中台架构近年来备受关注，但由于缺乏统一的定义，各公司对中台的理解各有不同。最近，集创技术团队分享了他们从零开始搭建技术中台的经验和心得，值得参考。无论采用何种组织架构，其核心目标始终是更好地服务人才和提升业务效率。因此，咱们在推进中台化的过程中，始终从这两个方面出发，评估现有架构对效率的影响，并探索如何优化组织架构。
从事情的角度，中台组织架构应该关注提高复用率
1. 每件事情只由一个团队负责
传统互联网公司的组织架构通常是根据业务发展来设计的，每新增一条业务线，组织架构往往需要重新搭建一次，这导致了重复建设的问题。如果公司拥有多条业务线，通常会出现多个 DBA 团队、运维团队和基础架构团队等现象。这意味着同样的工作在公司内部由多个团队负责，每个团队都要独立进行人才管理和技术积累，从复用率的角度看非常低效。若将相同的工作集中由一个团队负责，重复的任务只需做一次，不仅减少了不必要的工作量，还汇集了全公司的相关人才和资源，从而能够更专业、深入、系统地完成任务。
2. 每件事情都要做成企业级服务
让每件事都由一个团队负责，意味着中台团队需要将其负责的工作打造成企业级服务。这体现了权利与义务的平衡关系：当一个团队拥有独占的职责时，就必须承担为全公司提供服务的责任。目前，伴鱼的技术中台承担了所有基础服务，每项任务都被设计为企业级服务。例如，报警系统被设计成一个信息分发平台，无论是前端、后端、运维，还是数据库，所有需要分发的报警信息都会先发送到这个平台，由它负责将报警信息分发给相应的负责人。
从人的角度，中台组织架构应该关注提高沟通效率
康威定律指出，组织的沟通结构会直接影响系统的设计，沟通效率越高，系统设计就越合理。而中台的核心理念也是通过优化组织的沟通效率，进而影响公司的系统设计。
以帐号平台为例，在中台化之前，每个与帐号相关的服务都单独提供一系列 API，导致需要使用帐号服务的业务团队必须与多个服务负责人进行对接和接入，造成沟通效率低下。实际上，各业务团队接入帐号服务的流程是相似的，因此，通过将所有帐号相关服务整合为一个团队，并将多个服务和 API 的接入形式抽象为统一的帐号能力或服务，正是中台化的核心目标。
集创技术中台在此之前已经提供了 APP 推送平台、短信推送平台和微信推送平台，现在正朝着“触达平台”方向发展。这个平台能够根据不同的业务场景和用户情况，自动选择最合适的触达方式，并通过反馈的数据智能推荐不同的触达方式，提升触达效率。这体现了从平台化到中台化的演变——从提供基础能力转向提供更强大、更智能的产品或服务能力。
集创技术中台组织架构的演进
上述内容介绍了集创对中台组织架构的理解：中台化的核心是提升工作的复用率和组织的沟通效率，同时基于此提供强大的产品或服务能力。接下来阐述集创技术中台在这一原则下的组织架构演进历程。
第一阶段是基础架构阶段，这是集创技术中台的起步阶段，当时只有服务器基础架构组，主要负责基础服务、微服务框架和服务治理等工作，DBA 团队当时也归属于这个组。
第二阶段是平台化阶段，此时集创技术中台正式成立。服务器基础架构团队、DBA 团队、运维研发团队、以及 Web、安卓和 iOS 基础架构团队合并为集创技术中台，推行 SRE 文化。各团队逐步将需要人工管理的工作平台化。由于技术中台包含前端和后端的基础架构团队，沟通与协作效率显著提升。
第三阶段是中台化阶段，这是伴集创术中台目前所处的阶段。内部，重点挖掘平台之间的价值；外部，则注重提升业务使用时的研发体验。挖掘平台之间的价值，就是搭建“平台之上的平台”，通过打通多个相关平台的数据和接口，提升平台提供产品和服务的能力。同时，从研发体验出发，将一些使用场景相似的平台进行整合，提供统一、简化的使用方式。此外，为了优化沟通效率，伴随平台的融合和调整，内部的组织架构也会相应优化调整。
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。