分为五层架构：
1）接入层 🌐
支持多渠道接入（微信、Web、API），统一鉴权和流量管理；
2）智能体层 🤖
是核心，基于LangChain和LangGraph构建，具备自主完成指定任务的能力；
3）能力层 ⚡
包括大模型、知识库、记忆、工具等服务；
4）业务层 💼
提供核心业务能力的集合；
5）基础设施层 🏗️
提供云计算资源、容器编排、监控告警等。
各层通过标准化接口解耦，支持独立演进和水平扩展，智能体作为"神经中枢"协调各层能力完成任务。
五、实践部分 🚀
本文将结合具体实践，详细阐述AI客服助手项目的实践过程。
1. 概念验证与技术选型 🔬
在项目初期为防止技术风险，我主导进行了POC概念验证。选用Qwen-max用于自然语言理解和文本生成、选用CLIP模型进行多模态图像理解，并借助低代码平台Dify验证了知识库、工作流编排、工具调用等能力，为后续全面开发奠定了基础。
基于验证结果，继续使用Qwen-max大模型和CLIP模型；文档信息提取采用文档智能解析技术；远期规划基于Qwen3-8B模型结合私有数据进行训练和微调。这种模型组合策略，既保证了快速落地，又为长期优化预留了空间。
2. 智能体开发与流程编排 🔄
为降低Agent开发门槛、简化开发流程，我最终选用Python生态中的开源框架LangChain来构建应用。智能体具备四大核心能力：
1) 流程编排： 📊
针对复杂客服流程，我引入LangGraph构建状态机工作流，定义用户请求接收、意图识别、多模态检索、结果融合、答案生成、答案校验、结果反馈七个状态节点，节点间支持条件分支和循环重试，如检索结果置信度不足时自动转入人工介入流程。使用流程编排，复杂场景处理成功率从70%提升至87%；
2) 提示词工程： ✍️
采用PromptTemplate实现模板化、动态生成提示词，例如客服问答模板、多模态查询识别模板等；
3) 记忆机制： 🧠
用户在咨询过程中，当前上下文窗口的短期记忆使用langchain.memory进行管理，长期记忆采用向量数据库FAISS来存储用户历史咨询记录；
4) 工具调用： 🔨
使用Function Calling调用本地工具，比如：文档解析、OCR识别等。使用MCP Client调用远程工具集，如：查询票务信息、会员权益查询接口等。
3. 知识库构建与RAG优化 📚
为了解决大模型无法理解垂直领域知识的问题，我基于RAG技术构建了游乐园知识库。构建流程包括：
1）知识收集 📥
收集票务信息、入园须知、会员权益、活动介绍等游乐园资料，共计300万字；
2）多模态文档解析 📄
使用PyMuPDF提取PDF中的文本、表格和图片，使用python-docx处理Word文档，使用pytesseract对图片进行OCR文字识别，确保非结构化数据得到有效提取；
3）文档分块 ✂️
根据场景选用不同知识切片策略以平衡效果与成本，经测试chunk_size设置为500个token，chunk_overlap设置为200个token，确保上下文连续性；
4）向量化处理 🔢
文本块使用text-embedding-v4转换为向量，图片使用CLIP模型转换为图像Embedding，并存储在向量数据库FAISS中；
5）索引构建 🔍
建立多级索引结构，包括一级分类索引（票务、入园须知、会员权益、活动等）和二级语义索引。
为提升RAG准确率，采用了三层优化策略：
1）检索前 🔎
增加查询改写模块，将用户口语化问题进行改写优化，增加知识库路由模块定向检索对应的知识库分区；
2）检索中 🔄
采用混合检索策略，结合文本向量检索（语义相似）、图像向量检索（CLIP多模态）和关键字检索（精准匹配），融合多种检索结果；
3）检索后 ✅
增加了重排序模块，并对召回结果重新打分排序，增加拒识模块，当检索结果置信度低于阈值时，拒绝回答并提示人工介入。
💡 优化成果： 经过优化，RAG准确率从初期的70%提升到90%，幻觉从10%降至 2.5%，多模态查询准确率达到88%。
4. MCP服务工具集封装 🔧
在AI客服业务中会频繁使用一些公共基础能力，如：查询票务信息、查询会员权益、查询园区设施信息、查询活动信息、查询入园须知等。为了简化开发，避免重复适配，实现能力共享。我采用了基于Streamable HTTP模式构建MCP Server，该模式允许实时流返回部分结果，提升响应效率；兼容HTTP生态，便于AI流式调用与集成。我将游乐园客服的20余个公共能力封装成MCP服务，每个工具都提供了详细的描述和参数说明，便于大模型理解工具用途并正确调用。
5. 基础设施保障体系 🏗️
为确保AI客服业务的稳定运行，构建了覆盖网关、运行时、可观测、评估与安全的全栈保障体系。
-
网关层 🌐
通过 API 网关统一接入，实现鉴权、限流与流量调度，支持峰值 10 万 QPS； -
运行时 ⚙️
基于 Kubernetes 弹性伸缩，按负载动态调整资源，确保高可用。 -
可观测层面 📊
依托 OpenTelemetry 统一采集指标、日志与链路数据，结合阿里云 ARMS 与 Prometheus，构建端到端全链路追踪能力，支持 Trace ID 查询、服务拓扑发现、慢调用下钻及多维诊断，可视化请求在智能体、大模型、RAG、多模态检索等组件间的执行路径，实时监控延迟、Token 消耗、错误率与资源使用，并联动云监控自动告警。 -
评估与优化 📈
引入评估Agent 自动检测幻觉、不一致等问题，通过 A/B 测试持续优化模型策略。 -
安全 🔒
采用 TLS 加密、细粒度访问控制与操作审计，满足用户数据合规要求。
✅ 系统指标： 整体系统可用性达 99.9%，典型故障恢复时间控制在 2 分钟内。
六、总结 🎯
基于云智一体架构理念，实现了云与智的深度融合，大模型、RAG、多模态检索等要素协同配合，形成了"感知-理解-检索-生成-反馈"闭环。项目组经过6个月的开发和测试，于2025年5月成功上线，现已稳定运行近半年时间。截止10月底，累计服务游客咨询120万次，AI自动解答率达87%，响应时间从平均5分钟降至3秒，人工客服压力降低65%，客户满意度提升至92%。
在项目初期，遇到多模态检索精度不足问题，经分析发现图片Embedding与文本Embedding向量空间不一致，通过优化CLIP模型参数和统一向量维度，使多模态查询准确率从72%提升至88%。
本项目验证了云智一体架构在垂直领域的可行性。未来，我将推进领域模型微调，将AI客服准确率从87%提升至95%以上，探索从客服问答向智能推荐、个性化服务扩展，构建智慧旅游AI能力平台，为游乐园数智化转型贡献价值。
如果你觉得本文有帮助，欢迎点赞、在看、转发，也欢迎留言分享你的经验！
往期文章回顾：
