🔖標籤 #ddd #ddd思考 #ai

[!AI] 本文摘要
大型語言模型已能讀取單體系統的程式碼與資料表結構，自動提出微服務或限界上下文的候選邊界。然而，AI 的建議僅是起點，切分是否正確仍需由人員依據業務能力的獨立性、變更頻率、資料所有權與團隊邊界等判準進行驗收。本文探討如何將領域驅動設計的限界上下文概念與 AI 輔助拆分結合，說明 AI 在分析程式碼時的能力與限制，並提供一套可在實務中直接執行的驗收流程，協助團隊在舊系統現代化過程中做出更穩健的架構決策。

🔖標籤 #ddd #ddd思考 #ai

[!AI] 本文摘要
導入 AI 服務前，先釐清功能隸屬的子領域類型。通用子領域是已解決的問題，適合直接採用現成方案；支撐子領域不具備競爭優勢但需客製，可用低程式碼快速建置；核心子領域才是企業護城河，值得投入深入建模。本文以領域驅動設計的子領域分類為框架，探討如何決定哪些功能該自行開發、哪些該購買，以及哪些該交給 AI 服務，協助團隊把資源投注在真正能創造價值的地方。

🔖標籤 #ddd #ddd思考 #ai

[!AI] 本文摘要
延續角色構造型概念，本文將六種職責角色對照 AI agent 常見元件，檢查程式是否職責混雜。責任驅動設計強調物件應扮演服務提供者、資訊持有者等角色，此原則同樣適用於大語言模型代理架構。我們將記憶、工具、規劃、對話狀態與對外介面逐一映射到角色構造型，整理成一份審查清單，協助你在設計代理時分散控制權、避免元件承擔過多職責，並提供可直接執行的架構改善建議。

🔖標籤 #ddd #ddd思考 #ai

[!AI] 本文摘要
大型語言模型供應商的 API 形狀、參數與計價方式經常變動，若應用程式的領域層直接依賴這些外部規格，將導致模型詞彙滲透並扭曲核心設計。本文從限界上下文與上下文映射的角度，說明為何應將模型供應商視為外部限界上下文，並透過防腐層吸收回應格式、參數與錯誤差異，讓領域層維持純淨，最後給出可直接落實的架構建議。

🔖標籤 #ddd #ddd思考 #ai

[!AI] 本文摘要
領域驅動設計的聚合是保護業務不變量的邊界，Milan Jovanović 在文中整理了 Vaughn Vernon 提出的四條設計規則。AI 生成程式碼經常把跨聚合的狀態修改直接寫進應用服務，並將業務規則塞入服務層，導致貧血模型。本文對照四條規則與常見違規樣貌，並給出讓 AI 正確生成聚合的約束條件。