支持不同的技术栈的实现，比如对于同一个 API 接口，其服务实现采用 Java 。前端应用可以使用 JavaScript ，而服务器端应用可以使用 Golang 进行服务调用等等。这样可以让开发组织可以根据自己的技能栈和系统要求灵活选择合适的技术。
这还意味着事件的生产者和消费者没有时序上的依赖，即使由于应用宕机无法及时处理消息，在重新恢复后，程序可以继续从消息队列中获取这些事件继续执行。这样的松耦合架构，为软件架构提供更高的敏捷性、灵活性和健壮性。
SAE（Serverless 应用引擎）实现了 Serverless 架构 + 微服务架构的完美融合，真正按需使用、按量计费，节省闲置计算资源，同时免去 IaaS 运维，有效提升开发运维效率；SAE 支持 Spring Cloud、Dubbo 和 HSF 等流行的微服务架构。
企业可以通过 Kubernetes，结合自身业务特 征来设计自身云架构，从而更好支持多云 / 混合云，免去被厂商锁定的顾虑。
Dapr 的功能和定位如上图所示：
1、最底下基础设施是各种云平台或者边缘环境。
2、其上是 Dapr 运行时和“building block” (构件)。Dapr 构件解耦了外部服务和服务的消费者，可以按需加载。
嵌入式系统的边缘人工智能
边缘人工智能是制造业整体AI开发的重要组成部分。 Edge AI在硬件设备上本地处理数据，而不是依靠通过互联网连接的集中式数据库或处理节点。
古人云：“纸上得来终觉浅，绝知此事要躬行。” 学习领域有所谓721模型：个人的成长70%来自于岗位实践，20%来自向他人学习，10%来自于培训。虽然这种理论存在争议，但对于工程师们来说，按照实践、学习和培训的方式进行重要性排序，大致是不错的。所以重视实践，在实践中成长是最重要的学习原则。
此外，短期规划还可以从如下几个方面进行优化：
学习计划最好能结合工作计划，理论联系实际结合，快速学以致用。比如，本季度规划去做一些数据分析工作，那么不妨把学习目标设置为学习统计知识。
为了更好地采用人工智能，人们需要了解一些基本知识。数字时代最主要的事情之一就是保护隐私。人工智能革命为希望保护隐私的人们带来了巨大的麻烦。有时候，人工智能机器人的预测能力可能为注重隐私的人们带来困扰和影响。随着人工智能和机器学习的普及，数据治理将成为未来最关键的事情之一。
Worker节点通过Kubelet跟Master节点通信，其资源以及负载Pod受Master的调度以及控制。K8S本身架构是C/S模式，即worker节点的资源管理与调度都由Master节点控制。
