# Invoice Master POC v2 - 总体架构审查报告

**审查日期**: 2026-02-01  
**审查人**: Claude Code  
**项目路径**: `/Users/yiukai/Documents/git/invoice-master-poc-v2`

---

## 架构概述

### 整体架构图

```
┌─────────────────────────────────────────────────────────────────┐
│                         Frontend (React)                         │
│              Vite + TypeScript + TailwindCSS                    │
└─────────────────────────────┬───────────────────────────────────┘
                              │ HTTP/REST
┌─────────────────────────────▼───────────────────────────────────┐
│                    Inference Service (FastAPI)                   │
│  ┌──────────────┬──────────────┬──────────────┬──────────────┐  │
│  │  Public API  │  Admin API   │  Training API│  Batch API   │  │
│  └──────────────┴──────────────┴──────────────┴──────────────┘  │
│  ┌────────────────────────────────────────────────────────────┐ │
│  │                    Service Layer                            │ │
│  │  InferenceService │ AsyncProcessing │ BatchUpload │ Dataset │ │
│  └────────────────────────────────────────────────────────────┘ │
│  ┌────────────────────────────────────────────────────────────┐ │
│  │                    Data Layer                               │ │
│  │  AdminDB │ AsyncRequestDB │ SQLModel │ PostgreSQL          │ │
│  └────────────────────────────────────────────────────────────┘ │
│  ┌────────────────────────────────────────────────────────────┐ │
│  │                    Core Components                          │ │
│  │  RateLimiter │ Schedulers │ TaskQueues │ Auth              │ │
│  └────────────────────────────────────────────────────────────┘ │
└─────────────────────────────┬───────────────────────────────────┘
                              │ PostgreSQL
┌─────────────────────────────▼───────────────────────────────────┐
│                    Training Service (GPU)                        │
│  ┌────────────────────────────────────────────────────────────┐ │
│  │  CLI: train │ autolabel │ analyze │ validate               │ │
│  └────────────────────────────────────────────────────────────┘ │
│  ┌────────────────────────────────────────────────────────────┐ │
│  │  YOLO: db_dataset │ annotation_generator                   │ │
│  └────────────────────────────────────────────────────────────┘ │
│  ┌────────────────────────────────────────────────────────────┐ │
│  │  Processing: CPU Pool │ GPU Pool │ Task Dispatcher         │ │
│  └────────────────────────────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────────┘
                              │
                    ┌─────────┴─────────┐
                    ▼                   ▼
            ┌──────────────┐    ┌──────────────┐
            │    Shared    │    │   Storage    │
            │  PDF │ OCR   │    │ Local/Azure/ │
            │  Normalize   │    │     S3       │
            └──────────────┘    └──────────────┘
```

### 技术栈

| 层级 | 技术 | 评估 |
|------|------|------|
| **前端** | React + Vite + TypeScript + TailwindCSS | ✅ 现代栈 |
| **API 框架** | FastAPI | ✅ 高性能，类型安全 |
| **数据库** | PostgreSQL + SQLModel | ✅ 类型安全 ORM |
| **目标检测** | YOLOv11 (Ultralytics) | ✅ 业界标准 |
| **OCR** | PaddleOCR v5 | ✅ 支持瑞典语 |
| **部署** | Docker + Azure/AWS | ✅ 云原生 |

---

## 架构优势

### 1. Monorepo 结构 ✅

```
packages/
├── shared/      # 共享库 - 无外部依赖
├── training/    # 训练服务 - 依赖 shared
└── inference/   # 推理服务 - 依赖 shared
```

**优点**:
- 清晰的包边界，无循环依赖
- 独立部署，training 按需启动
- 代码复用率高

### 2. 分层架构 ✅

```
API Routes (web/api/v1/)
    ↓
Service Layer (web/services/)
    ↓
Data Layer (data/)
    ↓
Database (PostgreSQL)
```

**优点**:
- 职责分离明确
- 便于单元测试
- 可替换底层实现

### 3. 依赖注入 ✅

```python
# FastAPI Depends 使用得当
@router.post("/infer")
async def infer(
    file: UploadFile,
    db: AdminDB = Depends(get_admin_db),  # 注入
    token: str = Depends(validate_admin_token),
):
```

### 4. 存储抽象层 ✅

```python
# 统一接口，支持多后端
class StorageBackend(ABC):
    def upload(self, source: Path, destination: str) -> None: ...
    def download(self, source: str, destination: Path) -> None: ...
    def get_presigned_url(self, path: str) -> str: ...

# 实现: LocalStorageBackend, AzureStorageBackend, S3StorageBackend
```

### 5. 动态模型管理 ✅

```python
# 数据库驱动的模型切换
def get_active_model_path() -> Path | None:
    db = AdminDB()
    active_model = db.get_active_model_version()
    return active_model.model_path if active_model else None

inference_service = InferenceService(
    model_path_resolver=get_active_model_path,
)
```

### 6. 任务队列分离 ✅

```python
# 不同类型任务使用不同队列
- AsyncTaskQueue: 异步推理任务
- BatchQueue: 批量上传任务
- TrainingScheduler: 训练任务调度
- AutoLabelScheduler: 自动标注调度
```

---

## 架构问题与风险

### 1. 数据库层职责过重 ⚠️ **中风险**

**问题**: `AdminDB` 类过大，违反单一职责原则

```python
# packages/inference/inference/data/admin_db.py
class AdminDB:
    # Token 管理 (5 个方法)
    def is_valid_admin_token(self, token: str) -> bool: ...
    def create_admin_token(self, token: str, name: str): ...
    
    # 文档管理 (8 个方法)
    def create_document(self, ...): ...
    def get_document(self, doc_id: str): ...
    
    # 标注管理 (6 个方法)
    def create_annotation(self, ...): ...
    def get_annotations(self, doc_id: str): ...
    
    # 训练任务 (7 个方法)
    def create_training_task(self, ...): ...
    def update_training_task(self, ...): ...
    
    # 数据集 (6 个方法)
    def create_dataset(self, ...): ...
    def get_dataset(self, dataset_id: str): ...
    
    # 模型版本 (5 个方法)
    def create_model_version(self, ...): ...
    def activate_model_version(self, ...): ...
    
    # 批处理 (4 个方法)
    # 锁管理 (3 个方法)
    # ... 总计 50+ 方法
```

**影响**:
- 类过大，难以维护
- 测试困难
- 不同领域变更互相影响

**建议**: 按领域拆分为 Repository 模式

```python
# 建议重构
class TokenRepository:
    def validate(self, token: str) -> bool: ...
    def create(self, token: Token) -> None: ...

class DocumentRepository:
    def find_by_id(self, doc_id: str) -> Document | None: ...
    def save(self, document: Document) -> None: ...

class TrainingRepository:
    def create_task(self, config: TrainingConfig) -> TrainingTask: ...
    def update_task_status(self, task_id: str, status: TaskStatus): ...

class ModelRepository:
    def get_active(self) -> ModelVersion | None: ...
    def activate(self, version_id: str) -> None: ...
```

---

### 2. Service 层混合业务逻辑与技术细节 ⚠️ **中风险**

**问题**: `InferenceService` 既处理业务逻辑又处理技术实现

```python
# packages/inference/inference/web/services/inference.py
class InferenceService:
    def process(self, image_bytes: bytes) -> ServiceResult:
        # 1. 技术细节: 图像解码
        image = Image.open(io.BytesIO(image_bytes))
        
        # 2. 业务逻辑: 字段提取
        fields = self._extract_fields(image)
        
        # 3. 技术细节: 模型推理
        detections = self._model.predict(image)
        
        # 4. 业务逻辑: 结果验证
        if not self._validate_fields(fields):
            raise ValidationError()
```

**影响**:
- 难以测试业务逻辑
- 技术变更影响业务代码
- 无法切换技术实现

**建议**: 引入领域层和适配器模式

```python
# 领域层 - 纯业务逻辑
@dataclass
class InvoiceDocument:
    document_id: str
    pages: list[Page]
    
class InvoiceExtractor:
    """纯业务逻辑，不依赖技术实现"""
    def extract(self, document: InvoiceDocument) -> InvoiceFields:
        # 只处理业务规则
        pass

# 适配器层 - 技术实现
class YoloFieldDetector:
    """YOLO 技术适配器"""
    def __init__(self, model_path: Path):
        self._model = YOLO(model_path)
    
    def detect(self, image: np.ndarray) -> list[FieldRegion]:
        return self._model.predict(image)

class PaddleOcrEngine:
    """PaddleOCR 技术适配器"""
    def __init__(self):
        self._ocr = PaddleOCR()
    
    def recognize(self, image: np.ndarray, region: BoundingBox) -> str:
        return self._ocr.ocr(image, region)

# 应用服务 - 协调领域和适配器
class InvoiceProcessingService:
    def __init__(
        self,
        extractor: InvoiceExtractor,
        detector: FieldDetector,
        ocr: OcrEngine,
    ):
        self._extractor = extractor
        self._detector = detector
        self._ocr = ocr
```

---

### 3. 调度器设计分散 ⚠️ **中风险**

**问题**: 多个独立调度器缺乏统一协调

```python
# 当前设计 - 4 个独立调度器
# 1. TrainingScheduler (core/scheduler.py)
# 2. AutoLabelScheduler (core/autolabel_scheduler.py)
# 3. AsyncTaskQueue (workers/async_queue.py)
# 4. BatchQueue (workers/batch_queue.py)

# app.py 中分别启动
start_scheduler()           # 训练调度器
start_autolabel_scheduler() # 自动标注调度器
init_batch_queue()          # 批处理队列
```

**影响**:
- 资源竞争风险
- 难以监控和追踪
- 任务优先级难以管理
- 重启时任务丢失

**建议**: 使用 Celery + Redis 统一任务队列

```python
# 建议重构
from celery import Celery

app = Celery('invoice_master')

@app.task(bind=True, max_retries=3)
def process_inference(self, document_id: str):
    """异步推理任务"""
    try:
        service = get_inference_service()
        result = service.process(document_id)
        return result
    except Exception as exc:
        raise self.retry(exc=exc, countdown=60)

@app.task
def train_model(dataset_id: str, config: dict):
    """训练任务"""
    training_service = get_training_service()
    return training_service.train(dataset_id, config)

@app.task
def auto_label_documents(document_ids: list[str]):
    """批量自动标注"""
    for doc_id in document_ids:
        auto_label_document.delay(doc_id)

# 优先级队列
app.conf.task_routes = {
    'tasks.process_inference': {'queue': 'high_priority'},
    'tasks.train_model': {'queue': 'gpu_queue'},
    'tasks.auto_label_documents': {'queue': 'low_priority'},
}
```

---

### 4. 配置分散 ⚠️ **低风险**

**问题**: 配置分散在多个文件

```python
# packages/shared/shared/config.py
DATABASE = {...}
PATHS = {...}
AUTOLABEL = {...}

# packages/inference/inference/web/config.py
@dataclass
class ModelConfig: ...
@dataclass
class ServerConfig: ...
@dataclass
class FileConfig: ...

# 环境变量
# .env 文件
```

**影响**:
- 配置难以追踪
- 可能出现不一致
- 缺少配置验证

**建议**: 使用 Pydantic Settings 集中管理

```python
# config/settings.py
from pydantic_settings import BaseSettings, SettingsConfigDict

class DatabaseSettings(BaseSettings):
    model_config = SettingsConfigDict(env_prefix='DB_')
    
    host: str = 'localhost'
    port: int = 5432
    name: str = 'docmaster'
    user: str = 'docmaster'
    password: str  # 无默认值，必须设置

class StorageSettings(BaseSettings):
    model_config = SettingsConfigDict(env_prefix='STORAGE_')
    
    backend: str = 'local'
    base_path: str = '~/invoice-data'
    azure_connection_string: str | None = None
    s3_bucket: str | None = None

class Settings(BaseSettings):
    model_config = SettingsConfigDict(
        env_file='.env',
        env_file_encoding='utf-8',
    )
    
    database: DatabaseSettings = DatabaseSettings()
    storage: StorageSettings = StorageSettings()
    
    # 验证
    @field_validator('database')
    def validate_database(cls, v):
        if not v.password:
            raise ValueError('Database password is required')
        return v

# 全局配置实例
settings = Settings()
```

---

### 5. 内存队列单点故障 ⚠️ **中风险**

**问题**: AsyncTaskQueue 和 BatchQueue 基于内存

```python
# workers/async_queue.py
class AsyncTaskQueue:
    def __init__(self):
        self._queue = Queue()  # 内存队列
        self._workers = []
    
    def enqueue(self, task: AsyncTask) -> None:
        self._queue.put(task)  # 仅存储在内存
```

**影响**:
- 服务重启丢失所有待处理任务
- 无法水平扩展
- 任务持久化困难

**建议**: 使用 Redis/RabbitMQ 持久化队列

---

### 6. 缺少 API 版本迁移策略 ❓ **低风险**

**问题**: 有 `/api/v1/` 版本，但缺少升级策略

```
当前: /api/v1/admin/documents
未来: /api/v2/admin/documents ?
```

**建议**: 
- 制定 API 版本升级流程
- 使用 Header 版本控制
- 维护版本兼容性文档

---

## 关键架构风险矩阵

| 风险项 | 概率 | 影响 | 风险等级 | 优先级 |
|--------|------|------|----------|--------|
| 内存队列丢失任务 | 中 | 高 | **高** | 🔴 P0 |
| AdminDB 职责过重 | 高 | 中 | **中** | 🟡 P1 |
| Service 层混合 | 高 | 中 | **中** | 🟡 P1 |
| 调度器资源竞争 | 中 | 中 | **中** | 🟡 P1 |
| 配置分散 | 高 | 低 | **低** | 🟢 P2 |
| API 版本策略 | 低 | 低 | **低** | 🟢 P2 |

---

## 改进建议路线图

### Phase 1: 立即执行 (本周)

#### 1.1 拆分 AdminDB
```python
# 创建 repositories 包
inference/data/repositories/
├── __init__.py
├── base.py           # Repository 基类
├── token.py          # TokenRepository
├── document.py       # DocumentRepository
├── annotation.py     # AnnotationRepository
├── training.py       # TrainingRepository
├── dataset.py        # DatasetRepository
└── model.py          # ModelRepository
```

#### 1.2 统一配置
```python
# 创建统一配置模块
inference/config/
├── __init__.py
├── settings.py       # Pydantic Settings
└── validators.py     # 配置验证
```

### Phase 2: 短期执行 (本月)

#### 2.1 引入消息队列
```yaml
# docker-compose.yml 添加
services:
  redis:
    image: redis:7-alpine
    ports:
      - "6379:6379"
  
  celery_worker:
    build: .
    command: celery -A inference.tasks worker -l info
    depends_on:
      - redis
      - postgres
```

#### 2.2 添加缓存层
```python
# 使用 Redis 缓存热点数据
from redis import Redis

redis_client = Redis(host='localhost', port=6379)

class CachedDocumentRepository(DocumentRepository):
    def find_by_id(self, doc_id: str) -> Document | None:
        # 先查缓存
        cached = redis_client.get(f"doc:{doc_id}")
        if cached:
            return Document.parse_raw(cached)
        
        # 再查数据库
        doc = super().find_by_id(doc_id)
        if doc:
            redis_client.setex(f"doc:{doc_id}", 3600, doc.json())
        return doc
```

### Phase 3: 长期执行 (本季度)

#### 3.1 数据库读写分离
```python
# 配置主从数据库
class DatabaseManager:
    def __init__(self):
        self._master = create_engine(MASTER_DB_URL)
        self._replica = create_engine(REPLICA_DB_URL)
    
    def get_session(self, readonly: bool = False) -> Session:
        engine = self._replica if readonly else self._master
        return Session(engine)
```

#### 3.2 事件驱动架构
```python
# 引入事件总线
from event_bus import EventBus

bus = EventBus()

# 发布事件
@router.post("/documents")
async def create_document(...):
    doc = document_repo.save(document)
    bus.publish('document.created', {'document_id': doc.id})
    return doc

# 订阅事件
@bus.subscribe('document.created')
def on_document_created(event):
    # 触发自动标注
    auto_label_task.delay(event['document_id'])
```

---

## 架构演进建议

### 当前架构 (适合 1-10 用户)

```
Single Instance
├── FastAPI App
├── Memory Queues
└── PostgreSQL
```

### 目标架构 (适合 100+ 用户)

```
Load Balancer
    ├── FastAPI Instance 1
    ├── FastAPI Instance 2
    └── FastAPI Instance N
            │
    ┌───────┴───────┐
    ▼               ▼
Redis Cluster   PostgreSQL
(Celery + Cache) (Master + Replica)
```

---

## 总结

### 总体评分

| 维度 | 评分 | 说明 |
|------|------|------|
| **模块化** | 8/10 | 包结构清晰，但部分类过大 |
| **可扩展性** | 7/10 | 水平扩展良好，垂直扩展受限 |
| **可维护性** | 8/10 | 分层合理，但职责边界需细化 |
| **可靠性** | 7/10 | 内存队列是单点故障 |
| **性能** | 8/10 | 异步处理良好 |
| **安全性** | 8/10 | 基础安全到位 |
| **总体** | **7.7/10** | 良好的架构基础，需优化细节 |

### 关键结论

1. **架构设计合理**: Monorepo + 分层架构适合当前规模
2. **主要风险**: 内存队列和数据库职责过重
3. **演进路径**: 引入消息队列和缓存层
4. **投入产出**: 当前架构可支撑到 100+ 用户，无需大规模重构

### 下一步行动

| 优先级 | 任务 | 预计工时 | 影响 |
|--------|------|----------|------|
| 🔴 P0 | 引入 Celery + Redis | 3 天 | 解决任务丢失问题 |
| 🟡 P1 | 拆分 AdminDB | 2 天 | 提升可维护性 |
| 🟡 P1 | 统一配置管理 | 1 天 | 减少配置错误 |
| 🟢 P2 | 添加缓存层 | 2 天 | 提升性能 |
| 🟢 P2 | 数据库读写分离 | 3 天 | 提升扩展性 |

---

## 附录

### 关键文件清单

| 文件 | 职责 | 问题 |
|------|------|------|
| `inference/data/admin_db.py` | 数据库操作 | 类过大，需拆分 |
| `inference/web/services/inference.py` | 推理服务 | 混合业务和技术 |
| `inference/web/workers/async_queue.py` | 异步队列 | 内存存储，易丢失 |
| `inference/web/core/scheduler.py` | 任务调度 | 缺少统一协调 |
| `shared/shared/config.py` | 共享配置 | 分散管理 |

### 参考资源

- [Repository Pattern](https://martinfowler.com/eaaCatalog/repository.html)
- [Celery Documentation](https://docs.celeryproject.org/)
- [Pydantic Settings](https://docs.pydantic.dev/latest/concepts/pydantic_settings/)
- [FastAPI Best Practices](https://fastapi.tiangolo.com/tutorial/bigger-applications/)