陈果将中国企业架构实践分为四派，实为四种应用场景，各有前提。文章补充了数字原生与AI原生企业两格：前者以组织调整替代蓝图，后者让Agent成为数字员工，需机器可读架构资产、运行时治理。EA本质未变，但文档形态瓦解，架构资产成为数字员工入职手册。

AI正以非线性方式重塑工作本质，任务由AI代理执行，人类聚焦于目的与判断。生产力提升如同从蜡烛到电灯，而非简单改进。企业需构建AI核心架构，避免碎片化，否则将落后于AI原生公司。关键在于重新定义工作，重视人类独有的判断力，以应对快速变革。

文章探讨企业架构与智能体设计，指出当前话题已从循环工程转向图工程，并涉及DDD泛在语言、AI智能体及提示上下文工程等概念，以幽默方式反思技术演进。

文章探讨企业架构与智能体设计，结合DDD泛在语言和AI智能体，以幽默梗图反思工程概念演变，强调从循环工程转向图工程，并关注AI提示上下文工程。

企业架构与智能体设计中，AI智能体因网页搜索返回碎片信息，反复抓取页面导致token消耗暴涨48倍。自建索引预先清洗网页为完整文档，一次调用直接推理，成本降76%。三种检索方式中，自建索引支持跨记录查询，解锁复杂问题，且与开放搜索分工，分别负责发现与深度查询，显著降低检索税。

本文介绍了企业架构决策的RFC和ADR流程，强调优先级排序和异步评审，以避免无效会议。架构决策复杂，需团队协作，流程包括撰写RFC、异步评论、决策会议和撰写ADR，确保决策高效透明。

企业架构（EA）将商业战略与技术执行相结合，帮助组织协调数据、系统和人员以实现目标。在AI时代，架构应贯穿整个生命周期，成为战略驱动力，而非单纯的治理要求。传统架构需转变为灵活、适应性强的系统，以支持持续学习和创新。同时，现代架构应强调透明度和实时监控，以增强信任和提升业务价值。

构建和购买AI策略需强调耐用的企业架构，以整合现有SaaS投资，提升AI应用效果。大多数企业AI投资失败源于架构问题，而非资金不足。通过建立上下文检索机制和性能监控，技术团队可定制AI体验，增强用户参与度和业务影响。Elastic通过其搜索AI平台实现了这一目标，提升了支持助手的效率和成本效益。

DevOps是一种实践，旨在促进开发与运维之间的协作。企业架构负责设计系统以实现业务目标。Lift & Shift是一种将应用迁移到云端的方法，通常无需大幅修改代码。On-Premises指公司自有的数据中心，与公共云环境相对。Rightsizing通过优化资源配置提高效率，Agile是一种强调短期任务和频繁评估的项目管理方法。

文章讨论了生成式人工智能应用开发的复杂性，强调提示工程的重要性。开发者需通过实验优化提示，以适应不同的语言模型。此外，现代企业需要快速、可持续的应用架构，以支持DevOps和团队拓扑，提高敏捷性和竞争力。

企业架构存在多种反模式，如过度依赖大型科技公司、架构与业务脱节、过于抽象的演示、将架构视为晋升途径等。这些问题导致技术选择不当和团队信任缺失。有效的架构应关注团队能力、简化解决方案，并保持设计灵活性，以促进组织成功。

企业架构治理风格多样，受组织工程文化影响。常见模式包括严格框架（如TOGAF）、组合框架（如SAFe）、自愿平台（如“铺路”文化）和去中心化架构（如“良好架构框架”）。有效的架构治理需平衡团队自主性与组织目标，以实现技术与业务战略的对齐。

数据架构是企业架构的一部分，描述了数据的结构和交互。基于速度的数据架构关注数据的生成、移动和处理速度。常见的基于速度的架构有Lambda和Kappa。