[{"data":1,"prerenderedAt":1263},["ShallowReactive",2],{"\u002F2026-05-13":3,"\u002F2026-05-13-rel":318},{"id":4,"title":5,"body":6,"column":301,"date":302,"description":12,"extension":303,"hero_image":304,"meta":305,"navigation":306,"path":307,"seo":308,"series_id":304,"severity":304,"stem":309,"summary":310,"tags":311,"__hash__":317},"posts\u002F2026-05-13-从桌面端走向云端多租户第一版架构.md","一个用户一个容器——这个决定管了后面两年",{"type":7,"value":8,"toc":292},"minimark",[9,13,21,26,34,47,50,53,60,64,67,99,102,105,108,113,116,145,148,153,160,167,182,197,200,205,212,215,218,223,226,237,240,254,259,262,265,268,271,274,277,280,283,286,289],[10,11,12],"p",{},"桌面便携版 OpenClaw 能服务单个客户，但无法规模化——每户都要人工部署，排障要 SSH 上机，更新要走 OTA。转云端多租户是必然的演进。",[10,14,15,16,20],{},"我在 2026 年 5 月启动 CPA（Cloud Platform Architecture）项目，把这个转变落地。整个设计围绕一个核心决策展开：",[17,18,19],"strong",{},"每个用户一个独立容器","。",[22,23,25],"h2",{"id":24},"为什么容器隔离必须是-11","为什么容器隔离必须是 1:1",[10,27,28,29,33],{},"OpenClaw 是 AI Agent 运行时。用户在 shell 里跑 ",[30,31,32],"code",{},"openclaw chat","，这个进程会：",[35,36,37,41,44],"ul",{},[38,39,40],"li",{},"执行用户上传或配置的代码（skill、workflow）",[38,42,43],{},"写文件到本地卷（历史记录、缓存、配置）",[38,45,46],{},"装依赖（npm install、pip install）",[10,48,49],{},"进程级隔离不够。两个用户的代码在同一进程里跑，一个 crash 就拖累另一个；一个恶意脚本可以访问全局状态、篡改其他用户的卷。这是不可接受的。",[10,51,52],{},"虚拟机级隔离太重。每个用户启一个 VM，资源成本会上天。",[10,54,55,56,59],{},"容器是中间地带。OS-level cgroup + namespace + rootfs，隔离干净、开销可控。所以决定是：",[17,57,58],{},"用户数 = 容器数","。这个选择是架构的起点。",[22,61,63],{"id":62},"后果资源线性放大","后果：资源线性放大",[10,65,66],{},"选定 1:1 容器后，宿主机上每一项资源都随用户增长线性放大：",[35,68,69,75,81,87,93],{},[38,70,71,74],{},[17,72,73],{},"网络地址","：Docker overlay network 需要 virtual IP；每容器占一个。从 10.0.0.0\u002F8 分配，上限约 1600 万 —— 看起来充足，实际 Docker 的实现在几千容器时开始出现地址池竞争。",[38,76,77,80],{},[17,78,79],{},"内存","：单容器 1 GiB（Node.js 24 + openclaw + adapter + supervisord），100 用户就是 100 GiB。单机 8 核 16G 撑不了多少人。",[38,82,83,86],{},[17,84,85],{},"文件描述符","：容器内 openclaw 进程、adapter 进程各占百把个 fd；同时 100 个容器意味着内核全局 fd 表有万级条目。系统默认上限 65536，很容易触线。",[38,88,89,92],{},[17,90,91],{},"存储挂载","：每个用户一个持久卷；容器 prepare 时要挂载卷。超过一定数量后，I\u002FO 竞争明显。",[38,94,95,98],{},[17,96,97],{},"升级耗时","：滚动升级 100 个容器，每个要拉镜像、启容器、健康检查，总耗时 = 容器数 × 单个启动时间。100 个容器可能要半小时。",[10,100,101],{},"这个选择本身没错。错在没有同步建立\"每项资源的容量上限是多少用户\"这张表。",[22,103,104],{"id":104},"五周实施节奏",[10,106,107],{},"为了在 5 周内把这个架构从 0 到可演示，我把工作按依赖关系排成五个阶段。",[10,109,110],{},[17,111,112],{},"Week 1：基础设施与 sub2api 桥接",[10,114,115],{},"基础设施决定了后续每周的开发成败。这周的目标是：",[35,117,118,131,134,137,140],{},[38,119,120,121,124,125,124,128],{},"搭 monorepo（pnpm + turbo），分离 ",[30,122,123],{},"apps\u002Fapi","、",[30,126,127],{},"apps\u002Fweb",[30,129,130],{},"infra\u002Fdocker",[38,132,133],{},"Postgres + Redis 本地开发环境",[38,135,136],{},"反向代理 Caddy，配置 self-signed TLS 与路由",[38,138,139],{},"容器镜像骨架（node:24 + supervisord + adapter placeholder）",[38,141,142],{},[17,143,144],{},"关键：真机联调 sub2api 管理员 API",[10,146,147],{},"最后一项是风险最高的点。sub2api 的管理员 API 文档不完整，我写了一个早期探针脚本逐个 curl 真机上的端点路径，确认了创建子账号、登录、建 key、查用量这四个核心接口。如果这一周没跑通，整个 Week 2 就会卡壳。实际上这次探针一次成功，没有返工。",[10,149,150],{},[17,151,152],{},"Week 2：认证、激活码、容器自动供给",[10,154,155,156,159],{},"注册流程的核心是三段式（create sub2api user → login as that user → create API key as that user），每段用不同的鉴权方式。Week 1 的探针结果直接映射到 ",[30,157,158],{},"Sub2ApiClient"," 的四个方法。",[10,161,162,163,166],{},"这周新增 User + ActivationCode + Instance 三个数据库表，以及认证中间件（基于 session cookie 的用户校验）。最关键的工作是 ",[30,164,165],{},"SignupService","，它：",[168,169,170,173,176,179],"ol",{},[38,171,172],{},"校验激活码",[38,174,175],{},"调 sub2api 三段式开通子账号 + key",[38,177,178],{},"用 libsodium sealed-box 加密 key 和密码",[38,180,181],{},"事务内写入 User 表 + Quota 表 + 消激活码",[10,183,184,185,188,189,192,193,196],{},"容器编排改用 Docker Swarm overlay network（相比 host 网络，overlay 能自动处理 DNS + virtual IP）。",[30,186,187],{},"Instance"," 表存 ",[30,190,191],{},"containerId","（swarm service name）、",[30,194,195],{},"host","（overlay VIP）。",[10,198,199],{},"实现过程中没有太多惊喜，主要是工程量 —— 从密码哈希、session 管理、错误处理到审计日志，都是标准的 SaaS 后端配方。",[10,201,202],{},[17,203,204],{},"Week 3：聊天与 Skill 管理",[10,206,207,208,211],{},"这是最接近业务核心的一周。chatProxy 绕过了还没装进镜像的 openclaw daemon，直接把用户消息转给 sub2api 的 OpenAI 兼容端点 ",[30,209,210],{},"\u002Fv1\u002Fchat\u002Fcompletions","。流式响应逐个 token 推回浏览器（SSE）。",[10,213,214],{},"Skill 管理因为 openclaw 本身的 API 还没定型，只能做到 L1 —— 在 DB 存每个用户的 skill enable\u002Fdisable 状态，用户点按钮立即保存。实际生效要等 Week 5 才行。",[10,216,217],{},"这周前端加了 React 聊天页（Vercel AI SDK 处理流式解析）+ Markdown 渲染（remark-gfm 支持表格和任务列表）。",[10,219,220],{},[17,221,222],{},"Week 4：高级终端与用量看板",[10,224,225],{},"用户在浏览器里打开 xterm 网页终端，直接连到容器内的 ttyd（PTY bridge）。Fastify WebSocket 插件处理双向透传。",[10,227,228,229,232,233,236],{},"关键改动是从 overlay VIP 换成 ",[30,230,231],{},"--publish mode=host","。宿主 18000+ 端口一对一映射到容器 8080（adapter）和 7681（ttyd）。这样 cpa-api（跑在 systemd，不在 swarm 里）能用 ",[30,234,235],{},"127.0.0.1:PORT"," 直接访问容器，不依赖 overlay 网络。",[10,238,239],{},"用量看板聚合 sub2api 数据（API 调用次数、token、费用）+ 本地 Message 表的消息分桶。每天一条记录，前端 recharts 折线图展示趋势。",[10,241,242,243,246,247,250,251,253],{},"镜像升到 v0.3，真正装了 ",[30,244,245],{},"npm install -g openclaw","。supervisord 配 ",[30,248,249],{},"autostart=false","，避免 daemon 启动失败拖累整个容器。用户在 ttyd shell 里手动 ",[30,252,32],{}," 按需启动。",[10,255,256],{},[17,257,258],{},"Week 5：生产加固",[10,260,261],{},"三个合规页面（用户协议、隐私、违法举报）+ 注册强制勾选。Postgres 每日自动备份（pg_dump + 30 天保留）+ Docker volume 每周快照。Uptime Kuma 监控 4 个关键 endpoint。admin 后台一键给用户充值 sub2api 余额（前提是上游支持 admin recharge API；如不支持则通知手动充值）。",[10,263,264],{},"Vite manualChunks 拆分 bundle —— 把 markdown、charts、xterm 库分离成独立 chunk，首屏只加载核心 main.js，减少初始 load 时间。",[22,266,267],{"id":267},"预留的隐性成本",[10,269,270],{},"这个设计交付时看起来很完整，但后续运维中，瓶颈会逐个浮现。",[10,272,273],{},"用户数从 0 增到几百时，每项资源都还有富余，看不出问题。但到一定规模，某一个资源先耗尽 —— 比如 overlay network 的 fd 表、或者宿主文件系统的 inode、或者滚动升级时的累积启动时间。现象不是\"平台容量满了\"，而是\"个别用户偶发异常\"\"某个用户的容器起不来\"\"部分 ws 连接超时\"。",[10,275,276],{},"排查这类问题很痛苦，因为单看一个用户的日志是完全正常的，必须从全局资源池的角度看。比如文件描述符耗尽时，表现是某个容器内的 adapter 进程打不开 socket 连接，但这个进程本身的 CPU 和内存都在正常范围。",[10,278,279],{},"好消息是，这个 1:1 容器的决策本身没有反悔的必要。隔离需求是真实的，成本是值得的。错的只是在架构敲定时，没有同步做\"容量规划表\"—— 明确每 100 用户会消耗多少网络地址、文件描述符、内存碎片、存储 IOPS，以及对应的监控告警阈值。",[10,281,282],{},"这些细节会在后续的故障复盘中逐一显露。",[284,285],"hr",{},[22,287,288],{"id":288},"后续演进",[10,290,291],{},"这个五周MVP是 Agent 平台因果链的起点。后续 05-22、05-25、06-01、06-03、07-26 的六篇文章，逐段展开宿主资源如何一个接一个触线，以及每次的应对方案。从网络隔离、文件描述符争抢、存储竞争，到最终的多区域容灾，整条线索都是这个 1:1 容器决策的直接后果。",{"title":293,"searchDepth":294,"depth":294,"links":295},"",2,[296,297,298,299,300],{"id":24,"depth":294,"text":25},{"id":62,"depth":294,"text":63},{"id":104,"depth":294,"text":104},{"id":267,"depth":294,"text":267},{"id":288,"depth":294,"text":288},"Agent 平台","2026-05-13","md",null,{},true,"\u002F2026-05-13",{"title":5,"description":12},"2026-05-13-从桌面端走向云端多租户第一版架构","桌面便携方案无法规模化后，转向多租户云端是必然。核心决策：每用户独享容器。这个选择为隔离但代价是资源线性放大。",[312,313,314,315,316],"多租户架构","容器隔离","OpenClaw","云平台","Docker Swarm","Aww4dvgUOQKmX-cHXRzpCGdZ88FzBVbJFAZx97nNsYI",[319,639,937],{"id":320,"title":321,"body":322,"column":301,"date":626,"description":326,"extension":303,"hero_image":304,"meta":627,"navigation":306,"path":628,"seo":629,"series_id":304,"severity":304,"stem":630,"summary":631,"tags":632,"__hash__":638},"posts\u002F2026-07-26-峰值1987一个人维护AI平台的边界.md","一个人，能维护到多大规模？",{"type":7,"value":323,"toc":610},[324,327,330,333,336,368,371,374,379,382,389,404,407,414,418,421,424,427,434,441,445,448,455,459,462,465,475,486,489,493,496,499,506,510,513,516,519,523,526,529,555,558,561,564,570,584,590,604],[10,325,326],{},"从 2026-05-22 的 270 个用户到 07 下旬的峰值 1987 日活，这个平台的增长不是线性的。中间隔着四次明确的容量撞墙，每一次都留下了可复查的根因记录。这篇文章讲的是，什么条件下一个人能维护一个到达四位数日活规模的多租户平台。",[22,328,329],{"id":329},"成长曲线与撞墙的四个节点",[10,331,332],{},"架构的设计前提是\"1 用户 = 1 容器\"。这个决策确定了，用户数与容器数就是同一个口径。没有\"日活 X 万、同时在线 Y 万\"这种双指标的混淆。",[10,334,335],{},"实际的规模序列是这样的：",[35,337,338,344,350,356,362],{},[38,339,340,343],{},[17,341,342],{},"270 个 service","（05-22）：刚完成 ffmpeg 升级后的测量",[38,345,346,349],{},[17,347,348],{},"372 RUNNING","（05-24）：滚动升级前的容器计数",[38,351,352,355],{},[17,353,354],{},"379","（05-25）：五个 P0 patch 部署后稳定",[38,357,358,361],{},[17,359,360],{},"574 用户","（06-03）：迁移到 K8s 时的基线，539 个 RUNNING",[38,363,364,367],{},[17,365,366],{},"1987","（07 下旬）：最近测得的峰值",[10,369,370],{},"跨度是两个月，增速从 Swarm 期间的两周内 270→379（40% 增长）、到迁 K8s 后约八周 574→1987（约 3.5 倍）。这个加速度不是\"计划好的伸缩\"，而是每一次解决了瓶颈后，下一个瓶颈暴露出来。",[22,372,373],{"id":373},"四堵撞过的墙",[375,376,378],"h3",{"id":377},"第一堵容器网络-ip-池05-22fa-012","第一堵：容器网络 IP 池（05-22，FA-012）",[10,380,381],{},"用户报告\"AI 容器里没 ffmpeg\"。这本来是个 Dockerfile 一行 apt 的事。但打算上线这个修改时，意外发现 gwbridge（Docker Swarm 默认的容器网络）IP 地址段是 \u002F24，总共 253 个 IP，已经被 270 个用户的容器占满。13 个用户容器长期处于启动失败的循环中。",[10,383,384,385,388],{},"排查逻辑是这样的：一行 Dockerfile 改动不至于触发灰度风险，但灰度一个用户时，Swarm 需要给新容器分配 gwbridge 的 IP。如果池子满了，IP 分配失败，新容器启动失败，再加上老容器还没完全释放（endpoint 还在占位），就陷入了\"申请 → 失败 → retry\"的循环。这种症状看起来随机，用户看到的是\"我的容器启不来\"，系统看到的是\"又一个容器 cycling\"。直到看 ",[30,386,387],{},"docker info"," 的输出，才发现 gwbridge 已经 100% 满用。",[10,390,391,392,395,396,403],{},"根本原因在于一个不易察觉的配置陷阱：Docker Daemon 的配置文件里改了 ",[30,393,394],{},"default-address-pools","，但这个配置",[17,397,398,399,402],{},"只在 ",[30,400,401],{},"swarm init"," 那一刻消费一次","。已经创建的网络不会动。之前改过这个配置的人可能不知道这个行为，改了等于没改。",[10,405,406],{},"修复不能简单地改配置重启。我试过在 staging 环境用 dry-run 验证，写脚本探测不冲突的子网段，然后在 production 的 canary 验证阶段发现\"释放的 IP 立刻被其它 cycling 任务抢走\"这样的负反馈。所以流程变成：先 scale 0 所有失联的服务（停止它们 cycling，释放的位置不会被抢），然后手动删除旧的 gwbridge、用新 subnet 重建。最终把容量从 253 扩到了 4094，增长了 16 倍。13 个失联用户全部恢复。",[10,408,409,410,413],{},"这次的启示是",[17,411,412],{},"配置陷阱往往比代码 bug 更隐蔽","。因为配置改了看不出效果，维护者会觉得没改上去、会反复尝试，但每次尝试的假设都错了。",[375,415,417],{"id":416},"第二堵单容器资源限制与内核参数05-25fa-013","第二堵：单容器资源限制与内核参数（05-25，FA-013）",[10,419,420],{},"五天后，部署了五个 P0 patch：B1 容器内存 burst factor 调整（硬限制改为内存 × 4）、B2 mcp register 的假失败救活逻辑、B3 ulimit nofile 扩大到 65536、B4 mcp cooldown 清理、B6 provision 接口幂等性。这一次的滚动升级从 05-25 凌晨 0:41 一直跑到 07:34，实际耗时 6 小时 42 分钟，原本预估只要 3 小时。",[10,422,423],{},"但更关键的数据是这个：升级前，平台里有一个重灾户容器一天被 OOM kill 了 247 次。这不是偶发故障——是每一天都在重复。升级完成一小时后，这个数字变成了 0。",[10,425,426],{},"这次的根因是九个缺陷的叠加。B1 的根因是硬限制设得太低（原来 93 个用户只有 500MB 硬限，远低于实际需要），B2 是 mcp register exit code 的错误判断（非零 exit 自动当做失败，但有时是因为配置覆盖了），B3 是文件描述符不足导致新连接打开失败。单个缺陷可能不致命，但聚在一起就是 OOM 风暴。更严重的是，一个用户的 OOM 不只影响那个用户——每次 OOM 都会触发内核的 swap 操作，拖累整机的 I\u002FO，让 cpa-api 主进程的事件循环卡顿 18 秒。前端看到的是全站变慢，实际根因可能是某个用户容器在反复 OOM。",[10,428,429,430,433],{},"部署前做了充分的 staging 验证和 production canary，分阶段升级了重灾户、然后全量升级、最后等完全收敛。期间遇到的问题是单容器的 ",[30,431,432],{},"docker service update"," 实际耗时约 60 秒（含 Swarm scheduler 延迟），并发调度起来比预期慢 2 倍。",[10,435,436,437,440],{},"这次的启示是：",[17,438,439],{},"当多个独立缺陷同时叠加时，表象看起来是单一故障（OOM 风暴），但根因分散在配置、参数、逻辑判断的不同层","。修复必须从全景取证开始，先理清每个环节的缺陷，再按优先级有序修复。一次部署才能彻底收敛，局部修复反而会留下隐患。",[375,442,444],{"id":443},"第三堵编排层与自愈能力06-03迁-k8s","第三堵：编排层与自愈能力（06-03，迁 K8s）",[10,446,447],{},"到 06-03，用户已经涨到 574 个。继续打补丁的成本已经高于\"一次性迁移编排平台\"。Swarm 的问题不只是容量——还有调度自愈的缺失。任何故障都依赖人工介入，一个人无法 24 小时在线。决策很简单：从 Docker Swarm 迁到 Kubernetes。",[10,449,450,451,454],{},"这次迁移的复杂性不在于技术实现本身（用 COS 中转数据、转换 sub2api 密钥、把 124G 数据分批导入），而在于",[17,452,453],{},"理解新平台引入的新故障域","。K8s 有更细的控制粒度和自动调度，但同时也暴露了之前 Swarm 隐藏的问题。比如共享存储（NFS\u002FSFS）的客户端卡死，在 Swarm 时期可能因为容器分散在不同节点而被掩盖；但在 K8s 这样的细粒度编排下，如果一个节点的 NFS 客户端出问题，节点上的所有 pod 都会受影响。所以迁移不是终点，而是暴露新问题的起点。",[375,456,458],{"id":457},"第四堵节点级存储与可观测性06-05fa-015","第四堵：节点级存储与可观测性（06-05，FA-015）",[10,460,461],{},"迁移两天后，某个节点上的 NFS 客户端在某个时刻 hang 住了。Kubernetes 不知道发生了什么，kubelet 仍然报告节点 Ready（因为 kubelet 本身没卡），但这个节点上 52 个实例的网关全部 DOWN 或 HUNG。这 52 个实例对应的是本该分散部署的用户容器，因为某种原因堆在了同一个节点上。",[10,463,464],{},"故障的症状可以分成几类。单个实例网关的 DOWN（容器无法启动、schema 非法）、HUNG（反复重启导致 adapter 504）、节点级的卡死（整节点上的容器创建\u002F删除都阻塞）、数据库与实际状态割裂（DB 里是 ERROR、但 pod 健康了）。每种症状对应不同的根因，需要不同的检测和自愈手段。",[10,466,467,468,471,472,20],{},"最严重的是，",[17,469,470],{},"这个故障没有任何告警","。平台的监控指标全部正常，绿灯一片。直到用户反馈\"连不上面板\"，才被发现。这已经是故障发生几小时以后的事。故障本身是可逆的——节点冻死就人工 cordon、删除卡住的 pod、让其它节点重新调度。但",[17,473,474],{},"不可见的故障比故障本身更致命",[10,476,477,478,481,482,485],{},"这次事故直接导出了四层兜底的设计：L0 从配置和资源限制层面降低故障触发（比如 NFS 改 ",[30,479,480],{},"soft"," 参数而不是 ",[30,483,484],{},"hard","，这样网络抖动时容器报错退出而不是整个节点冻）；L1 加检测让故障可见（每 60 秒检测一遍\"节点上是否有 pod 卡 ContainerCreating、网关探测失败率多少\"）；L2 对低风险故障自动自愈（网关单次 DOWN 就重建 pod、DB 对账失败就修复状态）；L3 对高风险动作告警优先（节点冻死先推送告警、等人工确认再 drain）。",[22,487,488],{"id":488},"三件真正决定可行性的事",[375,490,492],{"id":491},"_1-文档即基础设施","1. 文档即基础设施",[10,494,495],{},"这个平台现在有 200+ 份设计文档与 80 份故障档案。这些不是为了\"好看\"存在的。",[10,497,498],{},"一个人无法对整个系统保持完整的心智模型。200+ 文档是唯一能让一个人记住系统全貌的方式。每当遇到新故障，能快速检索以前遇过的类似问题。每当需要做架构决策，能回溯当初为什么这样设计、放弃过哪些选项。",[10,500,501,502,505],{},"同时，",[17,503,504],{},"这些文档也是 AI 能有效介入的前提","。我可以把这些故障档案喂给模型，让它帮助排查新问题、验证修复方案、甚至生成监控规则。但前提是要把故障记录得清楚。空洞的\"修好了\"没有任何价值。",[375,507,509],{"id":508},"_2-故障必须被归档","2. 故障必须被归档",[10,511,512],{},"同一个症状反复出现，每次修复可能只治了表象的一个侧面，真正的收敛需要理解全部的根因。这只有在每一次都写清档案的情况下才可能。",[10,514,515],{},"如果没有归档制度，第二次遇到类似症状时，维护者根本不知道第一次修复做过什么、为什么还没有彻底解决。\"又来了\"和\"这个问题还有遗留\"的反应完全不同。前者是被动应对、逐次救火，后者是主动追踪、系统解决。",[10,517,518],{},"实际上，平台里有不少故障走过了四到五次的修复周期。每一次修复时，回看之前的档案，能快速理清\"这一层已经改过，那一层还没触及\"。这种\"有案可查、有据可循\"的状态，把修复从赌博变成了可重复的流程——每一次问题复发时，不是从零开始排查，而是从已知的检查点继续。",[375,520,522],{"id":521},"_3-自愈优先于告警告警优先于人工","3. 自愈优先于告警，告警优先于人工",[10,524,525],{},"在 FA-015 之前，平台大量依赖人工值守。任何问题都需要运维看到日志、理解现象、手动操作。一个人无法 24 小时在线。",[10,527,528],{},"FA-015 的教训直接导出了四层兜底的设计：",[35,530,531,537,543,549],{},[38,532,533,536],{},[17,534,535],{},"L0 预防","：从配置和资源限制的层面降低故障触发的概率。",[38,538,539,542],{},[17,540,541],{},"L1 检测","：让不可见的故障变成可见——节点卡死、实例网关异常、数据库与实际状态割裂，全部要有独立的检测逻辑。",[38,544,545,548],{},[17,546,547],{},"L2 自愈","：对于低风险的故障（单实例网关重启、DB 状态对账），直接自动修复。高风险的动作（节点 drain）先告警、等人工确认。",[38,550,551,554],{},[17,552,553],{},"L3 告警","：自愈失败时、检测到新的异常时，推送给人。",[10,556,557],{},"这样的设计下，一个人维护平台的上限大幅抬高。不是因为个人能力变强了，而是系统能自动处理大多数故障，只把人类的决策能力用在最关键的地方。",[22,559,560],{"id":560},"诚实的边界在哪",[10,562,563],{},"但这个设计也有明显的天花板：",[10,565,566,569],{},[17,567,568],{},"真正撑不住的","（需要六小时以上连续操作、需要跨时区响应、需要多人交叉验证）：",[35,571,572,575,578,581],{},[38,573,574],{},"数据库或存储层的重大故障。恢复涉及数据一致性检查，无法完全自动化。",[38,576,577],{},"涉及业务逻辑的错误。修复需要理解用户意图，不只是系统恢复。",[38,579,580],{},"密钥泄露或安全事件。需要立刻通知客户、协调应急处置、事后全面审计。",[38,582,583],{},"多个独立故障同时发生、相互放大的情况。需要多个人在不同维度分别操作。",[10,585,586,589],{},[17,587,588],{},"如果重来一次，优先级这样排","：",[168,591,592,595,598,601],{},[38,593,594],{},"最先做的是 L1 检测——让故障可见。这是一切自动化的前提。宁可产生虚报，也不能漏掉真实故障。",[38,596,597],{},"其次是 L0 预防——从配置、资源限制、网络参数这些基础设施层降低故障率。这些改动成本低、收益高。",[38,599,600],{},"然后才是 L2 自愈——只对低风险的故障做自动恢复。对于高风险操作，即使多花一个人工确认的时间，也要确保不会进一步破坏系统。",[38,602,603],{},"最后是文档和监控。这些不是\"最后的事情\"，而是贯穿全过程的——每个改动都要同步更新文档、每个故障都要写进档案。",[10,605,606,607,609],{},"那些回避的成本很高。曾经因为 NFS 挂载的 ",[30,608,484],{}," 参数导致节点冻死，这个参数的改动只需要改一行配置文件、然后滚动重启一次实例。但因为这个调整一直没做，就承受了几小时的无声故障。反过来说，那些看起来\"小\"的改动——改配置参数、改资源限制、加一个监控规则——才是最划算的投资。",{"title":293,"searchDepth":294,"depth":294,"links":611},[612,613,620,625],{"id":329,"depth":294,"text":329},{"id":373,"depth":294,"text":373,"children":614},[615,617,618,619],{"id":377,"depth":616,"text":378},3,{"id":416,"depth":616,"text":417},{"id":443,"depth":616,"text":444},{"id":457,"depth":616,"text":458},{"id":488,"depth":294,"text":488,"children":621},[622,623,624],{"id":491,"depth":616,"text":492},{"id":508,"depth":616,"text":509},{"id":521,"depth":616,"text":522},{"id":560,"depth":294,"text":560},"2026-07-26",{},"\u002F2026-07-26-1987ai",{"title":321,"description":326},"2026-07-26-峰值1987一个人维护AI平台的边界","从 270 到 1987 日活，每一次规模跃升前都先撞了一次墙。这条增长曲线记录的不是预设设计，而是每次故障都被完整归档后逐步演进出来的可行性边界。",[316,633,634,635,636,637],"Kubernetes","容器编排","运维自动化","故障自愈","规模扩展","D-mYcaOLOBT0PhwjmrqVVEwCE7hl8Tqi9I57HrRlt5U",{"id":640,"title":641,"body":642,"column":301,"date":923,"description":924,"extension":303,"hero_image":304,"meta":925,"navigation":306,"path":926,"seo":927,"series_id":304,"severity":304,"stem":928,"summary":929,"tags":930,"__hash__":936},"posts\u002F2026-07-14-分销体系的账本设计.md","一笔充值，要拆成几条流水？",{"type":7,"value":643,"toc":913},[644,651,654,658,661,664,671,682,689,693,696,702,705,708,711,722,725,733,740,744,747,758,761,772,779,783,786,792,795,806,809,813,816,819,822,833,836,844,847,858,861,864,869,876,881,892,895,898,901,907,910],[10,645,646,647,650],{},"单笔用户充值，背后是一次复杂的资金拆分：用户充值 100 元，既是平台的收入，也是分销代理的佣金来源，可能还有上级代理的层级提成。这些数字必须同时记录、互相平衡、永不重复。这不是数据流通的问题，是",[17,648,649],{},"现金流的问题","——差一分钱就是漏账，重复一次就是挪用。",[10,652,653],{},"分销账本设计的核心就四条铁律和一个恒等式。遵循它们，系统能撑到任何规模；跳过其中任何一条，早晚会在对账时翻车。",[22,655,657],{"id":656},"规则一佣金计算基数要先定死","规则一：佣金计算基数要先定死",[10,659,660],{},"从什么数字出发算佣金？这个问题比看起来复杂。",[10,662,663],{},"通常的选项有三个：订单总金额、用户实付金额、或者订单到账净额。乍看没区别，一旦遇上退款就完全不同。",[10,665,666,667,670],{},"采用的方案是",[17,668,669],{},"用户充值净额","（billing 系统中已确认到账的实付分）。理由很直白：",[168,672,673,676,679],{},[38,674,675],{},"退款处理天然免疫。用户充值后退款，billing 的该用户账户余额已经扣掉，充值净额自动反映了这笔冲销。分成计算只需聚合这个净额乘以比例，不用单独写退款冲正逻辑。",[38,677,678],{},"避免应收账款。如果以订单金额算，还没到账时代理已经看得到分成，这在 reporting-only 设计下容易造成认知错位（代理以为钱已经是他的，实际还在支付处理中）。",[38,680,681],{},"同源唯一。billing 是平台的权威账本，分成的基数来自这里，对账时只需验证\"代理分成之和 + 平台收入 = billing 总充值\"，一个公式搞定。",[10,683,684,685,688],{},"反过来说，如果公司后续引入退款主动冲补（而非被动扣减），这个基数设定会变得复杂。但在初期，",[17,686,687],{},"基数 = billing 已确认充值"," 是最简洁的切口。",[22,690,692],{"id":691},"规则二结算时点决定了数据流向","规则二：结算时点决定了数据流向",[10,694,695],{},"到底是在订单成交时计提佣金，还是账期结束时一次性结算？",[10,697,698,699,20],{},"这里的选择是 ",[17,700,701],{},"reporting-only 只读聚合，实时查询，不计提、不累积",[10,703,704],{},"具体含义是：代理看到的\"我的分成\"不是一条条流水记录，而是每次查询时现场计算出来的聚合数字。算法是\"我名下所有用户的充值净额总和 × 我的佣金比例\"。没有单独的\"分成计提\"操作，没有一条条的\"分成到账\"记录。",[10,706,707],{},"好处和代价是对偶的。",[10,709,710],{},"好处：",[35,712,713,716,719],{},[38,714,715],{},"免除计提时点的争议。不用决定在订单成交时、支付完成时、还是 T+1 时计提，因为根本不计提。",[38,717,718],{},"天然避免双扣。既然分成不落库不累积，就不存在\"发放一次、又重复发放一次\"的并发风险。同一笔充值无论被查询多少次，贡献的佣金永远相同。",[38,720,721],{},"简化对账。代理的分成数字永远等于\"最新充值净额 × 比例\"，无需追溯历史。",[10,723,724],{},"代价：",[35,726,727,730],{},[38,728,729],{},"代理无法看到\"分成流水\"。有些运营场景下，需要展示\"哪笔订单产生了多少佣金\"这样的明细，reporting-only 做不了（可以通过关联用户的充值明细变通，但那是用户维度的流水，不是分成维度的）。",[38,731,732],{},"退款时必须同步。如果用户退了 50 块钱，billing 系统立刻反映这笔扣减，代理的分成下一秒查询就会跌下来。这对代理来说是透明的（分成就是动态的），但运营沟通时需要提前说清楚。",[10,734,735,736,739],{},"选择 reporting-only 的核心原因是：",[17,737,738],{},"初期不出金、无提现","。既然分成只是一个数字展示、不涉及真金白银的打款，那就不用建立复杂的流水账体系。等到未来做提现时，可以在 reporting-only 的基础上加一层\"快照 + 冻结\"机制（即每个提现周期开始时拍一个快照，这个快照才是可提的分成额）。",[22,741,743],{"id":742},"规则三层级上限和循环检测","规则三：层级上限和循环检测",[10,745,746],{},"分销是分多少层级？",[10,748,749,750,753,754,757],{},"首期方案是",[17,751,752],{},"单层","。用户通过一个特定的渠道码注册（如 ",[30,755,756],{},"AB-48210377","），永久绑定到某个代理。代理无法有\"上级代理\"，也就无法有\"上级佣金\"这样的递归结构。",[10,759,760],{},"这一约束看起来很强，但在无提现的 reporting-only 下，是合理的。理由是：",[168,762,763,766,769],{},[38,764,765],{},"简化代理运维。总台只需管理一套代理的佣金比例（per-代理），不用维护代理之间的树形关系。",[38,767,768],{},"避免环形链。单层天然杜绝了\"A 的上级是 B，B 的上级是 A\"这类配置错误。多层结构下，环形检测本身又是一个故障点。",[38,770,771],{},"初期够用。大多数分销场景早期就是\"直销商（代理）→ 用户\"的二元关系，不需要分级。",[10,773,774,775,778],{},"但要注意，这个约束是",[17,776,777],{},"数据模型层的","，不是业务规则层的。如果未来需要升级到多层结构，数据模型需要改（Channel 表可能要加 parentResellerId 等），但已经发出去的单层记录无需回溯改造——它们天然是单层的。",[22,780,782],{"id":781},"规则四幂等键设计防重复计提","规则四：幂等键设计（防重复计提）",[10,784,785],{},"同一笔充值可能被多个系统调用、被回调多次。分成必须严格幂等：无论这笔充值被聚合几次，贡献给代理的佣金永远是\"充值额 × 比例\"这一个数字，不能是两倍、三倍。",[10,787,788,789,20],{},"因为采用 reporting-only + 只读聚合的设计，幂等性",[17,790,791],{},"自动满足",[10,793,794],{},"推理如下：",[168,796,797,800,803],{},[38,798,799],{},"billing 侧的充值流水本身是幂等的。同一个订单号的充值，billing 确保只入账一次（通过订单号的唯一性约束）。",[38,801,802],{},"分成聚合是无状态的。每次查询时，服务端都是\"遍历该代理名下的用户 → 调用 billing 的 summaryByUsers 接口 → 汇总充值净额 → 乘以比例\"。这个聚合过程不依赖任何之前的计提记录。",[38,804,805],{},"结论：即使 billing 错误地返回了同一笔充值两次，聚合结果也只会包含一次（因为底层是\"用户ID → 总充值净额\"的映射，不是\"订单 → 充值\"的流水列表）。",[10,807,808],{},"相反，如果设计成\"订单成交时计提一条分成记录\"的模式，就需要在分成记录上加幂等键（如 orderId），确保同一订单的分成只计提一次。这个幂等键检查本身就是一个额外的故障点。",[22,810,812],{"id":811},"一个恒等式对账的唯一标准","一个恒等式：对账的唯一标准",[10,814,815],{},"前面四条规则规范了流程，但最后的验证还是要靠一个简单的数学公式。",[10,817,818],{},"$$\n\\sum_^{n} \\text{Commission}_i + \\text{PlatformNetIncome} = \\text{TotalTopup}\n$$",[10,820,821],{},"其中：",[35,823,824,827,830],{},[38,825,826],{},"$\\text{Commission}_i$ 是第 $i$ 个代理的分成（所有名下用户的充值净额 × 佣金比例）",[38,828,829],{},"$\\text{PlatformNetIncome}$ 是平台的净收入（总充值 - 所有代理的分成总额）",[38,831,832],{},"$\\text{TotalTopup}$ 是 billing 系统的总充值额（所有用户的到账充值之和）",[10,834,835],{},"这个等式是唯一可靠的对账标尺。任何时刻，只要这个等式不成立，就说明某个环节出了问题：",[35,837,838,841],{},[38,839,840],{},"等式左侧大于右侧 → 某个代理的分成算重了，或者平台收入算多了",[38,842,843],{},"等式左侧小于右侧 → 某个代理的分成算少了，或者某笔收入漏了",[10,845,846],{},"而且这个等式不需要建立任何新表。完全可以通过查询三个现成的数据源验证：",[168,848,849,852,855],{},[38,850,851],{},"billing 的 SummaryByUsers（每个用户的充值净额）",[38,853,854],{},"代理表的 commissionRate（每个代理的佣金比例）",[38,856,857],{},"一行 SQL 的聚合（sum 和乘法）",[22,859,860],{"id":860},"技术实现的两个关键点",[10,862,863],{},"光有规则还不够，实现层要支撑这些规则。素材中的设计有两个细节值得指出。",[10,865,866,20],{},[17,867,868],{},"其一，billing 要暴露 summaryByUsers 接口",[10,870,871,872,875],{},"分成聚合依赖\"按用户ID汇总充值净额和消耗\"这个操作。如果 billing 侧没有这个批量接口，代理端就得自己拼接多个单用户查询，性能和一致性都会打折扣。实现计划里新增的 ",[30,873,874],{},"POST \u002Fanalytics\u002Fsummary-by-users"," 就是为了这个。",[10,877,878,20],{},[17,879,880],{},"其二，reseller 侧的所有查询要服务端注入 channelId",[10,882,883,884,887,888,891],{},"代理登录后调用 ",[30,885,886],{},"\u002Fapi\u002Freseller\u002Fsummary"," 或 ",[30,889,890],{},"\u002Fapi\u002Freseller\u002Fusers","，后端不能信任请求体里的 channelId 参数。而是从 token 解析出代理身份 → 查表得出该代理对应的 channelId → 强制注入到查询条件里。这是防代理 A 越权查看代理 B 渠道的唯一有效方式。",[10,893,894],{},"代码里体现为：从 Admin token 反查 Channel 表的 resellerId 字段，确保该 Admin 只能看自己那行 Channel。",[22,896,897],{"id":897},"与既有分账设计的呼应",[10,899,900],{},"这套账本设计不是凭空造出来的。平台此前在另一个系统里实现过五类角色的分账体系（Platform、Agency、Escort、Distributor、Merchant），每个角色各维护一张 Ledger 流水表。那个设计的核心思想是\"分账入表\"——即每一笔影响各角色收入的交易，都要对应地在各自的 Ledger 表里落一条记录。",[10,902,903,904,20],{},"当前这套分销设计采用了相反的思路：不建 Ledger 表，而是在查询时通过聚合来推导分成。这的背景是 reporting-only 属性（不出金、只展示），使得可以接受动态聚合的方案。但底层的思想是一致的——",[17,905,906],{},"通过对账恒等式来保证多角色之间的收支平衡",[22,908,909],{"id":909},"结尾",[10,911,912],{},"账本设计的目标不是漂亮的表格或丰富的报表，而是一个简单的数学等式永远成立。一旦等式破裂，对账人员立刻能定位是哪个环节失守。这比事后扑火要高效得多。",{"title":293,"searchDepth":294,"depth":294,"links":914},[915,916,917,918,919,920,921,922],{"id":656,"depth":294,"text":657},{"id":691,"depth":294,"text":692},{"id":742,"depth":294,"text":743},{"id":781,"depth":294,"text":782},{"id":811,"depth":294,"text":812},{"id":860,"depth":294,"text":860},{"id":897,"depth":294,"text":897},{"id":909,"depth":294,"text":909},"2026-07-14","单笔用户充值，背后是一次复杂的资金拆分：用户充值 100 元，既是平台的收入，也是分销代理的佣金来源，可能还有上级代理的层级提成。这些数字必须同时记录、互相平衡、永不重复。这不是数据流通的问题，是现金流的问题——差一分钱就是漏账，重复一次就是挪用。",{},"\u002F2026-07-14",{"title":641,"description":924},"2026-07-14-分销体系的账本设计","分销系统最容易在财务对账出错。单笔充值需同时产生平台收入、代理佣金等多条记录，必须在同一事务内闭合。四条规则与一个恒等式是账本设计的全部。",[931,932,933,934,935],"分销","账本设计","对账","幂等性","佣金结算","Q3NC9Z8JBJ7e2MLQFH10q68Igpbp2fMF5gT-do6Rxaw",{"id":938,"title":939,"body":940,"column":301,"date":1250,"description":944,"extension":303,"hero_image":304,"meta":1251,"navigation":306,"path":1252,"seo":1253,"series_id":304,"severity":304,"stem":1254,"summary":1255,"tags":1256,"__hash__":1262},"posts\u002F2026-06-29-记忆星系长期记忆可视化工作台.md","模型记错了，用户得能删掉",{"type":7,"value":941,"toc":1240},[942,945,948,952,958,961,964,967,970,977,980,983,1015,1018,1021,1094,1101,1108,1111,1114,1158,1161,1164,1168,1171,1174,1177,1180,1183,1186,1189,1192,1195,1202,1209,1212,1215,1222,1225,1228,1231,1234,1237],[10,943,944],{},"长期记忆存起来容易，用户看不见也管不了。记忆一旦不可见，就会累积错误信息并持续污染后续对话——模型出错时没有纠正入口，错误就永久留存。",[10,946,947],{},"我在 yun-claude 的记忆设计中遇到的问题正是这个。聊天系统能自动从对话抽取持久要点并入库，但页面还是传统的卡片列表，看不出记忆的类型、重要性、使用频次。更严重的是，用户无法编辑或删除那些被错误标记的记忆。所以这次升级的核心不是加一个炫彩的可视化，而是把记忆管理变成一个真正可用的信息工作台。",[22,949,951],{"id":950},"表格优先而不是星河优先","表格优先，而不是星河优先",[10,953,954,955,20],{},"设计的第一个决策是：",[17,956,957],{},"主界面用表格承载记忆列表，不用星河画布作主体交互",[10,959,960],{},"这听起来反直觉。当初考虑过让星河画布成为核心——节点按重要性大小分布、按创建时间环形排列、搜索命中时高亮。视觉上是漂亮的，也更有\"知识宇宙沉淀\"的产品感。但约束改变了这个选择：",[10,962,963],{},"第一，信息密度。表格一屏可以显示 10-20 条记忆的核心属性（标题、类型、重要性、标签、创建时间），并支持排序和筛选。星河画布要展示相同的信息量，就必须让节点变小、缩放调整、甚至分屏展示——交互成本陡升。而用户——AI agent 的主人——需要快速浏览和定位记忆，不是浏览艺术装置。",[10,965,966],{},"第二，编辑成本。星河上的节点编辑通常要额外打开面板或弹窗。如果记忆管理的主要工作是\"检查是否有错记、删除重复、调整分类\"，那星河就不是最优方案。对比之下，表格 + 右侧详情面板的结构让用户可以同时看到列表和正在编辑的项目，没有上下文切换。",[10,968,969],{},"第三，用户规模。当前 yun-claude 没有真实用户，推断单个用户的记忆条数会比较少（几十到几百）。在这个规模下，表格就足够快了，不必依赖图形加速或向量索引的复杂优化。如果将来规模增大再考虑换方案。",[10,971,972,973,976],{},"所以最终设计是：",[17,974,975],{},"表格为主工作台，右侧详情面板负责编辑与整理，星系可视化只作为辅助视图（后续可选）","。这不是缺乏视觉想象力，而是对工作流的务实权衡。代价是产品感稍弱，但可用性强得多。",[22,978,979],{"id":979},"五类语义记忆与设计令牌",[10,981,982],{},"为了让记忆可见可管，将长期记忆分成五类：",[35,984,985,991,997,1003,1009],{},[38,986,987,990],{},[17,988,989],{},"核心记忆","（CORE）：与用户身份、核心项目、重要约束直接相关。模型在每轮对话发送前都应该检索。",[38,992,993,996],{},[17,994,995],{},"常驻记忆","（PERMANENT）：用户的工作背景、技术栈偏好、团队结构等长期背景。",[38,998,999,1002],{},[17,1000,1001],{},"临时记忆","（TEMPORARY）：短期的任务进度、当前问题、临时约束。生命周期短。",[38,1004,1005,1008],{},[17,1006,1007],{},"知识星云","（KNOWLEDGE）：用户分享的文档要点、API 文档摘录、最佳实践。主要用于 RAG 增强。",[38,1010,1011,1014],{},[17,1012,1013],{},"其他","（OTHER）：模型无法明确分类或用户手动标记的记忆。",[10,1016,1017],{},"每一类的关键差异是生命周期和召回策略。核心记忆应该高频被注入 prompt，临时记忆应该自动清理，知识类应该被 RAG 系统共同使用。",[10,1019,1020],{},"为了在视觉上强化这个分类，为每类配置了一个独立的语义色：",[1022,1023,1024,1040],"table",{},[1025,1026,1027],"thead",{},[1028,1029,1030,1034,1037],"tr",{},[1031,1032,1033],"th",{},"类型",[1031,1035,1036],{},"颜色",[1031,1038,1039],{},"用途",[1041,1042,1043,1055,1065,1075,1085],"tbody",{},[1028,1044,1045,1049,1052],{},[1046,1047,1048],"td",{},"核心",[1046,1050,1051],{},"Amber-500",[1046,1053,1054],{},"节点、筛选按钮、卡片左边线",[1028,1056,1057,1060,1063],{},[1046,1058,1059],{},"常驻",[1046,1061,1062],{},"Sky-500",[1046,1064,1054],{},[1028,1066,1067,1070,1073],{},[1046,1068,1069],{},"临时",[1046,1071,1072],{},"Teal-500",[1046,1074,1054],{},[1028,1076,1077,1080,1083],{},[1046,1078,1079],{},"知识",[1046,1081,1082],{},"Violet-500",[1046,1084,1054],{},[1028,1086,1087,1089,1092],{},[1046,1088,1013],{},[1046,1090,1091],{},"Slate-500",[1046,1093,1054],{},[10,1095,1096,1097,1100],{},"关键的设计决策是：",[17,1098,1099],{},"颜色不只是装饰，而是结构的一部分","。在表格、筛选条、详情面板的边线上，用户都能看到同一个颜色，强化类型认知。这样的一致性是可信的信息工作台的标志——用户一眼知道哪条记忆是核心、哪条是临时。",[10,1102,1103,1104,1107],{},"颜色值不是散落在各个组件里的魔法数字，而是集中在一个 ",[30,1105,1106],{},"memoryStyles.ts"," 文件中管理。任何需要记忆类型颜色的地方都从这里引用。这样改一个颜色时不必跨多个文件搜索替换，也不会出现同类型在不同地方显示不同色的尴尬局面。",[22,1109,1110],{"id":1110},"记忆模型与后端约束",[10,1112,1113],{},"后端为每条记忆增加了结构化字段：",[35,1115,1116,1122,1128,1134,1140,1146,1152],{},[38,1117,1118,1121],{},[30,1119,1120],{},"title","：节点或列表行的标题，从正文前 18 个字符生成",[38,1123,1124,1127],{},[30,1125,1126],{},"type","：五类之一",[38,1129,1130,1133],{},[30,1131,1132],{},"importance","：1-100 的重要性分值，决定节点大小和列表排序",[38,1135,1136,1139],{},[30,1137,1138],{},"tags","：字符串数组，最多 8 个标签",[38,1141,1142,1145],{},[30,1143,1144],{},"lastUsedAt","：最近被召回的时间",[38,1147,1148,1151],{},[30,1149,1150],{},"usedCount","：被召回次数",[38,1153,1154,1157],{},[30,1155,1156],{},"metadata","：扩展字段，保存来源会话、模型、抽取动作等",[10,1159,1160],{},"当模型抽取记忆时，输出包含这些结构化字段。服务端必须做兜底和校验：type 非法时改为 OTHER、importance 超范围时裁剪、tags 去重去空白最多保留 8 个。如果抽取失败，仍然保存正文并用默认字段（importance=50, type=OTHER）。",[10,1162,1163],{},"这些默认值的设计是为了降级优雅。即便结构化抽取失败，记忆也不会丢失，只是分类不精准——这是可以接受的，因为用户随后可以手动调整。",[22,1165,1167],{"id":1166},"搜索筛选与编辑","搜索、筛选与编辑",[10,1169,1170],{},"用户在表格上方有一个搜索框和类型筛选条。搜索时调用后端的语义搜索接口，命中的记忆在表格中高亮，并自动选中最高相关性的一条，打开右侧详情面板。语义搜索基于向量数据库的余弦相似度匹配——记忆文本被嵌入为 4096 维向量，查询时也转换为向量并与库内存储按相似度排序召回，只返回分值达到阈值（≥0.3）的结果。这样的匹配比关键词搜索精准度高，也支持语义近似的记忆关联（比如\"TypeScript 后端\"和\"TS 服务端\"会被认为相关）。搜索失败时保留当前星河状态并 toast 提示，不中断工作流。",[10,1172,1173],{},"筛选可以按五类过滤，清除筛选则回到全量视图。如果当前选中的记忆被筛选隐藏了，系统会自动选中可见记忆中最高重要性的那一条；如果没有可见记忆，则关闭详情面板显示空状态。",[10,1175,1176],{},"详情面板里，用户可以编辑标题、正文、类型、标签和重要性。编辑表单使用产品内设计，不弹浏览器原生弹窗。保存后立即更新列表和节点（如果有星河视图的话）。这样用户修改一条记忆时，不必刷新页面或等待后台同步，改动立刻可见。",[10,1178,1179],{},"删除是另一个关键能力。必须让用户能删除被错误标记的记忆，否则错误就成了永久污染源。删除按钮放在详情面板的危险操作区，点击后需确认。删除成功后，该条记忆从表格和星河中消失，列表自动选中下一条（如果有的话）。",[22,1181,1182],{"id":1182},"星河与移动端降级",[10,1184,1185],{},"虽然主界面是表格，但在设计中保留了星河作为可视化补充。桌面端在表格下方或侧边可以显示一个小星图，让用户看到记忆的空间分布——核心记忆聚在中心，临时记忆分散在外围。星河上的节点与表格关联：点击表格行时，星河也高亮对应节点；点击星河节点时，表格定位到对应行。",[10,1187,1188],{},"但星河不是强制项。第一版的实现可能不包含完整星河，而是先确保表格工作台完整可用。星河可以作为后续的增强——用户如果觉得需要可视化辅助，才加上去。",[10,1190,1191],{},"移动端设计上，星河更是不现实（屏幕太小）。所以移动端完全降级为列表视图，点击列表项后通过底部抽屉显示详情和编辑表单。搜索和类型 tabs 放在顶部，保持核心交互可用。这样既避免了表格在手机上的横向溢出，也保证了可用性。",[22,1193,1194],{"id":1194},"节点布局与稳定性",[10,1196,1197,1198,1201],{},"如果星河要实现，一个重要的设计细节是：",[17,1199,1200],{},"节点位置必须稳定","。即便刷新页面或重新打开应用，同一批记忆应该保持相同的位置，这样用户才能形成空间记忆——\"核心记忆总在中心，临时的在右上角\"。",[10,1203,1204,1205,1208],{},"这意味着节点位置不能是随机的实时布局，也不能用物理模拟（那会每次都算不同的位置）。用 ",[30,1206,1207],{},"createdAt"," 字段参与布局计算，保证确定性：同一条记忆的创建时间固定了，它在环形排列中的角度也就固定了。结合 importance 决定距离中心的远近，位置就完全由数据驱动，刷新后毫厘不差。",[22,1210,1211],{"id":1211},"一致性与可维护性",[10,1213,1214],{},"这个设计的关键约束是一致性。如果记忆在表格中是 Amber-500（核心），那在星河、筛选、详情面板的边线上也必须是 Amber-500。任何拆散这个一致性的修改都会破坏用户的心智模型。",[10,1216,1217,1218,1221],{},"所以在设计系统里明确了这一点：",[17,1219,1220],{},"新增或调整记忆类型视觉时，先更新设计文档里的语义色板和 memoryStyles.ts，再在各组件中引用，不允许组件各自复制色值","。这样的约束看似严苛，但它保证了长期的可维护性——下次要改颜色时，只需改一个文件。",[22,1223,1224],{"id":1224},"代价与权衡",[10,1226,1227],{},"这个设计的代价是什么？",[10,1229,1230],{},"第一，视觉冲击力比不上星河优先。表格是务实的设计，不够\"黑科技\"感。如果产品定位是\"AI 记忆系统\"要卖视觉冲击，这个方案会显得保守。",[10,1232,1233],{},"第二，星河的潜力没有完全释放。放弃了复杂的关系推理、自由漫游、力导向布局这些\"高级\"可视化特性，原因就是表格工作台不需要它们，而加上去反而添加复杂度。",[10,1235,1236],{},"第三，设计系统的维护成本提高了。一致性的要求意味着每次改动都要考虑全局影响。但这其实是长期收益——减少了 bug 和不一致的可能。",[10,1238,1239],{},"这些代价对 yun-claude 是可以接受的，因为当前用户还不多，重点是让产品可用，而不是炫技。如果将来用户规模上升，数百条甚至千条记忆的管理场景出现，表格 + 星河的混合界面可能不够，那时再考虑更激进的可视化方案。现在，信息工作台的优先级明确高于视觉体验。",{"title":293,"searchDepth":294,"depth":294,"links":1241},[1242,1243,1244,1245,1246,1247,1248,1249],{"id":950,"depth":294,"text":951},{"id":979,"depth":294,"text":979},{"id":1110,"depth":294,"text":1110},{"id":1166,"depth":294,"text":1167},{"id":1182,"depth":294,"text":1182},{"id":1194,"depth":294,"text":1194},{"id":1211,"depth":294,"text":1211},{"id":1224,"depth":294,"text":1224},"2026-06-29",{},"\u002F2026-06-29",{"title":939,"description":944},"2026-06-29-记忆星系长期记忆可视化工作台","表格优先的记忆管理：用高信息密度工作台承载持久要点，可视化只作辅助，设计令牌贯穿全局。",[1257,1258,1259,1260,1261],"长期记忆","信息工作台","设计决策","语义搜索","设计令牌","gsJKxlNQ-FiADsw2ca6e5WJo-_uyYDFZ55iuiMr4jQE",1785406912237]