电话机器人团队DDD实践

DDD是一套方法论，一套思想。种类繁多的元模型和名词概念。其本质都是指导思想对应的解决方案“之一”，初学者容易被表象所困。应始终清醒保持认知“DDD各种元模型都是为解决实际开发中某类问题而起”。在接触各类元模型时应结合自身业务面临问题来求证，这样有助于避免被概念表象所困，回归解决问题的本质。

数据架构团队从18年开始，受业务需求驱动开发电话机器人，转眼已近5年。目前，在该平台下已搭建100+不同类型机器人，为公司经销商、二手车、主机厂、金融等多个BU业务提供外呼能力，日外呼量几十万通。电话机器人项目已初具规模，但过程中也遇到不少挑战。为了应对这些挑战，我们团队最终采用DDD思想进行重构和开发。

在应用DDD的过程中，数据架构团队落地了一些自己的开发规范。这里就把一些经验和想法分享给大家，希望能起到抛砖引玉作用。这里解释一下，篇幅中很多元模型没有展开讲，也没有给出具体案例。一是考虑到篇幅长度问题。二是理解了DDD思想，结合各自业务来实现就好了，给出在我业务的例子意义并不大。此外这类案例很容易找的到。同时，觉得给出我们团队遇到的问题、解决方案，落地过程和我们形成的开发规范对大家来说更有价值。对DDD感兴趣，想了解更多或对本文有疑问的同学，欢迎找我交流讨论。

下面，我从这几个部分来进行分享：机器人项目中遇到的挑战、为什么是DDD、DDD落地步骤、对团队带来的提升、理论到实战遇到的冲突以及未来在DDD应用方面的改进和总结。

► 挑战一：业务逻辑复杂度高。随着各类业务的接入，为应对不同场景下的特定业务，不断追加新逻辑。

如：流程中的意图识别逻辑。

意图识别需要依赖AI的多个模型识别，多个模型识别出来的意图有可能是冲突的，需要对冲突的意图配置规则做取舍。同时，对一些冷启动或者紧急优化的场景，需要支持通过配置规则实时生效的方式来意图识别。并且在规则的意图识别中需要支持匹配词槽。词槽的类型又有多种，从优先级上区分有场景的全局词槽、流程上的词槽。从数据识别来源上区分，可以分为AI识别出来的，词典规则匹配出来的，还可能是业务方传递进来的。业务开展一段时间后，不同类型的词槽又增加不同属性，如车系的词槽有本品、经营范围、非经营等等；

► 挑战二：代码架构结构不清晰。随着业务需求功能的追加，伴随着代码规模增大。加之逻辑复杂和团队开发人员代码迥异，逐渐导致各种逻辑边界变得混乱。

如：我们通常的开发方式，按功能模块拆解，业务流程串联协调各个模块，共同完成业务需求。但是处理这类业务复杂的逻辑，这种方案设计有很大的弊端，模块边界很容易被穿透。

各模块关系相互调用，原本作为模块的隔离设计，实际在实现过程被完完全全的打破了。使原本理想中垂直拆分的模块，变成网状的结构。

模块负责人中间环节开发出来的的属性或方法，被外部其它模块外依赖导致功能发散出去。导致后期需求变动时风险增加，又或是发现被依赖了原本可以随意更改的方法不能变动，不得不增加额外逻辑代码来实现。造成了本就复杂的代码更加复杂。

对业务需求拆解不合理，需求功能在实现时就近开发，未严格按照模块拆解，缺少统一思想作为指导。

► 挑战三：产品需求多，难以辨别是否有真实价值。

► 挑战四：逻辑变化快，不少需求导致需要代码逻辑重新设计。

► 挑战五：业务多，各业务表述不一致，沟通成本高。

垂直边界被打破，代码复杂度增加，加上业务流程频繁调整。这些多重维度相互叠加，使得开发和维护难度指数增加。电话机器人这个一级应用系统的稳定性难以保障。即便技术同学都是资深的工程师，已经按照所能理解的微服务思想设计、按照模块拆解项目，即便代码逻辑中已经也引用不少设计模式来构建与扩展，即便已经是接入了公司各个平台质量工具、写了不少单元测试。但是在项目新需求迭代时，依旧出现不少“惊喜”，使整个团队很头疼。

为什么是DDD？每天那么多技术栈，那么多思想，为什么就是DDD来应对呢？首先DDD修饰的很好“软件核心复杂性应对之道”，使得不少人想一探究竟。所以来看看DDD是怎么来解决项目中遇到的挑战。

► 首先，我们来看看DDD对复杂度的归类，弄明白DDD要应对的复杂度是否是我面临的挑战。DDD相关资料中，从理解能力和预测能力两个维度来探索剖析复杂度的成因。

理解能力(就是软件系统对开发人员来说复杂难以理解)：

第一规模：影响理解能力的第一要素。几百上千万行的代码，各需求点的关系相互影响。修改一处就会牵一发动全身。

第二结构：不合理甚至混乱的结构，导致开发人员对功能难以维护。

预测能力(就是业务的发展难以预测)：

当需求变化时，难以预测软件实现的走向，会出现过度设计和设计不足问题。过度设计，预留了很多接口，构造了很多模式增加了代码的实现复杂度，但后来发现用不到。设计不足，需求的实现没考虑到后期的发展，当变化来临时需要推翻现有设计重新开发，被产品抱怨设计能力差。

DDD对复杂度的成因归结为：规模、结构、变化；规模和结构制造了理解能力障碍，变化制造了预测能力障碍，两者相加形成了复杂度问题。

► 其次，DDD并不仅仅是对代码设计阶段的理论，而是还包含从需求分析、架构映射和建模及实现的全流程设计指导。

需求分析阶段，通过相关指导思想提前准确获知业务价值，捕获未来变化方向。架构映射阶段，给出从需求到架构过程的指导思想，增加了设计权重和规范。通过子领域拆分、系统分层和限界上下文业务归类，给出指导规范，保障了系统架构的清晰，并且降低系统复杂度。建模及实现阶段，给出来领域驱动设计相关元模型，使各部分职能分工明确，快速响应业务需求和未来功能变化。

► 再次，来看DDD给出的指导思想：

规模问题：拆边界。以子领域、限界上下文对拆解分治。

针对分治思想，DDD给出两个重要的设计元模型：限界上下文和上下文映射。

结构问题：分层架构+限界隔离。

分层起到了隔离业务逻辑和技术实现复杂度问题。DDD引入的分层架构，将业务逻辑封装到领域层，支撑业务逻辑的技术实现放到基础设施层。在领域层之上的应用层封装应用服务，粘合二者进行协作。

变化问题：主动设计变化。

变化无法控制，只能拥抱变化。需求分析阶段运用5W思维识别变化规律，把控业务变化。DDD通过模型驱动设计元模型对限界上下文进行领域建模，形成结合分析、设计和实现一体的领域模型。

►最后，来看DDD给出的解决方案。其引入了一套提炼为模式的设计元模型，对业务软件做到了对规模的控制、结构的拆分以及变化的主动响应。

 简单介绍下这张图，整体分为两个大部分。第一部分是下面虚线圈出来的部分，不涉及具体技术实现。在需求分析阶段进行的，应对问题空间的一些元模型方案。另外部分，在第一部分的基础上，做具体系统架构分层、对象抽离聚合、服务拆解环节，这个阶段做对应的设计落地。

我的理解是这样，这套设计元模型给出了从需求分析、设计和实现一体整套解决方案。需求分析阶段的系统拆解(对应图中子领域元模型)。再拆到更新粒度的限界上下文。并给出各限界的协同关系方案（对应图中上下文映射元模型）。设计实现阶段给出模型驱动设计的设计元方案,通过系统的分层架构、领域服务、聚合等粒度的设计。给出一套完善的、有理论支撑的、可落地有标准的解决方案。

上述DDD对问题复杂度的剖析定位，完全就是电话机器人系统中的痛点。给出的解决方案，也完美解决业务面临的各类挑战。认识到其价值后，团队很快达成共识在后续的项目中进行落地。

 ►3.2.1 需求分析阶段引入5W模型理论支撑，有助辨识出真实需求，主动把控变化方向和排除无意义需求。

这部分就是5W理论作为跟产品分析需求的理论的支撑，非常有助于识别出真实的需求，更好的分析出业务的发展方向。也能从源头上缩减无效需求，直接上图；

►3.2.2 引入服务规约，以文档型对照代码业务功能实现。有助于开发及后续需求梳理，同时也能作为单元测试覆盖度的考量。

⬤ 3.2.2.1 团队成员共识，需求先写服务规约，再做开发。写服务规约的时间，其实就是技术对需求理解的梳理，理清了思路，后续写代码时把这部分时间赚回来。

⬤ 3.2.2.2 服务规约及需求，服务规约即对应单测。顺带解决了先前单测没有标准(我理解的代码、方法覆盖率这类，不能称作为标准)的问题。

►这里给出我们团队采用的服务规约模板：

编号：标记业务服务的唯一编号。

名称：动词短语形式的业务服务名。

描述：

         作为<角色>

         我想要<服务功能>

          以便于<服务价值>

触发事件：

角色主动触发的该业务服务事件，可以是点击UI的控件、具体的策略或伴生系统发送的消息等。

基本流程：

用于表现业务服务的主流程，即执行成功的业务场景。也可以称之为“主成功场景”。

替代流程：

用于表现业务服务的扩展流程，即执行失败的业务场景。

验收标准：

 基于DDD思想，对业务进行事件风暴，在统一语言的指导下做全局需求分析、架构映射设计，识别出业务的限界上下文。

技术同学结合自身业务来设计，参照Demo资料还是比较容易找的到，这里不再赘述。这里给出识别限界上下文的一个指导过程，V型映射过程。

文档规范上，引入服务规约机制。既能作为梳理需求的工具，又能作为单测的依据。同时还为后期提供了服务说明的文档。

代码实现上，从架构到编码实现、命名，形成了一套有标注的规范。

总的来说，该模式下，团队的思维方式发生了转变。通过应用各类元模型，来应对从需求分析到系统架构、代码实现不同环节带来的挑战。

 贫血模型：通俗来说，就是domain object只有属性的getter/setter方法的纯数据类，业务逻辑和应用逻辑都放到服务层中，这种模型下的domain object被Martin Fowler称之为“贫血的domain object”。

充血模型：反之，充血模型中不仅包含了对象的属性，还包含了对象的行为，包括业务逻辑。

从面向对象角度分析，对象是包含属性和行为的，理应是使用充血模型，并且DDD原则上也是建议采用充血模型。但落地到具体开发现状，即便是贫血模型有很多问题，但业内存在这么多年、运用这么普遍，总归是有其存在的价值。加上JAVA应用大部分采用Mybatis技术栈，很多对象是插件自动生成的贫血实体。所以问题来了，采用充血模型意味着一部分便利工具的废弃。这个问题团队内分歧比较大。最终我们的方式是这部分不做硬性标准，但建议使用充血模式。

同一系统不同限界中缓存处理：允许共享 PK 各限界隔离。

就当时场景来看，允许共享短期内能减少部分工作量、节约资源等优势。但之所以要划分限界，就是为了拆解关系防止过大。这里给到的建议是，首先考虑共用数据的服务是不是合并为一个限界比较合理。如果不能合并，必须隔离数据。

 指导理论思想很美好，需求分析时要求屏蔽技术实现思维。但终归是要落地到技术栈的，落地到技术实现时就会受技术实现的干扰。当时比较突出的一个问题，功能的实现可以放到前端，也可以后端服务实现。

举例一：需求要求“id+名字”组合展示，但是后端接口返回的id、名字两个字段，实际前端技术栈来组合，那面向前端与后端的服务规约不一致。

举例二：需求要求验证参数非空。在一些内部系统中，我们团队技术都是前后端全栈工程师，分工按需求模块开发。往往不会特别严谨到两端都做验证。也导致服务规约面向哪端有冲突。

我们最终的取舍：团队采用面向后端服务层面。但同时做一些改进，如验证这类功能转移到接口层面来实现。

 最开始阶段理想状态是由需求侧产品来核验，本着谁的需求谁确认原则。但由于存在4.4的差异问题，我们实际落地是由技术负责人来审核。

DDD的应用，团队目前做到了从架构和规范上面进行落地。但一些细节如：聚合类、实体、值对象这些设计，并没有特别精细。后期会进一步推进在这些细粒度上面的改进。同时，对一些在用的老项目，按照DDD思想进行改造重构。

有人认为应用DDD会降低开发效率，这个也是很多团队的一个顾虑。我们是这么看待这个问题的，应用DDD的场景是解决复杂性业务问题的，确实是会增加代码量。但不等于降低开发效率。清晰的架构结构、聚合的领域服务和规范的标准，对后期需求升级、代码维护、复杂度控制带来的收益，远大于投入。并且，软件行业给出的数据，80%的时间是在需求分析和设计，开发时间只占到20%。因此这部分损耗不是重点。

最后，陈述一下使用DDD的感受。DDD各种元模型种类繁多，大家可以根据业务面临的痛点有目的来学习和采用。在实际的业务环境中，我们的领域模型或多或少的都有一定的“特殊性”，如果100%的要符合DDD规范可能成本会比较高，所以最主要的是理解DDD思想，最终选择合适自身业务的方案。

作者简介