沉淀技术 · 分享成长 · 持续进化
先想一个问题：你有没有遇到过这样的代码——Service 层有几千行，一个方法里塞了查库、校验、计算、调用外部接口、发消息等各种逻辑，改一行代码就怕影响十行？
这就是传统 MVC 架构的典型痛点：业务逻辑全部散落在 Service 层。项目初期觉得简单直接，但随着业务复杂度增长，Service 变成了一个大杂烩——既负责流程编排，又负责业务规则，还负责数据转换。你想改一个计费规则，得翻遍整个 Service 才能确认改全了没有。
DDD（Domain-Driven Design，领域驱动设计）的核心主张是：软件开发的核心是理解业务，而不是实现技术。 先理解业务领域、建立领域模型，再考虑技术实现——而不是上来就画表、写 SQL。
你有没有遇到过这样的场景——打开一个 App 发现页面白屏，刷新几次也没用，心里默念"又挂了"？
作为用户，你只是刷新了几次然后换了个 App。但作为开发者，这几分钟的不可用可能意味着大量的订单损失、用户投诉，甚至公关危机。
高可用 (High Availability) 的目标就是：让系统在各种异常情况下，依然能够正常对外提供服务。 不是不出问题——世上没有永远不出问题的系统——而是出了问题能扛住、能自愈、能快速恢复。
就像人不可能永远不生病，但一个免疫力强的人，生了小病能自己扛过去，生了大病能快速就医恢复。高可用架构做的就是提升系统的"免疫力"。
想象一下双 11 零点的淘宝 -- 几亿用户同时点击"立即购买"，每一秒涌入的请求比平时多出几十上百倍。服务器就像一家只有 5 个服务员的餐厅，突然涌进来 500 位客人。如果没有任何应对措施，这家餐厅只会陷入混乱，谁也吃不上饭。
高并发的本质，是在有限的资源下，尽可能多地处理请求，同时保证系统不崩溃。
要做到这一点，我们有三大武器，也有三道防线。接下来一个一个聊。
在深入限流、降级、熔断之前，先了解最基础的三板斧。
去迪士尼玩过的朋友一定有这个体验：每个项目入口处都有一块小牌子，写着"预计等候时间 45 分钟"。你看到这个时间就会心里盘算 -- 45 分钟可以接受吗？要不要换个项目？
对于一个网站来说，用户做的判断和这一模一样。页面加载超过 3 秒，一半的用户就会离开。后端接口响应超过 1 秒，前端体验就会明显变差。
高性能的本质，就是让系统用最短的时间、最少的资源，处理尽可能多的请求。
要聊高性能，我们得先把几个核心指标搞清楚。
前面两章我们聊了高并发和高性能的理论和通用方案。但理论终归是理论，落到具体的业务场景中，每一个细节都会变得棘手得多。
这一章我们聊几个大厂的真实架构案例 -- 秒杀系统、红包系统、火车票系统。看看这些系统在面对极端流量时，是如何把理论落地的。
秒杀的本质是：大量用户在极短时间内抢购极少量商品。 这意味着系统要同时面对两个极端 -- 读请求的洪峰（所有人都在刷页面）和写请求的洪峰（所有人同时点击购买）。
很多人一聊架构就开始谈"微服务"、"中台"、"Serverless"，好像不用上这些大词，就对不起"架构师"这个称号。
但你认真观察那些真正优秀的架构，会发现一个共同特点：它们都不是为了炫技而设计的，而是为了解决一个具体的核心问题。
架构设计的第一原则很朴素：对现有问题有方案，对未来系统有预案，但绝不过度复杂化。
这就像装修房子——你不会因为"将来可能来客人"就把客厅改成酒店大堂。你会根据家里几口人、日常怎么住来合理规划空间。等真的需要接待客人了，再想办法腾出一间客房。架构设计也是一样，永远从核心问题出发，随着业务增长逐步演进。
面试中的编程题，尤其是手写代码类题目，考察的远不止"你背没背过答案"。面试官真正想看到的，是你面对一个问题时的分析思路：你怎么拆解问题、怎么选择数据结构、怎么处理边界条件，以及你写出来的代码是不是具备工程可读性。
本文精选了面试中最高频的三类编程题：多线程协调、数据结构手写实现、常见编程小题。每道题先讲思路，再给完整可运行的代码，帮你建立"拿到题目先想清楚再动手"的习惯。
你可能会问：这是一个 Java 技术博客，为什么这篇文章全是 Python？
原因很简单：算法模板追求的是"最短路径表达核心逻辑"，Python 的语法糖（列表推导、元组解包、内置 heapq/bisect/Counter 等）能让模板代码比 Java 短 2-3 倍，更容易记忆和手写。面试时用 Python 写算法题也是完全被接受的。
这份手册不是按叙事逻辑组织的教程，而是一份速查参考。每个算法模板前面都有一行"识别特征"——帮你在看到一道新题时快速判断该套用哪个模板。建议收藏后按需查阅，而不是从头读到尾。
大模型（如 ChatGPT、DeepSeek）本身只能"聊天"，它无法查数据库、发邮件、操作文件。如果给大模型装上"手和脚"（工具），再给它"大脑"（规划能力）和"记忆"（上下文），它就变成了一个能真正干活的 Agent。这篇文章梳理 AI Agent 的核心概念：从 Function Calling 到 MCP，从 Skill 到 A2A，帮你建立完整的工具生态认知。
典型回答
大模型大家都知道，比如我们常见的ChatGPT、DeepSeek等，但是，这些大模型都有一个关键的问题，那就是他们没办法用工具，比如我想要让大模型帮我查询一个接口，他是做不到的。
大语言模型（LLM）是当下技术圈最火的话题。但很多人对它的认知停留在"能聊天"的层面。作为开发者，你需要理解：大模型擅长什么、不擅长什么、幻觉怎么解决、RAG 和微调的区别、向量数据库的原理。这些知识既是面试热点，也是实际开发 AI 应用的基础。
典型回答
大模型非常擅长做生成内容、代码编写、文本处理、多模态任务，但它对高精度计算、事实准确性、实时数据获取存在局限性。