Eric Evans在Explore DDD大会上的主题演讲总结

在2024年3月14日的Explore DDD大会上，《领域驱动设计》（DDD）作者Eric Evans发表主题演讲，探讨了将大型语言模型（LLMs）融入软件系统的创新方法，并鼓励开发人员积极学习LLMs并进行实验，同时将实验结果与社区分享。

主要观点

1. DDD与AI的结合
   Evans认为，DDD与AI导向的软件可以很好地结合。他指出，复杂系统中的某些部分无法完全纳入结构化领域模型，通常由人类处理。未来可能会出现三种处理方式：硬编码、人工处理和LLM支持。
2. 有界上下文与专用模型
   在DDD术语中，经过训练的语言模型可以看作一个有界上下文。与通用模型（如ChatGPT）相比，针对特定有界上下文的语言模型更具实用性。Evans主张使用多个专用模型，以实现关注点分离。
3. 未来趋势
   Evans预测，未来的领域建模者将识别涉及自然语言输入的任务和子领域，并将其纳入设计中。尽管当前基础设施尚未完全支持这一趋势，但发展速度表明其即将到来。
4. 实验与学习
   通过自身实验，Evans发现将复杂问题分解为更小的部分可以提升LLMs的响应一致性。这种思路与DDD分解复杂问题的理念一致。他强调了实验的重要性，认为尽管过程可能令人沮丧，但最终会带来巨大的满足感。

关键讨论与回应

1. Vaughn Vernon的愿景
   Vaughn Vernon支持将LLMs用于超越常见聊天机器人的新用途。他设想了一种自愈软件，其中类似ChatGPT的工具可以响应运行时异常，并自动创建包含修复建议的代码拉取请求。
2. 对LLM成本的担忧
   Chris Richardson表达了对LLMs高成本和计算资源的担忧。Evans回应称，通过微调，低成本模型可以比高成本模型更便宜、更快速。Jessica Kerr则强调，需要找到有价值的部分并使其经济可行。

重要细节

1. 实验案例
   Evans与游戏设计师Reed Berkowitz合作，尝试使用ChatGPT让非玩家角色（NPC）响应玩家输入。他们发现，将长提示分解为更小的部分可以提高响应的一致性。
2. 会议记录
   Explore DDD大会于2024年3月12日至15日在科罗拉多州丹佛市举行。大部分演讲内容将被录制并发布在Explore DDD的YouTube频道和LinkedIn页面上，其中Eric Evans的开场主题演讲将首先发布。

总结

Evans的演讲强调了DDD与LLMs结合的巨大潜力，并鼓励开发人员通过实验探索这一领域。尽管当前技术和成本仍存在挑战，但通过专用模型和关注点分离，未来有望实现更高效的软件设计。