工程实践

副标题 / 摘要 数据库 Schema 迁移是系统风险的高发点。本文给出可执行的迁移策略与检查清单。 目标读者 需要做数据库迁移的工程师 负责上线流程与稳定性的团队 做 DevOps / DBA 的开发者 背景 / 动机 很多线上事故来自“不可逆的 schema 变更”。 正确做法是分阶段、可回滚、可验证。 核心概念 前向兼容：新旧代码同时可用 可回滚：变更可撤销 灰度发布：逐步流量切换 迁移顺序：先扩展、后收缩 实践指南 / 步骤 先扩展再收缩（add column -> backfill -> cutover -> drop） 双写验证（新旧字段一致） 可回滚脚本 灰度切换 迁移后验证（行数/校验和） 可运行示例 -- 1) 扩展 ALTER TABLE users ADD COLUMN status_new VARCHAR(20); -- 2) 回填 UPDATE users SET status_new = status; -- 3) 切换代码使用新字段 -- 4) 收缩 ALTER TABLE users DROP COLUMN status; 解释与原理 “先扩展后收缩”能保证新旧版本共存，避免停机与回滚困难。 迁移过程中的双写与校验是降低风险的关键。 ...

副标题 / 摘要 分布式版本控制把“历史”分散到每个开发者本地，带来更强的离线能力与分支灵活性，但也引入更高的协作复杂度。本文给出清晰对比。 目标读者 需要理解 Git / SVN 差异的工程师 负责制定团队工作流的技术负责人 正在从 SVN 迁移到 Git 的团队 背景 / 动机 版本控制不是工具问题，而是协作效率问题。 分布式与集中式的差异会直接影响团队工作流、代码评审与发布节奏。 核心概念 集中式 VCS：单一中央仓库（SVN） 分布式 VCS：每个开发者都有完整历史（Git） 分支模型：分支的创建、合并成本不同 实践指南 / 步骤 评估团队规模与协作模式 看是否需要离线工作 评估分支与合并频率 选择合适的工作流（GitFlow/GitHubFlow） 建立统一的代码评审与发布规范 可运行示例 比较 SVN 与 Git 的本地历史能力： # Git：离线查看历史 git log -5 # SVN：依赖服务器 svn log -l 5 解释与原理 分布式 VCS 把历史复制到本地，允许开发者离线查看与提交。 集中式 VCS 依赖中心仓库，操作更集中、权限更清晰，但分支成本高。 常见问题与注意事项 分布式 VCS 是否更安全？ 历史分散降低单点风险，但也需要更强的权限策略。 集中式 VCS 是否更简单？ 对小团队可能更简单，但扩展性差。 Git 学习成本高吗？ 相对高，但收益巨大。 ...

副标题 / 摘要 自创密码学看似灵活，实则极易出错。本文解释为什么不应自己设计加密算法，并给出工程级替代方案。 目标读者 需要实现安全功能的工程师 想理解密码学风险的开发者 负责安全合规的技术负责人 背景 / 动机 密码学的可靠性来自数学证明与长期公开审计。 未经验证的自创算法，几乎一定存在未知漏洞，且往往在上线后才暴露。 核心概念 公开审计：安全算法需经长期社区验证 威胁模型：攻击者能力远超一般想象 实现安全：算法正确 ≠ 实现安全 实践指南 / 步骤 使用成熟标准（AES-GCM、ChaCha20-Poly1305） 使用成熟库（libsodium、OpenSSL） 明确威胁模型并选择合适协议 避免自定义模式/参数 做安全评审与渗透测试 可运行示例 下面用 Python 的标准库做安全加密示例（AES-GCM）： from cryptography.hazmat.primitives.ciphers.aead import AESGCM import os key = AESGCM.generate_key(bit_length=128) aesgcm = AESGCM(key) nonce = os.urandom(12) plaintext = b"hello" ciphertext = aesgcm.encrypt(nonce, plaintext, None) print(ciphertext) 解释与原理 安全算法需要满足机密性、完整性、可验证性等多项指标。 自创算法往往忽略边界条件、随机性、密钥管理等关键问题。 常见问题与注意事项 算法简单就更安全吗？ 不。简单可能意味着可被轻易破解。 自己设计能防止被破解吗？ 不。攻击者会逆向、分析、利用弱点。 使用库就安全吗？ 前提是正确使用（模式、随机数、密钥管理）。 最佳实践与建议 不要自创算法或自定义加密模式 使用经过审计的库与标准 关注密钥管理与随机数来源 小结 / 结论 自创密码学的风险远高于收益。 使用成熟算法和库，是工程安全的基本常识。 参考与延伸阅读 Cryptography Engineering libsodium / OpenSSL 官方文档 NIST 推荐算法列表 元信息 阅读时长：7~9 分钟 标签：密码学、安全、工程实践 SEO 关键词：不要自创密码学, 加密算法 元描述：解释为什么不应自创密码学，并给出替代方案。 行动号召（CTA） 检查一次你项目的加密实现，确认是否使用了标准算法与库。

副标题 / 摘要 软件开发的难点不在写代码本身，而在持续变化的需求、系统复杂性与团队协作成本。本文拆解这些难点并给出应对策略。 目标读者 参与中大型项目的工程师 希望理解“复杂性来源”的开发者 负责交付与协作的技术负责人 背景 / 动机 软件系统面对的是“开放世界”：需求不断变化、环境不可预测、团队协作复杂。 这决定了软件开发天生不稳定，不可能像制造业一样高度可控。 核心概念 本质复杂性：问题本身就复杂 偶然复杂性：由工具、流程或实现带来的复杂 需求漂移：需求随时间变化 协作成本：沟通与一致性维护 实践指南 / 步骤 拆分问题域，减少单个模块复杂度 用边界隔离变化，把变化限制在局部 建立可观察性，缩短反馈周期 用自动化测试锁定行为 采用渐进式交付，降低一次性失败风险 可运行示例 下面示例展示“组合爆炸”带来的复杂性： from itertools import product def combos(n: int) -> int: return len(list(product([0, 1], repeat=n))) if __name__ == "__main__": for n in [5, 10, 15]: print(n, combos(n)) 解释与原理 功能越多、状态越多，组合空间指数级增长。 这意味着测试、调试与协作成本都在指数上升。 常见问题与注意事项 代码难度来自语言吗？ 不是，更多来自需求与系统交互的复杂性。 加人能解决问题吗？ 未必，沟通成本可能更高。 为什么需求总在变？ 现实世界本身在变，软件只是映射它。 最佳实践与建议 优先减少复杂性，而不是堆叠功能 以反馈速度为核心指标 用小团队保持一致性 小结 / 结论 软件开发困难的根源是变化与复杂性。 工程实践的价值在于控制这些复杂性，让系统可演进。 参考与延伸阅读 The Mythical Man-Month (Brooks) No Silver Bullet (Brooks) Designing Data-Intensive Applications 元信息 阅读时长：7~9 分钟 标签：软件开发、复杂性、工程实践 SEO 关键词：软件开发, 复杂性, 需求变化 元描述：解析软件开发困难的核心原因，并给出缓解策略。 行动号召（CTA） 挑一个复杂模块，画出它的状态与边界，你会立刻看到优化空间。

任务编排为什么要放后端：让流程可控、可变、可回放 副标题 / 摘要 在多步骤、可中断、可回放的业务流程中，把“流程顺序与状态机”放在后端，是系统长期可演进的关键。本文从真实工程痛点出发，解释为什么前端不应硬编码流程顺序，并给出一套可落地的后端 Pipeline 编排思路与最小实现。 目标读者 正在设计多步骤流程 / 向导式产品的后端工程师 需要支撑 Web / App / Admin 多端一致流程的技术负责人 在 AI / LLM 产品中处理“模型自动 + 人工确认”混合流程的团队 背景 / 动机：问题通常是怎么爆出来的？ 很多系统一开始都很简单： 前端：第 1 步 → 第 2 步 → 第 3 步 后端：校验 + 存数据 但随着业务演进，以下需求几乎一定会出现： 步骤 变多：从 3 步变成 10+ 步 步骤 可选：根据条件跳过 / 插入新步骤 步骤 可中断：需要用户确认、补充信息、人工审核 步骤 可重试 / 可回放：失败后从中间继续，而不是全部重来 步骤 多端一致：Web / App / 内部工具共享同一流程 如果此时流程顺序仍然写在前端： 每次流程变更 = 多端发版 出问题时无法准确回答：现在卡在哪一步？ 想加监控、审计、回放，发现无从下手 根因只有一个： ...

摘要 很多团队做 AI 应用时会陷入一种痛苦：业务逻辑写了一堆，却始终看不到“算法到底抽出了什么”。根因往往不是代码能力，而是把算法阶段的探索，过早塞进业务工程。本文用“投标写作工具里的事实抽取（FactMention）”作为例子，讲清楚算法与业务的边界、如何用 JupyterLab 快速验证、以及何时进入工程化。 目标读者 正在做 LLM/RAG/信息抽取的工程师（初级到中级） 负责 AI 产品落地的技术负责人 / 架构师 经常在“写了半天流程，结果不知道抽取效果如何”的同学 背景与动机：为什么这个问题重要？ 在传统系统里，大家习惯把“算法”理解为一个函数或模型文件，把“业务”理解为接口与流程。但在 LLM 时代，这个界限变得更模糊： 算法不仅是模型，还包括 prompt、schema、抽取策略、规则归一、置信度与去重策略 算法输出往往是 不确定、需要人类直觉评估 的 如果你把这些“不确定”的东西直接嵌进业务链路（router/service/db/cache），你会遇到： 调试成本爆炸：只看到最后 response，不知道中间发生了什么 逻辑迭代极慢：改一行抽取策略，要跑完整流程 团队协作困难：大家在黑箱里争论“到底准不准” 因此，需要一个更清晰的边界：算法负责收敛中间态，业务负责稳定交付。 核心概念：算法与业务到底分别是什么？ 1）算法（Algorithm）的工程定义 算法负责把“模糊世界”压缩成“可用的结构化中间态”。 关键词：不确定性、探索、需要“看结果”、需要收敛。 在投标写作场景中，算法阶段的问题长这样： LLM 抽取出来的 payload 字段应该有哪些？ norm_key 怎么设计才代表“同一事实”？ 同一人多条命中（mentions）要不要合并？ confidence 到底有没有意义？怎么校准？ 这些问题的共同特点是：你必须看中间结果才能判断对不对。 2）业务（Business）的工程定义 业务负责在中间态稳定之后，把事情编排起来：什么时候取什么数据、走哪条链路、如何返回给用户。 关键词：确定性、可维护、可测试、可复用。 在投标写作场景中，业务阶段的问题长这样： retrive_type = personnel 时走事实检索，否则走原文档检索 接口响应结构固定，前端按协议渲染 存储从 MemoryTable 换成 DB，不影响上层调用 这些问题的共同特点是：输入输出清晰，错误是边界情况，而不是“我也不知道会不会抽出来”。 一条“贴墙上”的分界线 凡是你还说不清“中间结果长什么样”的阶段 → 用 JupyterLab。 凡是你能画出输入/输出 JSON 形态并写出测试用例的阶段 → 进工程。 实践指南：什么时候用 JupyterLab，什么时候用工程代码？ 阶段 1：事实抽取建模期（强制用 JupyterLab） 适用信号： ...

讨论在使用 AI 辅助编码时如何避免复制粘贴依赖，结合费曼技巧、刻意练习与检索练习，给出可操作的自检清单与演练步骤。