[{"data":1,"prerenderedAt":1180},["ShallowReactive",2],{"\u002F2026-06-29":3,"\u002F2026-06-29-rel":343},{"id":4,"title":5,"body":6,"column":326,"date":327,"description":12,"extension":328,"hero_image":329,"meta":330,"navigation":331,"path":332,"seo":333,"series_id":329,"severity":329,"stem":334,"summary":335,"tags":336,"__hash__":342},"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":8,"toc":314},"minimark",[9,13,16,21,29,32,35,38,41,48,51,54,88,91,94,167,174,182,185,188,232,235,238,242,245,248,251,254,257,260,263,266,269,276,283,286,289,296,299,302,305,308,311],[10,11,12],"p",{},"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。",[10,14,15],{},"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。",[17,18,20],"h2",{"id":19},"表格优先而不是星河优先","表格优先，而不是星河优先",[10,22,23,24,28],{},"设计的第一个决策是：",[25,26,27],"strong",{},"主界面用表格承载记忆列表，不用星河画布作主体交互","。",[10,30,31],{},"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：",[10,33,34],{},"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。",[10,36,37],{},"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。",[10,39,40],{},"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。",[10,42,43,44,47],{},"所以最终设计是：",[25,45,46],{},"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。",[17,49,50],{"id":50},"五类语义记忆与设计令牌",[10,52,53],{},"为了让记忆可见可管，将长期记忆分成五类：",[55,56,57,64,70,76,82],"ul",{},[58,59,60,63],"li",{},[25,61,62],{},"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。",[58,65,66,69],{},[25,67,68],{},"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。",[58,71,72,75],{},[25,73,74],{},"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。",[58,77,78,81],{},[25,79,80],{},"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。",[58,83,84,87],{},[25,85,86],{},"其他","（OTHER）：模型无法明确分类或用户手动标记的记忆。",[10,89,90],{},"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。",[10,92,93],{},"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：",[95,96,97,113],"table",{},[98,99,100],"thead",{},[101,102,103,107,110],"tr",{},[104,105,106],"th",{},"类型",[104,108,109],{},"颜色",[104,111,112],{},"用途",[114,115,116,128,138,148,158],"tbody",{},[101,117,118,122,125],{},[119,120,121],"td",{},"核心",[119,123,124],{},"Amber-500",[119,126,127],{},"节点、筛选按钮、卡片左边线",[101,129,130,133,136],{},[119,131,132],{},"常驻",[119,134,135],{},"Sky-500",[119,137,127],{},[101,139,140,143,146],{},[119,141,142],{},"临时",[119,144,145],{},"Teal-500",[119,147,127],{},[101,149,150,153,156],{},[119,151,152],{},"知识",[119,154,155],{},"Violet-500",[119,157,127],{},[101,159,160,162,165],{},[119,161,86],{},[119,163,164],{},"Slate-500",[119,166,127],{},[10,168,169,170,173],{},"关键的设计决策是：",[25,171,172],{},"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。",[10,175,176,177,181],{},"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 ",[178,179,180],"code",{},"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。",[17,183,184],{"id":184},"记忆模型与后端约束",[10,186,187],{},"后端为每条记忆增加了结构化字段：",[55,189,190,196,202,208,214,220,226],{},[58,191,192,195],{},[178,193,194],{},"title","：节点或列表行的标题，从正文前 18 个字符生成",[58,197,198,201],{},[178,199,200],{},"type","：五类之一",[58,203,204,207],{},[178,205,206],{},"importance","：1-100 的重要性分值，决定节点大小和列表排序",[58,209,210,213],{},[178,211,212],{},"tags","：字符串数组，最多 8 个标签",[58,215,216,219],{},[178,217,218],{},"lastUsedAt","：最近被召回的时间",[58,221,222,225],{},[178,223,224],{},"usedCount","：被召回次数",[58,227,228,231],{},[178,229,230],{},"metadata","：扩展字段，保存来源会话、模型、抽取动作等",[10,233,234],{},"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）。",[10,236,237],{},"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。",[17,239,241],{"id":240},"搜索筛选与编辑","搜索、筛选与编辑",[10,243,244],{},"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。",[10,246,247],{},"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。",[10,249,250],{},"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。",[10,252,253],{},"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）。",[17,255,256],{"id":256},"星河与移动端降级",[10,258,259],{},"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。",[10,261,262],{},"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。",[10,264,265],{},"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。",[17,267,268],{"id":268},"节点布局与稳定性",[10,270,271,272,275],{},"如果星河要实现，一个重要的设计细节是：",[25,273,274],{},"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\"。",[10,277,278,279,282],{},"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 ",[178,280,281],{},"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。",[17,284,285],{"id":285},"一致性与可维护性",[10,287,288],{},"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。",[10,290,291,292,295],{},"所以在设计系统里明确了这一点：",[25,293,294],{},"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。",[17,297,298],{"id":298},"代价与权衡",[10,300,301],{},"这个设计的代价是什么？",[10,303,304],{},"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。",[10,306,307],{},"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。",[10,309,310],{},"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。",[10,312,313],{},"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":315,"searchDepth":316,"depth":316,"links":317},"",2,[318,319,320,321,322,323,324,325],{"id":19,"depth":316,"text":20},{"id":50,"depth":316,"text":50},{"id":184,"depth":316,"text":184},{"id":240,"depth":316,"text":241},{"id":256,"depth":316,"text":256},{"id":268,"depth":316,"text":268},{"id":285,"depth":316,"text":285},{"id":298,"depth":316,"text":298},"Agent 平台","2026-06-29","md",null,{},true,"\u002F2026-06-29",{"title":5,"description":12},"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。",[337,338,339,340,341],"长期记忆","信息工作台","设计决策","语义搜索","设计令牌","gsJKxlNQ-FiADsw2ca6e5WJo-_uyYDFZ55iuiMr4jQE",[344,666,964],{"id":345,"title":346,"body":347,"column":326,"date":652,"description":351,"extension":328,"hero_image":329,"meta":653,"navigation":331,"path":654,"seo":655,"series_id":329,"severity":329,"stem":656,"summary":657,"tags":658,"__hash__":665},"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":348,"toc":636},[349,352,355,358,361,393,396,399,404,407,414,429,432,439,443,446,449,452,459,466,470,473,480,484,487,490,500,511,514,518,521,524,531,535,538,541,544,548,551,554,580,583,586,589,595,609,615,630],[10,350,351],{},"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。",[17,353,354],{"id":354},"成长曲线与撞墙的四个节点",[10,356,357],{},"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。",[10,359,360],{},"实际的规模序列是这样的：",[55,362,363,369,375,381,387],{},[58,364,365,368],{},[25,366,367],{},"270 个 service","（05-22）：刚完成 ffmpeg 升级后的测量",[58,370,371,374],{},[25,372,373],{},"372 RUNNING","（05-24）：滚动升级前的容器计数",[58,376,377,380],{},[25,378,379],{},"379","（05-25）：五个 P0 patch 部署后稳定",[58,382,383,386],{},[25,384,385],{},"574 用户","（06-03）：迁移到 K8s 时的基线，539 个 RUNNING",[58,388,389,392],{},[25,390,391],{},"1987","（07 下旬）：最近测得的峰值",[10,394,395],{},"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。",[17,397,398],{"id":398},"四堵撞过的墙",[400,401,403],"h3",{"id":402},"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）",[10,405,406],{},"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。",[10,408,409,410,413],{},"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 ",[178,411,412],{},"docker info"," 的输出，才发现 gwbridge 已经 100% 满用。",[10,415,416,417,420,421,428],{},"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 ",[178,418,419],{},"default-address-pools","，但这个配置",[25,422,423,424,427],{},"只在 ",[178,425,426],{},"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。",[10,430,431],{},"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。",[10,433,434,435,438],{},"这次的启示是",[25,436,437],{},"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。",[400,440,442],{"id":441},"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）",[10,444,445],{},"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。",[10,447,448],{},"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。",[10,450,451],{},"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。",[10,453,454,455,458],{},"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 ",[178,456,457],{},"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。",[10,460,461,462,465],{},"这次的启示是：",[25,463,464],{},"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。",[400,467,469],{"id":468},"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）",[10,471,472],{},"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。",[10,474,475,476,479],{},"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",[25,477,478],{},"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。",[400,481,483],{"id":482},"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）",[10,485,486],{},"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。",[10,488,489],{},"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。",[10,491,492,493,496,497,28],{},"最严重的是，",[25,494,495],{},"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",[25,498,499],{},"不可见的故障比故障本身更致命",[10,501,502,503,506,507,510],{},"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 ",[178,504,505],{},"soft"," 参数而不是 ",[178,508,509],{},"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）。",[17,512,513],{"id":513},"三件真正决定可行性的事",[400,515,517],{"id":516},"_1-文档即基础设施","1. 文档即基础设施",[10,519,520],{},"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。",[10,522,523],{},"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。",[10,525,526,527,530],{},"同时，",[25,528,529],{},"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。",[400,532,534],{"id":533},"_2-故障必须被归档","2. 故障必须被归档",[10,536,537],{},"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。",[10,539,540],{},"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。",[10,542,543],{},"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。",[400,545,547],{"id":546},"_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",[10,549,550],{},"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。",[10,552,553],{},"FA-015 的教训直接导出了四层兜底的设计：",[55,555,556,562,568,574],{},[58,557,558,561],{},[25,559,560],{},"L0 预防","：从配置和资源限制的层面降低故障触发的概率。",[58,563,564,567],{},[25,565,566],{},"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。",[58,569,570,573],{},[25,571,572],{},"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。",[58,575,576,579],{},[25,577,578],{},"L3 告警","：自愈失败时、检测到新的异常时，推送给人。",[10,581,582],{},"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。",[17,584,585],{"id":585},"诚实的边界在哪",[10,587,588],{},"但这个设计也有明显的天花板：",[10,590,591,594],{},[25,592,593],{},"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）：",[55,596,597,600,603,606],{},[58,598,599],{},"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。",[58,601,602],{},"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。",[58,604,605],{},"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。",[58,607,608],{},"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。",[10,610,611,614],{},[25,612,613],{},"如果重来一次，优先级这样排","：",[616,617,618,621,624,627],"ol",{},[58,619,620],{},"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。",[58,622,623],{},"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。",[58,625,626],{},"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。",[58,628,629],{},"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。",[10,631,632,633,635],{},"那些回避的成本很高。曾经因为 NFS 挂载的 ",[178,634,509],{}," 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":315,"searchDepth":316,"depth":316,"links":637},[638,639,646,651],{"id":354,"depth":316,"text":354},{"id":398,"depth":316,"text":398,"children":640},[641,643,644,645],{"id":402,"depth":642,"text":403},3,{"id":441,"depth":642,"text":442},{"id":468,"depth":642,"text":469},{"id":482,"depth":642,"text":483},{"id":513,"depth":316,"text":513,"children":647},[648,649,650],{"id":516,"depth":642,"text":517},{"id":533,"depth":642,"text":534},{"id":546,"depth":642,"text":547},{"id":585,"depth":316,"text":585},"2026-07-26",{},"\u002F2026-07-26-1987ai",{"title":346,"description":351},"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。",[659,660,661,662,663,664],"Docker Swarm","Kubernetes","容器编排","运维自动化","故障自愈","规模扩展","D-mYcaOLOBT0PhwjmrqVVEwCE7hl8Tqi9I57HrRlt5U",{"id":667,"title":668,"body":669,"column":326,"date":950,"description":951,"extension":328,"hero_image":329,"meta":952,"navigation":331,"path":953,"seo":954,"series_id":329,"severity":329,"stem":955,"summary":956,"tags":957,"__hash__":963},"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":670,"toc":940},[671,678,681,685,688,691,698,709,716,720,723,729,732,735,738,749,752,760,767,771,774,785,788,799,806,810,813,819,822,833,836,840,843,846,849,860,863,871,874,885,888,891,896,903,908,919,922,925,928,934,937],[10,672,673,674,677],{},"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",[25,675,676],{},"现金流的问题","——差一分钱就是漏账，重复一次就是挪用。",[10,679,680],{},"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。",[17,682,684],{"id":683},"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",[10,686,687],{},"从什么数字出发算佣金？这个问题比看起来复杂。",[10,689,690],{},"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。",[10,692,693,694,697],{},"采用的方案是",[25,695,696],{},"用户充值净额","（billing 系统中已确认到账的实付分）。理由很直白：",[616,699,700,703,706],{},[58,701,702],{},"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。",[58,704,705],{},"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）。",[58,707,708],{},"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。",[10,710,711,712,715],{},"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，",[25,713,714],{},"基数 = billing 已确认充值"," 是最简洁的切口。",[17,717,719],{"id":718},"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",[10,721,722],{},"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？",[10,724,725,726,28],{},"这里的选择是 ",[25,727,728],{},"reporting-only 只读聚合，实时查询，不计提、不累积",[10,730,731],{},"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。",[10,733,734],{},"好处和代价是对偶的。",[10,736,737],{},"好处：",[55,739,740,743,746],{},[58,741,742],{},"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。",[58,744,745],{},"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。",[58,747,748],{},"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。",[10,750,751],{},"代价：",[55,753,754,757],{},[58,755,756],{},"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）。",[58,758,759],{},"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。",[10,761,762,763,766],{},"选择 reporting-only 的核心原因是：",[25,764,765],{},"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）。",[17,768,770],{"id":769},"规则三层级上限和循环检测","规则三：层级上限和循环检测",[10,772,773],{},"分销是分多少层级？",[10,775,776,777,780,781,784],{},"首期方案是",[25,778,779],{},"单层","。用户通过一个特定的渠道码注册（如 ",[178,782,783],{},"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。",[10,786,787],{},"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：",[616,789,790,793,796],{},[58,791,792],{},"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。",[58,794,795],{},"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。",[58,797,798],{},"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。",[10,800,801,802,805],{},"但要注意，这个约束是",[25,803,804],{},"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。",[17,807,809],{"id":808},"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）",[10,811,812],{},"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。",[10,814,815,816,28],{},"因为采用 reporting-only + 只读聚合的设计，幂等性",[25,817,818],{},"自动满足",[10,820,821],{},"推理如下：",[616,823,824,827,830],{},[58,825,826],{},"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）。",[58,828,829],{},"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。",[58,831,832],{},"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）。",[10,834,835],{},"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。",[17,837,839],{"id":838},"一个恒等式对账的唯一标准","一个恒等式：对账的唯一标准",[10,841,842],{},"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。",[10,844,845],{},"$$\n\\sum_^{n} \\text{Commission}_i + \\text{PlatformNetIncome} = \\text{TotalTopup}\n$$",[10,847,848],{},"其中：",[55,850,851,854,857],{},[58,852,853],{},"$\\text{Commission}_i$ 是第 $i$ 个代理的分成（所有名下用户的充值净额 × 佣金比例）",[58,855,856],{},"$\\text{PlatformNetIncome}$ 是平台的净收入（总充值 - 所有代理的分成总额）",[58,858,859],{},"$\\text{TotalTopup}$ 是 billing 系统的总充值额（所有用户的到账充值之和）",[10,861,862],{},"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：",[55,864,865,868],{},[58,866,867],{},"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",[58,869,870],{},"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",[10,872,873],{},"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：",[616,875,876,879,882],{},[58,877,878],{},"billing 的 SummaryByUsers（每个用户的充值净额）",[58,880,881],{},"代理表的 commissionRate（每个代理的佣金比例）",[58,883,884],{},"一行 SQL 的聚合（sum 和乘法）",[17,886,887],{"id":887},"技术实现的两个关键点",[10,889,890],{},"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。",[10,892,893,28],{},[25,894,895],{},"其一，billing 要暴露 summaryByUsers 接口",[10,897,898,899,902],{},"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 ",[178,900,901],{},"POST \u002Fanalytics\u002Fsummary-by-users"," 就是为了这个。",[10,904,905,28],{},[25,906,907],{},"其二，reseller 侧的所有查询要服务端注入 channelId",[10,909,910,911,914,915,918],{},"代理登录后调用 ",[178,912,913],{},"\u002Fapi\u002Freseller\u002Fsummary"," 或 ",[178,916,917],{},"\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。",[10,920,921],{},"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。",[17,923,924],{"id":924},"与既有分账设计的呼应",[10,926,927],{},"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。",[10,929,930,931,28],{},"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——",[25,932,933],{},"通过对账恒等式来保证多角色之间的收支平衡",[17,935,936],{"id":936},"结尾",[10,938,939],{},"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":315,"searchDepth":316,"depth":316,"links":941},[942,943,944,945,946,947,948,949],{"id":683,"depth":316,"text":684},{"id":718,"depth":316,"text":719},{"id":769,"depth":316,"text":770},{"id":808,"depth":316,"text":809},{"id":838,"depth":316,"text":839},{"id":887,"depth":316,"text":887},{"id":924,"depth":316,"text":924},{"id":936,"depth":316,"text":936},"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":668,"description":951},"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。",[958,959,960,961,962],"分销","账本设计","对账","幂等性","佣金结算","Q3NC9Z8JBJ7e2MLQFH10q68Igpbp2fMF5gT-do6Rxaw",{"id":4,"title":5,"body":965,"column":326,"date":327,"description":12,"extension":328,"hero_image":329,"meta":1177,"navigation":331,"path":332,"seo":1178,"series_id":329,"severity":329,"stem":334,"summary":335,"tags":1179,"__hash__":342},{"type":7,"value":966,"toc":1167},[967,969,971,973,977,979,981,983,985,989,991,993,1015,1017,1019,1073,1077,1081,1083,1085,1115,1117,1119,1121,1123,1125,1127,1129,1131,1133,1135,1137,1139,1143,1147,1149,1151,1155,1157,1159,1161,1163,1165],[10,968,12],{},[10,970,15],{},[17,972,20],{"id":19},[10,974,23,975,28],{},[25,976,27],{},[10,978,31],{},[10,980,34],{},[10,982,37],{},[10,984,40],{},[10,986,43,987,47],{},[25,988,46],{},[17,990,50],{"id":50},[10,992,53],{},[55,994,995,999,1003,1007,1011],{},[58,996,997,63],{},[25,998,62],{},[58,1000,1001,69],{},[25,1002,68],{},[58,1004,1005,75],{},[25,1006,74],{},[58,1008,1009,81],{},[25,1010,80],{},[58,1012,1013,87],{},[25,1014,86],{},[10,1016,90],{},[10,1018,93],{},[95,1020,1021,1031],{},[98,1022,1023],{},[101,1024,1025,1027,1029],{},[104,1026,106],{},[104,1028,109],{},[104,1030,112],{},[114,1032,1033,1041,1049,1057,1065],{},[101,1034,1035,1037,1039],{},[119,1036,121],{},[119,1038,124],{},[119,1040,127],{},[101,1042,1043,1045,1047],{},[119,1044,132],{},[119,1046,135],{},[119,1048,127],{},[101,1050,1051,1053,1055],{},[119,1052,142],{},[119,1054,145],{},[119,1056,127],{},[101,1058,1059,1061,1063],{},[119,1060,152],{},[119,1062,155],{},[119,1064,127],{},[101,1066,1067,1069,1071],{},[119,1068,86],{},[119,1070,164],{},[119,1072,127],{},[10,1074,169,1075,173],{},[25,1076,172],{},[10,1078,176,1079,181],{},[178,1080,180],{},[17,1082,184],{"id":184},[10,1084,187],{},[55,1086,1087,1091,1095,1099,1103,1107,1111],{},[58,1088,1089,195],{},[178,1090,194],{},[58,1092,1093,201],{},[178,1094,200],{},[58,1096,1097,207],{},[178,1098,206],{},[58,1100,1101,213],{},[178,1102,212],{},[58,1104,1105,219],{},[178,1106,218],{},[58,1108,1109,225],{},[178,1110,224],{},[58,1112,1113,231],{},[178,1114,230],{},[10,1116,234],{},[10,1118,237],{},[17,1120,241],{"id":240},[10,1122,244],{},[10,1124,247],{},[10,1126,250],{},[10,1128,253],{},[17,1130,256],{"id":256},[10,1132,259],{},[10,1134,262],{},[10,1136,265],{},[17,1138,268],{"id":268},[10,1140,271,1141,275],{},[25,1142,274],{},[10,1144,278,1145,282],{},[178,1146,281],{},[17,1148,285],{"id":285},[10,1150,288],{},[10,1152,291,1153,295],{},[25,1154,294],{},[17,1156,298],{"id":298},[10,1158,301],{},[10,1160,304],{},[10,1162,307],{},[10,1164,310],{},[10,1166,313],{},{"title":315,"searchDepth":316,"depth":316,"links":1168},[1169,1170,1171,1172,1173,1174,1175,1176],{"id":19,"depth":316,"text":20},{"id":50,"depth":316,"text":50},{"id":184,"depth":316,"text":184},{"id":240,"depth":316,"text":241},{"id":256,"depth":316,"text":256},{"id":268,"depth":316,"text":268},{"id":285,"depth":316,"text":285},{"id":298,"depth":316,"text":298},{},{"title":5,"description":12},[337,338,339,340,341],1785406912215]