microservices

作者将早期的微服务热潮与当前的多智能体系统热潮进行了类比，认为工程实践——而非更好的模型——可能是实现可靠多智能体系统的关键。

A discussion about using AI Agent for system design and coding in a microservices environment, highlighting the need for the AI to understand service boundaries and business concepts.

文章以问答形式讨论了如何让AI Agent在多个微服务场景下进行系统设计和编码，重点介绍了上下文质量（通过monorepo、分层文档）和验证闭环（通过契约测试、mock server）的实践经验。

这篇文章认为，AI代理架构应从持有全部上下文的单体代理转向一种路由模型，即代理将任务委托给专业化服务，类似于软件从单体架构演进到微服务的方式。

美国运通描述了其核心支付生态系统采用的单元化架构，该架构能够隔离故障、降低延迟并扩展容量。这种方法将微服务和数据库分组到独立的单元中，以限制爆炸半径。

TopoEvo 是一种面向微服务根因分析、感知拓扑结构且自我进化的多智能体框架，它将图表示学习与结构化、受拓扑约束的推理相结合。在多个数据集上，根因定位准确率绝对提升了 3.44%，故障类型分类性能提升了 4.39% 到 16.81%。

STAR是一个阶段归因的分类与修复框架，它将基于LLM的RCA Agent工作流分解为四个结构化阶段，支持分阶段审计、反事实评估以及补丁-重放修复，以改进微服务AIOps中的根因定位和故障类型分类。

Anyscale 发布了一篇技术指南，介绍如何使用 Ray Serve、MCP 和 A2A 协议部署面向生产环境的 AI Agent。文章针对常见的底层基础设施瓶颈，提出了一种解耦的微服务架构，支持 LLM、工具与 Agent 的独立扩缩容。