演進式架構實戰：從單體、微服務到 Docker、Kubernetes 與 AI 雲原生轉型#
問題驅動（Problem-Driven）：不先拋 Docker / K8s 概念，而是重現從 100 併發到千萬級併發的 14 次架構演進，讓讀者在堆疊的運維痛點中，自然產生「這裡必須用容器與編排來解決」的需求。 情境載體：以淘寶架構演變簡史為主線（教學模型，非淘寶真實路徑），一路銜接至 Serverless、FinOps 與 AI 雲原生。
第一篇：單體與集中式架構（從零到一）#
- 一、單體架構的起點與極限
- 1.1 淘寶初期的 Web 架構：單機 Tomcat + 資料庫
- 1.2 第一次演進：Web 伺服器與資料庫分離部署
- 1.3 應用伺服器的效能瓶頸：CPU、內存與 I/O 競爭
-
二、引入快取與快取一致性
- 2.1 資料庫讀寫瓶頸與快取救星
- 2.2 本地快取與分散式快取：Memcached / Redis / Tair
- 2.3 快取實戰痛點：穿透、擊穿、雪崩與熱點失效
- 2.4 快取與資料庫的一致性難題
第二篇：規模化與資料庫拆分（Scale-out）#
- 三、無狀態應用與負載均衡
- 3.1 反向代理與 Web 集群：Nginx / HAProxy
- 3.2 無狀態設計與 Session 共享
- 3.3 四層與七層負載的搭配：LVS / F5 + Keepalived
-
四、資料庫的高可用與分庫分表
- 4.1 讀寫分離與主從同步：Mycat 與資料一致性
- 4.2 按業務垂直分庫：降低資源競爭
- 4.3 大表拆小表：Hash / 時間分片與水平擴展
- 4.4 拆分後的代價：分散式事務、跨庫 Join 與 MPP 資料庫
第三篇：服務化與微服務架構（SOA & Microservices）#
- 五、拆分單體：垂直應用與微服務抽離
- 5.1 大應用拆小應用：業務邊界與 DDD 簡介
- 5.2 公共模組服務化：Dubbo / Spring Cloud RPC
- 5.3 分散式協調：Zookeeper / Nacos 配置中心與服務發現
-
六、多樣化數據與服務治理
- 6.1 異構儲存：HDFS / HBase / Elasticsearch / 大數據場景
- 6.2 訊息佇列：RocketMQ / Kafka 異步解耦與削峰
- 6.3 ESB 與 API Gateway：統一協議與路由
- 6.4 傳統微服務運維地獄：環境不一致與部署死胡同
第四篇：容器化革命（Docker 入門與銜接）#
- 七、打破部署地獄：Docker 容器技術登場
- 7.1 虛擬機 vs 容器：本質差異與隔離模型
- 7.2 Docker 三要素：Image / Container / Repository
- 7.3 編寫 Dockerfile：把微服務打包為標準單元
-
八、Docker 網路與儲存管理
- 8.1 Docker 網路模型：Bridge / Host / Overlay
- 8.2 數據持久化：Volume 與 Bind Mount
- 8.3 單機容器的極限：成百上千容器誰來管
第五篇：雲原生編排（Kubernetes 實戰）#
- 九、雲原生指揮官：Kubernetes 核心架構
- 9.1 為什麼需要容器編排
- 9.2 K8s 架構解密：Control Plane 與 Worker Node
- 9.3 核心物件入門：Pod / ReplicaSet / Deployment
-
十、K8s 服務發現、路由與儲存
- 10.1 Service：ClusterIP / NodePort / LoadBalancer
- 10.2 對外入口：Ingress 與雲原生網關 Envoy / Higress
- 10.3 服務網格：Istio 無侵入治理與 mTLS
-
十一、彈性擴縮與自癒系統
- 11.1 自癒：Liveness 與 Readiness 探針
- 11.2 應對大促：HPA / Cluster Autoscaler / KEDA
- 11.3 資源治理：Requests & Limits 與 OOM 防護
- 11.4 多機房多集群：Affinity / Taints / Tolerations / Karmada
第六篇：最新進展——Serverless、FinOps 與 AI 雲原生#
- 十二、現代微服務反思：Serverless 與模組化單體
- 12.1 微服務過度拆分的技術債
- 12.2 模組化單體的復興：幾時該拆、幾時該合
- 12.3 全面 Serverless 化：Knative 與冷啟動優化
-
十三、雲原生生態：GitOps、可觀測性與 FinOps
- 13.1 GitOps 持續部署：ArgoCD 實戰
- 13.2 可觀測性三支柱：Log / Metric / Trace 與 OpenTelemetry
- 13.3 成本治理 FinOps：混部與資源利用率
-
十四、AI 時代的架構革新
- 14.1 從千人千面到生成式 UI 與 AI Agent 導購
- 14.2 K8s 調度 GPU：vGPU / MIG / RDMA 高速網路
- 14.3 推理服務雲原生部署：vLLM / Triton + K8s
- 14.4 邊緣與 WASM：輕量容器在邊緣路由的應用
-
十五、最新進展一：AI 原生應用架構與 Agent Infra（🆕 2025–2026）
- 15.1 從雲原生到 AI 原生：2025 白皮書與雲智一體
- 15.2 AgentRun 八大組件：AI 運行時 / AI 網關 / AI MQ / Memory / 可觀測 / 評估 / 安全
- 15.3 FunctionAI 與 Agent Infra：AWS AgentCore / Azure / FunctionAI 長時運行與會話親和
-
十六、最新進展二：AI 網關、AIOps 與淘寶實戰（🆕 2025–2026）
- 16.1 AI 網關：推理路由、Token 限流、多模型協議適配與 Gateway API
- 16.2 AI 中間件演進：Spring AI Alibaba / Higress / MSE / RocketMQ
- 16.3 淘寶 AI OS 實戰：搜索推薦全圖架構、RTP / XDL / OpenSearch 百萬 QPS
-
十七、總結與前瞻：ACK 新能力與未來
- 17.1 ACK 2025–2026 新能力：Auto Mode / Virtual Node / ACK One 多集群 / AI Assistant
- 17.2 全景複盤：單體 → 分散式 → 微服務 → 雲原生 → AI 原生
- 17.3 技術選型白皮書：避免為了雲原生 / AI 而雲原生 / AI
- 17.4 架構設計原則：N+1、回滾、禁用、監控、多活、水平擴展、FinOps 與 AI 安全