在深度学习技术快速发展的今天,现有的文本摘要技术也因此受益,处于蓬勃发展期。但是生成式文本摘要技术发展至今,依旧存在着句子冗余/错漏,内容覆盖主题不足,句子流畅度不高以及训练效率低下且难以部署的问题。本文根据对生成式文本摘要技术的研究,结合现有前沿技术,由此分析、设计并实现了胶囊-注意力指针模型,在该算法的基础之上,完成了相应的文本摘要高并发微服务复合架构的设计与实现。本文的结构以及具体工作如下:（1）针对于内容覆盖主题不足以及句子流畅度不高的问题,本文基于注意力机制从字的角度出发,更细粒度的结合注意力机制研究海量文本的语法以及语义结构。针对算法的语义结构部分,引入胶囊网络,通过对单字文本标量进行重组组成向量,采用胶囊跃迁的形式,从而概括一个字的表征。此外,本文提出了全新的路由函数π-Squash,从而能够更好的从稀疏矩阵中更好的学习到关键的文本信息。（2）对于句子冗余或者错漏,本文所述算法还引入了指针机制以及覆盖机制,从而能够有效去除重复信息,从源文本进行摘要数据的学习。结合了注意力胶囊网络后的算法不仅考虑了不同语种之间的语法语义的区别,还根据原文含义从而生成全新的句子,此外结合相应的同义词、近义词场景,也能够驾轻就熟的进行摘要输出,解决了注意力机制下由于词场景变换,所造成的注意力偏移。（3）对于训练效率部分,此外本文也设计并实现了基于参数共享概念的注意力胶囊网络,从而减少模型的训练参数。结合胶囊机制的向量特征,进一步压缩字的表征空间,减少计算空间的浪费,从而提高训练效率。本文基于现有的中英文数据集进行了相应的对比实验,结合ROUGE评分结果可知,本算法所生成的摘要内容更符合人类的语言描述习惯。整个算法在现有的数据集上都有相对不错的表现。从训练效率来看,该算法虽然需要大量的参数进行训练,但是相应的本算法的总训练时长远远短于RNN类算法,参数数量也远远小于BERT。从实验结果来看,结合多方面来考虑,本文所提出的胶囊-注意力指针模型具有一定的先进性,本文的工作具有一定的实践意义以及设计意义。最后,本文基于CAP理论,设计并实现了相应算法的微服务复合架构,考虑在并发场景下,提供服务接口的同步调用和异步调用,保障服务的高可用和强一致性,完成了相应的设计思路陈述以及实验过程,并且对相应的成果进行功能展示。