微服务每服务独立数据库架构
Architecture
每服务独立数据库架构图，每个微服务拥有其专用数据存储，通过 Kafka 进行事件驱动同步以实现跨服务数据一致性。该模板展示了微服务数据隔离的核心原则，展示 PostgreSQL 和 MongoDB 如何在多语言持久化策略中共存。对于在保持最终一致性的同时强制服务自治的架构师至关重要。
AI原生事件驱动Kafka架构
Architecture
事件驱动智能体AI架构，用Kafka/PubSub主题替换中央编排器：智能体订阅、响应并发布新事件。这使多智能体系统与经过验证的微服务编舞保持一致，适合实时、高吞吐量系统和"智能体网格"配置。
完整 FlowZap 代码
Source { # Event Sources
n1: circle label:"Start"
n2: rectangle label:"User action event"
n3: rectangle label:"System alert event"
n1.handle(right) -> n2.handle(left)
n2.handle(bottom) -> Broker.n4.handle(top) [label="Publish event"]
n3.handle(bottom) -> Broker.n4.handle(top) [label="Publish event"]
}
Broker { # Event Broker (Kafka / Pub-Sub)
n4: rectangle label:"Event bus receives event"
n5: rectangle label:"Route to subscribers"
n4.handle(right) -> n5.handle(left)
n5.handle(bottom) -> Orders.n6.handle(top) [label="topic: orders"]
n5.handle(bottom) -> Alerts.n8.handle(top) [label="topic: alerts"]
n5.handle(bottom) -> Analytics.n10.handle(top) [label="topic: analytics"]
}
Orders { # Order Processing Agent
n6: rectangle label:"Parse order event"
n7: rectangle label:"Execute fulfillment"
n6.handle(right) -> n7.handle(left)
n7.handle(bottom) -> Broker.n4.handle(top) [label="Publish: order.completed"]
}
Alerts { # Alert Triage Agent
n8: rectangle label:"Classify severity"
n9: rectangle label:"Route to on-call or auto-resolve"
n8.handle(right) -> n9.handle(left)
n9.handle(bottom) -> Broker.n4.handle(top) [label="Publish: alert.resolved"]
}
Analytics { # Analytics Agent
n10: rectangle label:"Aggregate metrics"
n11: rectangle label:"Update dashboard"
n12: circle label:"Stored"
n10.handle(right) -> n11.handle(left)
n11.handle(right) -> n12.handle(left)
}
相关模板
事件驱动发布-订阅架构
Architecture
事件驱动发布-订阅架构图，展示 Kafka 或 RabbitMQ 消息代理、事件序列化、主题分区、向多个消费者的扇出交付以及死信队列错误处理。该模板模拟了生产者和消费者通过消息代理完全解耦的基础异步消息传递模式。对于构建松耦合、可扩展的事件驱动系统的架构师至关重要。
AI原生单智能体架构
Architecture
单智能体AI架构，其中一个智能体处理所有事务：解析请求、推理、通过MCP调用工具、生成响应。这是原型和简单自动化的默认架构——易于调试，但很快达到上下文窗口限制且难以并行化。适合快速交付的MVP和独立开发者。
AI原生顺序流水线架构
Architecture
顺序流水线架构，以固定顺序链接多个智能体（解析→丰富→分析→格式化），这是当每个步骤可以隔离时常见的"LLM微服务"配置。这种结构常用于文档处理和ETL类工作流，因为每个步骤都是可测试和可预测的。
AI原生编排器-工作者架构
Architecture
编排器-工作者架构，其中编排器智能体将目标分解为子任务，分派给专业工作者，然后综合最终响应。这是最常见的"智能体编排"架构——强大，但随着工作者数量增长，编排器可能成为瓶颈。