墨吟系统后端开发实训心得：从单体到微服务的成长之路

  这一周负责墨吟系统的后端开发，收获满满。后端终于部署上线，特此记录自己的成长与思考。

初识微服务：从单体到拆分

  刚开始开发时，我仍然沿用熟悉的单体架构思路，使用 MySQL + MongoDB + Redis 三件套。后来随着功能模块增加，自然而然走上了服务拆分之路——这才意识到，原来这就是微服务。

  微服务本质上是将单体应用拆分为多个独立运行的项目，每个项目作为一个独立进程，通过网络 API 进行通信。它的优点很明显：某个服务出问题不会导致整个系统崩溃；维护更新也更灵活，无需重启整个应用。

  当然，微服务更适合大型系统。对于开发人员来说，核心还是单体开发能力，微服务更多是一种架构选择。不要过分神话它——它不只是拆分那么简单，还有一系列待解决的问题，比如服务发现、链路追踪等，这些都是我目前还没接触到的场景。

  这次我将 AI 问答模块单独拆成了一个服务，因为它相对独立，包含了问答、资源推荐、会话管理、多模态输入等功能。其余 CRUD 模块则放在另一个管理服务中。

  拆分过程遇到了不少问题，最头疼的是包路径和 Dockerfile 编写。常常出现镜像构建失败，或者运行时报错找不到模块。最后摸索出的解决方法是：在微服务中使用绝对导入路径，例如 from service.package.file import object，并且让 AI（尤其是 Deepseek）根据项目结构、配置文件（settings、.env）和服务器环境来协助编写 Dockerfile 和 yaml 文件。

小结：没有完美的架构。微服务是大型系统为了便于维护的“无奈之举”，小型项目用单体反而更快、更简单。

Docker 初体验：容器化真香

  之前部署项目，要手动拉代码、装环境、配中间件，过程繁琐还容易出错。这次用 Docker 容器化部署，体验完全不同。

  只要提前整理好项目结构，把配置写进配置文件（避免硬编码绝对路径），写好 Dockerfile 和 docker-compose.yaml，到服务器上拉取代码，执行构建和启动命令，部署就完成了。如果开发时就把项目打理清楚，部署可能只需几分钟。

  中间件也不用单独安装，所有配置都是相对的，.env 里的 IP 地址直接用容器名代替。建议写两套配置：一套开发用，一套部署用，这样既能本地调试，也能快速上线。

拥抱云原生：低成本、高效率

  这次用到了不少云服务：

• DeepSeek API：价格亲民，十块钱能用很久，开发完全够用。
• 阿里云 OSS、OCR + 腾讯云语音识别：调用方便，功能稳定。
• 阿里云服务器：对学生和个人开发者非常友好。之前花四百块买了半年天翼云，现在阿里云 2G 内存的服务器一年才 80 块，性价比很高。

  阿里云还支持在购买时直接选择用 Docker 还是宝塔面板管理中间件，这次我顺利用上了 Docker。

  部署过程虽然也踩了坑：改代码 → 推仓库 → 拉取 → 构建 → 启动 → 看日志报错 → 再修改……循环了好几次，但每次都能通过查看 Docker 日志和借助 AI 快速定位问题，这多亏了 Docker 的标准化和可重复性。

  另外，阿里云的域名服务也很省心，购买、备案、绑定 IP 一条龙，对新手非常友好。

Agent：让 AI 不仅能回答，还能做事

  之前做 RAG（检索增强生成），这次老师要求开发 Agent，两者既有区别也有联系。

  Agent 本质上是通过编程组织一系列工具（API、函数、数据查询等），让 AI 不仅能回答，还能执行具体任务。比如你可以让 AI 查天气、订机票、帮你写文章——当它调用外部功能时，往往就是触发了 Agent 机制。

  为什么说 Agent 也用到了 RAG 思想？因为 Agent 同样可以通过查询接口获取系统数据，这本身就是一种“检索”。把这些数据作为 Prompt 的一部分输入模型，再让模型基于此作出决策或执行动作，这个过程和 RAG 很相似。

  我对“豆包”这类 AI 产品的理解也更深了：未来 Agent 会越来越普及，成为人机交互的重要方式。

DeepSeek API：真正好用的模型

  之前用其他开源模型做 RAG，效果总差强人意。这次换用 DeepSeek，明显感受到差距：即使 Prompt 很长、约束很多，它也能很好理解并执行。

  AI API + 精心设计的 Prompt ≈ 一个“智能函数”。比如从一段话中提取核心关键词、总结段落大意，传统方法可能需要复杂的规则或枚举，效果有限。而通过 Prompt 约束调用 AI API，虽然响应慢一点（几秒钟），但效果准确得多，真正做到了理解语义。

AI 辅助编程：效率提升利器

  这次大部分代码都是靠 AI（尤其是豆包）生成的，我只是做整合和微调。对于这种中小型项目，AI 辅助编程已经完全够用，大大提升了开发效率。

遗憾与展望

1. 微服务：还想更深入学习服务治理、链路追踪等进阶内容。
2. Workflow：希望有机会实践一下工作流引擎的设计与实现。
3. AI 编程工具：想试试 Cursor、Trelis 这类能直接操作代码文件的 AI 工具，进一步提升开发体验。

  这一周的实训，从架构选型到部署上线，从工具使用到底层思考，每一步都是成长。继续积累，继续向前。

本博客为个人实训心得记录，如有理解不到位之处，欢迎交流指正。