lijiaoqiao/review/deep_architecture_review_v1_2026-03-18.md

# 专业架构深度评审报告

> 评审日期：2026-03-18
> 评审方法：架构评审 + 模式分析 + 行业对标
> 评审范围：整体架构与技术决策

---

## 1. 评审团队与方法

### 1.1 评审专家
- **云原生架构师** - 负责微服务架构评审
- **分布式系统专家** - 负责数据一致性评审
- **性能工程师** - 负责性能与扩展性评审

### 1.2 评审框架
| 维度 | 评估方法 |
|------|----------|
| 架构合理性 | 模式对照 + 反模式检测 |
| 可扩展性 | 容量规划 + 水平扩展能力 |
| 可用性 | SLO分析 + 故障模式分析 |
| 可维护性 | 模块化 + 依赖管理 |
| 性能 | 基准测试 + 瓶颈分析 |

---

## 2. 架构整体评估

### 2.1 当前架构概述

```
┌─────────────────────────────────────────────────────────────────┐
│                    控制面 (Control Plane)                       │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐      │
│  │ 租户管理 │ │ 计费引擎 │ │ 策略引擎 │ │ 管理后台 │      │
│  └──────────┘ └──────────┘ └──────────┘ └──────────┘      │
└─────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────┐
│                    数据面 (Data Plane)                          │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐      │
│  │  Router  │ │Provider  │ │  熔断    │ │  计费    │      │
│  │  Core    │ │ Adapter  │ │  器      │ │  收集器  │      │
│  └──────────┘ └──────────┘ └──────────┘ └──────────┘      │
└─────────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌─────────────────────────────────────────────────────────────────┐
│                    subapi (外部集成)                            │
└─────────────────────────────────────────────────────────────────┘
```

### 2.2 架构评分

| 维度 | 评分 | 说明 |
|------|------|------|
| 模块化 | 7/10 | 控制面/数据面分离清晰 |
| 可扩展性 | 6/10 | 水平扩展能力需验证 |
| 可用性 | 7/10 | 故障隔离机制需完善 |
| 性能 | 7/10 | 60ms目标可达 |
| 可维护性 | 6/10 | subapi耦合需解耦 |

**架构综合评分：6.5/10**

---

## 3. 深度问题分析

### 3.1 严重问题（Critical）

#### 问题 A-01：Router Core 自研技术风险

**发现**：
规划中 S2 阶段要自研 Router Core 接管 60% 流量，这是一个重大技术决策：

**风险分析**：
```
自研 Router Core 的挑战：

1. 复杂度
   - 需要实现完整的路由决策逻辑
   - 需要实现熔断、降级、重试
   - 需要实现成本优化策略

2. 时间
   - S2 只有 16 周（含 buffer）
   - 需要达到 60% 接管率
   - 需要保证稳定性

3. 稳定性
   - 初期稳定性可能不如 subapi
   - 需要双轨运行
   - 需要快速回滚能力
```

**行业对标**：
```
Litellm: 3年+ 开源社区维护
OpenRouter: 2年+ 商业化验证
我们的团队: 初次自研
```

**建议**：
1. **降低预期**：首年目标调整为 30-40%
2. **分阶段**：
   - S2-A: 10% 流量（验证稳定性）
   - S2-B: 30% 流量（优化性能）
   - S2-C: 50% 流量（功能完善）
3. **技术准备**：
   - 提前 2 个月启动 Router Core 原型开发
   - 建立性能基准测试
   - 准备完整回滚方案

**风险评级**：🔴 P0

---

#### 问题 A-02：subapi 耦合风险

**发现**：
当前方案依赖 subapi 作为核心能力，存在供应商锁定风险：

**耦合点分析**：
| 耦合项 | 风险 | 影响 |
|--------|------|------|
| API 协议 | 中 | subapi 升级可能破坏兼容 |
| 错误码映射 | 高 | 需要维护映射表 |
| Usage 格式 | 中 | 计费可能出错 |
| 认证机制 | 高 | 安全漏洞无法自行修复 |

**建议**：
1. **接口抽象层**：
```python
# 定义抽象接口
class ProviderAdapter(ABC):
    @abstractmethod
    def chat_completion(self, request: Request) -> Response:
        pass

    @abstractmethod
    def get_usage(self, response: Response) -> Usage:
        pass

    @abstractmethod
    def map_error(self, error: Exception) -> ErrorCode:
        pass

# subapi 适配器
class SubapiAdapter(ProviderAdapter):
    def __init__(self, subapi_client):
        self.client = subapi_client

# 自研 Router Core 适配器
class RouterCoreAdapter(ProviderAdapter):
    def __init__(self, router_client):
        self.client = router_client
```

2. **契约测试**：为每个适配器建立契约测试
3. **双轨运行**：确保随时可以切换

**风险评级**：🔴 P0

---

#### 问题 A-03：数据一致性风险

**发现**：
计费系统涉及资金，需要强一致性，但当前设计可能存在风险：

**问题分析**：
```
当前设计：
┌─────────────┐     ┌─────────────┐
│ 请求处理    │ ──▶ │ 计费收集器  │
│ (实时)      │     │ (异步)      │
└─────────────┘     └─────────────┘
                          │
                          ▼
                   ┌─────────────┐
                   │ Usage表    │
                   │ (最终一致)  │
                   └─────────────┘
```

**风险场景**：
1. 异步写入失败 → 计费丢失
2. 进程崩溃 → 计费未落库
3. 分布式事务未处理 → 数据不一致

**建议**：
1. **同步预扣**：
```python
async def handle_request(request: Request):
    # 1. 同步预扣额度
    await billing.reserve(request.user_id, request.estimated_cost)

    # 2. 处理请求
    response = await router.route(request)

    # 3. 同步扣减实际额度
    actual_cost = calculate_actual_cost(response)
    await billing.charge(request.user_id, actual_cost)
```

2. **对账机制**：
   - 实时对账：请求级别
   - 定期对账：小时级别
   - 差异追踪：分钟级别告警

3. **补偿事务**：
   - 失败重试
   - 异常队列
   - 人工干预

**风险评级**：🔴 P0

---

### 3.2 高风险问题（High）

#### 问题 A-04：缺乏容量规划

**发现**：
当前规划未明确容量相关数字：

**缺失信息**：
| 指标 | 当前 | 行业参考 |
|------|------|----------|
| 单实例 QPS | 未明确 | 1k-5k |
| 集群最大实例 | 未明确 | 10-100 |
| Redis 容量 | 未明确 | 10GB/月 |
| 数据库连接 | 未明确 | 100-500 |

**建议**：
1. **基线测试**：确定单实例性能基线
2. **扩展公式**：
   ```
   实例数 = 峰值QPS / 单实例QPS * 冗余系数
   ```
3. **容量模型**：
```python
def calculate_capacity(peak_qps, p99_latency):
    instances = ceil(peak_qps * p99_latency / 1000)
    return {
        'instances': instances * 2,  # 高可用
        'redis_gb': estimate_redis(peak_qps),
        'db_connections': instances * 10
    }
```

**风险评级**：🟡 P1

---

#### 问题 A-05：故障隔离不完善

**发现**：
当前架构缺乏故障隔离设计：

**问题场景**：
```
1. 供应商故障
   - OpenAI 故障 → 所有用户受影响
   - 应该有降级到其他供应商的能力

2. 租户故障
   - 某个租户耗尽配额 → 影响其他租户
   - 应该有限流和隔离

3. 内部服务故障
   - 计费服务故障 → 请求处理受影响
   - 应该有熔断和降级
```

**建议**：
1. **租户级隔离**：
   - 独立连接池
   - 独立队列
   - 独立限流

2. **服务级熔断**：
   - 快速失败
   - 降级策略
   - 恢复重试

3. **多供应商路由**：
   - 主供应商 + 备用供应商
   - 自动故障转移
   - 成本感知路由

**风险评级**：🟡 P1

---

#### 问题 A-06：可观测性不足

**发现**：
当前只提到"可观测数据聚合"，但缺乏具体设计：

**缺失指标**：
| 类别 | 指标 | 重要性 |
|------|------|--------|
| 业务 | 请求成功率 | P0 |
| 业务 | 计费准确率 | P0 |
| 性能 | P99 延迟 | P0 |
| 性能 | 吞吐量 | P1 |
| 稳定性 | 错误率 | P0 |
| 稳定性 | 供应商可用性 | P1 |

**建议**：
1. **指标体系**（SLI）：
```yaml
slis:
  - name: request_success_rate
    objective: 99.9%
    method: sum(rate(requests_total{service="router"}[5m])) / sum(rate(requests_total[5m]))

  - name: billing_accuracy
    objective: 99.99%
    method: 1 - (billing_discrepancies / total_billing_records)
```

2. **SLA 设定**：
```
- 可用性: 99.95% (月级)
- 延迟: P99 < 200ms
- 准确性: 99.99%
```

3. **告警规则**：
```
- 可用性 < 99.9% → P1
- 可用性 < 99% → P0
- 延迟 P99 > 500ms → P1
- 计费差异 > 0.1% → P0
```

**风险评级**：🟡 P1

---

### 3.3 中等风险问题（Medium）

| 问题编号 | 问题 | 建议 | 风险等级 |
|----------|------|------|----------|
| A-07 | 技术选型未明确 | 明确Go版本、框架 | 🟢 P2 |
| A-08 | 部署架构未设计 | 设计多区域部署 | 🟢 P2 |
| A-09 | 监控告警不具体 | 明确告警阈值 | 🟢 P2 |
| A-10 | 灾备方案缺失 | 设计数据备份 | 🟢 P2 |

---

## 4. 技术决策评估

### 4.1 控制面 + 数据面分离

**评估**：✅ 合理
```
优点：
- 控制面可以独立扩展
- 数据面可以高性能
- 故障隔离

注意事项：
- 需要可靠的内网通信
- 需要协调两个面的部署
- 增加运维复杂度
```

### 4.2 使用 subapi 作为集成底座

**评估**：⚠️ 有风险但可行
```
优点：
- 快速上线
- 社区验证
- 功能丰富

缺点：
- 供应商锁定
- 定制困难
- 升级风险

建议：
- 建立抽象层
- 准备自研替代
- 监控版本变化
```

### 4.3 渐进式接管策略

**评估**：✅ 合理
```
优点：
- 降低风险
- 逐步验证
- 可回滚

注意事项：
- 双轨运维复杂度
- 需要精确的流量控制
- 回滚需要快速
```

---

## 5. 扩展性分析

### 5.1 水平扩展能力

| 组件 | 扩展方式 | |当前状态 |
|------|----------|---------|
| API Gateway | 无状态 | ✅ | 需评估 |
| Router Core | 无状态 | ✅ | 需设计 |
| Provider Adapter | 有状态 | ⚠️ | 需优化 |
| Redis | 分片 | ✅ | 需规划 |
| PostgreSQL | 分片/读写分离 | ✅ | 需规划 |

### 5.2 容量规划建议

```
阶段          QPS     实例    Redis    DB
------------------------------------------------
S0 (MVP)      100     2       2GB     10GB
S1 (上线)     500     4       10GB    50GB
S2 (增长)     2000    8-10    50GB    200GB
S3 (规模)     10000   20+     200GB   1TB
```

---

## 6. 总结

### 6.1 架构评分

| 维度 | 评分 | 说明 |
|------|------|------|
| 模块化 | 7/10 | 控制面/数据面分离清晰 |
| 可扩展性 | 6/10 | 水平扩展能力需验证 |
| 可用性 | 7/10 | 故障隔离机制需完善 |
| 性能 | 7/10 | 60ms目标可达 |
| 可维护性 | 6/10 | subapi耦合需解耦 |
| 安全性 | 6/10 | 详见安全评审 |

**架构综合评分：6.5/10**

### 6.2 关键行动项

| 优先级 | 行动项 |
|--------|--------|
| 🔴 P0 | Router Core 降低首年预期至 30-40% |
| 🔴 P0 | 建立 Provider Adapter 抽象层 |
| 🔴 P0 | 设计同步预扣 + 异步确认的计费流程 |
| 🟡 P1 | 完成容量规划（单实例基线测试） |
| 🟡 P1 | 设计完整的故障隔离机制 |
| 🟡 P1 | 建立完整的 SLI/SLO 体系 |
| 🟢 P2 | 明确技术选型（Go版本、框架） |
| 🟢 P2 | 设计多区域部署架构 |

---

## 7. 附录：行业对标

### 7.1 竞品架构对比

| 产品 | 架构 | 日处理请求 | 特点 |
|------|------|------------|------|
| Litellm | 微服务 | 10亿+/月 | 开源、社区活跃 |
| OpenRouter | 分布式 | 10亿+/月 | 多供应商聚合 |
| 我们的方案 | 双平面 | 目标1亿+/月 | 控制面自研 |

### 7.2 技术指标参考

| 指标 | 行业水平 | 我们的目标 |
|------|----------|------------|
| 可用性 | 99.9-99.99% | 99.95% |
| P99延迟 | 50-200ms | <200ms |
| 计费准确性 | 99.99% | 99.99% |

---

**评审完成时间**：2026-03-18
**下次评审**：架构设计细化后