演讲嘉宾王博奇点智能研究院首席技术咨询师技术方向大规模系统级软件架构演进、领域建模、AI 工程效能大会2026 C 及系统软件技术大会 · 北京一、引言当系统软件遇上 AI Native传统软件架构是在确定性逻辑的假设下演进的输入确定、规则明确、输出可预期。但当 AI 能力被嵌入系统核心后这一假设被打破了——模型输出具有概率性系统的行为边界不再由代码完全定义。如何在这样的前提下构建可靠、可演进的大型系统软件是AI Native 软件系统要回答的核心命题。王博作为奇点智能研究院首席技术咨询师曾深度参与 AI System 软件、深度学习引擎、自动驾驶系统与智能对话平台的架构设计其经验横跨系统级软件与 AI 工程的交界地带。二、AI Native 架构的四个演进阶段大规模系统级软件的 AI 化通常经历四个清晰的架构阶段阶段架构特征AI 的定位典型风险1. 外挂式AI 作为独立服务被调用旁路增强数据割裂、延迟高2. 内嵌式AI 嵌入关键路径核心组件概率输出引入不确定性3. 原生式系统围绕 AI 重新设计架构中心可观测性与治理缺失4. 自治式AI 参与系统自我演化演化引擎可控性、安全性挑战大多数团队的困境在于用阶段 2 的工程习惯去应付阶段 3 的架构需求。当 AI 从功能升级为架构中心时传统的分层架构、模块边界、数据流设计都需要被重新审视。三、领域建模给 AI 一个懂业务的边界AI Native 系统的可靠性很大程度上取决于领域边界的清晰度。领域驱动设计DDD提供了一套行之有效的建模语言。3.1 用限界上下文隔离不确定性┌─────────────────────────────────────────────┐ │ 智能对话平台限界上下文 │ │ │ │ ┌───────────┐ ┌───────────┐ │ │ │ 意图识别 │ → │ 领域服务 │ │ │ │ (模型) │ │ (确定性) │ │ │ └───────────┘ └───────────┘ │ │ │ │ │ │ ▼ ▼ │ │ ┌───────────┐ ┌───────────┐ │ │ │ 参数抽取 │ → │ 仓储/事务 │ │ │ │ (模型) │ │ (确定性) │ │ │ └───────────┘ └───────────┘ │ └─────────────────────────────────────────────┘核心原则是让模型负责理解让领域服务负责决策与执行。模型的概率输出被限制在理解这一环节而真正产生业务副作用的操作必须由确定性的领域逻辑兜底。3.2 用领域事件解耦 AI 与业务// 领域事件AI 输出与业务逻辑之间的契约structIntentDetected{std::string conversation_id;std::string intent;floatconfidence;};// 领域服务确定性业务规则不接受概率执行classBookingService{public:voidon_intent(constIntentDetectedevent){// 低置信度必须走人工确认而非直接下单if(event.confidencekConfirmThreshold){escalate_to_human(event);return;}execute_booking(event);}};领域事件是 AI 输出进入业务系统的唯一入口在这里可以做置信度门控、审计留痕与规则校验。四、AI 工程效能把 AI 用于研发本身王博在 AI 工程效能方向的经验可以概括为一个闭环可观测把 AI 生成代码的质量、覆盖率、缺陷率纳入度量可回灌让每一次生产事故、每一次 code review 意见都成为下一次生成的输入可治理用明确的规则而非提示词约束 AI 的行为边界研发效能闭环 ┌──────────────────────────────────────┐ │ 生成 → 审查 → 测试 → 部署 → 观测 │ │ ▲ │ │ │ └──────── 回灌数据/规则─────┘ │ └──────────────────────────────────────┘这个闭环的关键不在于AI 写了多少代码而在于每一次迭代是否让下一次迭代变得更好。五、从自动驾驶到对话平台架构经验的迁移王博的项目经历跨越了深度学习引擎、自动驾驶系统与智能对话平台这些看似迥异的领域在 AI Native 架构上却共享同一套设计约束领域关键约束架构应对深度学习引擎算力/内存极度受限显式资源调度、算子抽象自动驾驶安全攸关、实时确定性兜底、多层冗余智能对话长会话、多租户状态外置、上下文治理共同的主线是在不可控的 AI 与可控的业务之间建立清晰、可审计的边界。六、三个真实场景的落地验证王博的 AI Native 架构方法在三个典型场景中得到了验证。场景核心挑战架构应对深度学习引擎算力/内存受限算子抽象 显式资源调度自动驾驶系统安全攸关、实时确定性兜底 多层冗余智能对话平台长会话、多租户状态外置 上下文治理以智能对话平台为例AI Native 架构的关键取舍在于把理解交给模型把执行交给确定性领域服务。意图识别、参数抽取等理解型环节由模型完成而涉及事务、权限、资金的执行型环节必须由领域逻辑兜底模型仅通过领域事件间接驱动。这套模型理解 领域执行的边界设计是 AI Native 系统在不确定性中保持可靠性的核心方法也是可复用到绝大多数 AI 应用架构的通用模式。七、总结AI Native 软件系统不是给现有系统加一个 AI 模块而是重新思考系统的架构中心、领域边界与演化方式。领域建模为 AI 划定理解的边界确定性逻辑为系统守住执行的底线工程效能闭环则让系统在迭代中持续进化。2026 年 C 及系统软件技术大会上王博将为开发者带来这套从大规模系统实践淬炼出的架构方法论。大会信息2026 奇点智能技术大会 C 及系统软件技术大会时间2026 年 11 月 20-21 日地点中国·北京万达文华酒店参会报名https://boolan.com/enroll/c1051/event/1162?channelseo立即报名与 AI Native 系统架构专家面对面交流