我搭建企业级AI平台的5个关键决策实录从0到1的架构踩坑记前不久我接手了一个给中型制造企业搭建AI能力中台的项目。客户是家做智能工厂的需要把各种模型——比如图像识别、预测性维护、自然语言处理——统一封装成服务供前端调用。项目规模不算大但涉及多个团队协同数据量每天几百万条要求系统得扛得住高并发还得保证模型推理的稳定性。说实话刚接到需求时我有点慌毕竟这是第一次在企业级场景下全面设计Java架构之前更多是做单体应用。模型选型与服务拆分别让“大而全”拖垮你一开始我们想把所有模型塞进一个Spring Boot服务里觉得这样简单省事。试了一圈发现不同模型的依赖包冲突严重比如有的用TensorFlow 2.x有的要PyTorch 1.8打包后启动直接报NoSuchMethodError。当时我觉得用Docker隔离应该行结果一测试容器间网络延迟让API响应时间飙到3秒线上监控报警狂响。项目实战决策最终我决定拆成微服务。每个模型独立部署一个Spring Cloud Gateway路由到对应服务比如image-service负责CV模型nlp-service管文本处理。虽然初期开发量多了30%但后续迭代时改一个模型不用停整个系统。配置上用了Spring Profiles区分环境代码片段如下java// ImageService.javaSpringBootApplicationProfile(image-model)public class ImageService {public static void main(String[] args) {SpringApplication.run(ImageService.class, args);}PostMapping(/predict)public ResponseEntity predict(RequestBody byte[] imageBytes) {// 调用轻量级TensorFlow Lite模型return ResponseEntity.ok(inference(imageBytes));}}坑的是初始注册中心选谁。Eureka太老不推荐Consul运维成本高最后用Nacos 2.4配置热更新秒级生效。记得有一次误删了模型配置幸亏有版本回溯功能才救回来——差点没活过上线前夜。缓存策略与部署架构省下的钱都是利润API网关层成了瓶颈。前端频繁查询同一张图片的分类结果数据库直接被打崩。当时我觉得用Redis缓存就行结果发现模型输出动态变化缓存过期设置短了就失效长了就浪费内存。自我质疑后来我反思其实应该按模型版本分缓存键比如model:v1.2:image_hash既保证一致性又减少重复计算。实现时用Caffeine本地缓存Redis分布式锁防穿透QPS从800提到3200。部署方面K8s是必须的但HPA水平Pod自动伸缩配置差点翻车。最初设了CPU70%就扩容结果模型推理峰值波动大触发频繁震荡。改成基于自定义指标——请求队列长度后才稳下来。日志系统全链路追踪用SkyWalking排查一个慢耗时模型定位到JVM GC问题调优后延迟降低60%。整个过程花了3个月从需求分析到生产环境稳定运行。现在回头看架构设计上最关键的还是克制别贪多求全先跑通核心链路再迭代。客户反馈说新平台让他们模型迭代速度提升了5倍这点成就感真值了。本文基于实际项目经验整理欢迎在评论区交流技术问题。