CautionX

问题：一条请求穿过了 6 个系统，日志散落在 6 个地方在 MySQL / Doris / ES 三角选型 描述的架构中，一条用户请求的链路是这样的： 12345用户请求 → Spring AI 应用 → MySQL（写入订单） → Canal（监听 binlog） → Kafka（消息队列） → Doris Routine Load（消费写入） → ES（双写更新索引） 加上 AI 调用： 123→ Spring AI ChatClient → LLM API（OpenAI/Anthropic） → RAG 检索（ES kNN 查询） → Tool 调用（查 MySQL） 一条请求可能穿过 8 个系统。 当用户反馈”我的订单查不到”时，你怎么定位是哪一环出了问题？ 日志在每个系统里： Sprin ...

存算分离不是”升级”，是架构选择Apache Doris 从 3.0 开始支持存算分离（Cloud 模式），到 4.0/4.1 已经有 2000+ 家公司在生产环境使用。但”2000 家在用”不等于”你该上”。 先搞清楚一个核心问题：存算分离不是存算一体的”升级版”，而是一种不同的架构选择，有不同的适用场景。 存算一体（Shared-Nothing）123BE 节点 1: [计算 + 本地存储] ← 数据分片 1BE 节点 2: [计算 + 本地存储] ← 数据分片 2BE 节点 3: [计算 + 本地存储] ← 数据分片 3 每个 BE 节点既负责计算也负责存储，数据存在本地磁盘。查到哪个节点，就在哪个节点本地计算。 优势： 计算和存储在同一台机器上，数据读取零网络开销，查询延迟最低。 劣势： 计算和存储耦合，扩容时必须同时加计算和存储资源。存储不够了但计算够用？也必须加整台机器。 存算分离（Cloud 模式）1234计算集群 A: [计算] ←→ 计算集群 B: [计算] ←→ 对象存储 (S3/OSS/MinIO) ↕ ...

为什么 MCP 突然重要了如果你一直在跟 Spring AI，可能已经注意到了一个变化：从 Spring AI 2.0 GA 开始，MCP（Model Context Protocol）不再是社区孵化项目，而是被合并进了 Spring AI 核心。 这意味着什么？ 你的 Spring Boot 应用现在可以同时扮演两个角色： MCP Client：连接外部 MCP Server（文件系统工具、数据库访问、第三方 API） MCP Server：把自己的业务逻辑暴露为 MCP 工具，供任何 MCP 兼容的 AI 客户端调用 以前你写一个 @Tool 方法，只有你自己的 ChatClient 能调用。现在写一个 @McpTool 方法，任何支持 MCP 的 AI 客户端都能调用——Claude Desktop、Cursor、Windsurf，或者另一个 Spring AI 应用的 MCP Client。 这不只是 API 变了，是架构选择变了。 @McpTool 和 @Tool 有什么区别先搞清楚边界。 维度 @Tool（Spring AI 1.x / 2.0） @Mc ...

问题在 MySQL / Doris / ES 三角选型 一文中，我给出了”MySQL 做事务、ES 做搜索、Doris 做分析”的分工框架。在 ES 与 MySQL 双写一致性 和 Outbox 模式 中，我写了怎么用 MQ 和 Outbox 尽量保证数据同步的一致性。 但有一个问题一直没正面回答： 同步链路再完善，最终也会不一致。怎么办？ CDC 可能丢消息、MQ 可能重复投递、消费者可能超时、ES 的 refresh interval 可能导致刚写入的数据查不到、Doris 的 Routine Load 可能因为数据格式错误跳过一批。这些不是”如果”，是”什么时候”。 当不一致发生时，你的系统需要一个兜底机制——对账。 先定义”不一致”是什么意思三个系统的数据不一致，有几种典型表现： 不一致类型 表现 典型原因 MySQL 有、ES/Doris 没有 新数据在 MySQL 但搜索/分析查不到 CDC 延迟、MQ 丢消息、消费者宕机 MySQL 没有、ES/Doris 有 已删除的数据在搜索/分析里还在 删除 ...

问题在 从 Canal 到 Doris 的数据同步链路 一文中，我写了用 Canal 做 MySQL → Kafka → Doris 的同步。但有一个问题一直没展开： Canal 一定是对的选择吗？ 如果你在做 MySQL → Doris 的实时同步，可选的 CDC 工具至少有四个：Canal、Debezium、Maxwell、阿里云 DTS。它们都能读 MySQL binlog，都能把变更发到 Kafka。但选错了，运维成本和踩坑深度完全不同。 四个工具各自是什么Canal（阿里）阿里开源的 MySQL binlog 增量订阅组件。国内 Java 生态使用最广泛。 架构：伪装成 MySQL Slave，接收 binlog 事件 数据格式：自定义 protobuf + JSON 部署模型：Server-Client 模式，Canal Server 作为独立进程 管理界面：Canal Admin（Web UI） 社区活跃度：国内活跃，国际几乎无人用 Debezium（Red Hat）Red Hat 开源，基于 Kafka Connect 框架，国际化标准 CDC 方案。 架构：Ka ...

一个被忽略的问题在 Spring AI 2.0 GA 升级清单 一文中，我提到了 Advisor 是 Spring AI 2.0 的核心抽象。但有一件事当时没有展开——Advisor 的顺序。 用 Spring AI 的 ChatClient 写一个带对话记忆 + 工具调用的 AI 助手，你可能会这样写： 1234567ChatClient chatClient = ChatClient.builder(chatModel) .defaultAdvisors( new MessageChatMemoryAdvisor(chatMemory), new ToolCallingAdvisor(toolCallbackProvider), new QuestionAnswerAdvisor(vectorStore) ) .build(); 看起来没问题。但这个顺序——Memory → Tool → QA——真的是对的吗？ 顺序不同，结果可能完全不同。 Advisor 链是怎么工作的先理解 Spring AI 的 Advisor 机 ...

问题在 之前的文章 里，我写了用 Outbox 模式保证 RAG 数据一致性。核心思路：业务数据和 outbox 记录在同一个数据库事务里写入，然后用 CDC（Canal/Debezium）把 outbox 记录搬到 MQ，消费者再去同步 ES/Doris。 但有一个问题一直被绕开了： 如果你的 MQ 是 RocketMQ，你还需要 Outbox 吗？ RocketMQ 原生支持事务消息——半消息 + 本地事务 + 回查机制。这本身就是”保证本地事务和消息发送原子性”的方案。既然 MQ 原生就能做，为什么还要写一张 outbox 表？ 这是做 AI 后端时真实会碰到的选择。两条路都能到终点，但代价不同。 先搞清楚两个方案各自在做什么Outbox + CDC1应用 → MySQL 事务 { 业务表 + outbox 表 } → CDC 监听 binlog → 发送到 MQ → 消费者 核心思想：把”发消息”变成”写数据库”。 只要业务数据和 outbox 记录在同一个事务里，要么一起成功，要么一起失败。消息的发送由独立的 CDC 组件异步完成，与 ...

Elastic 自己承认了什么2026 年 7 月 9 日，Elastic 官方工程博客发了一篇文章，标题是 Why Elasticsearch is becoming a columnar database。 这篇文章里有一句话值得反复读： “When your job is to read and reason about a lot of data, columnar storage turns nearly every dimension of cost and performance in your favor.” 这是一个做了 16 年文档搜索引擎的团队，在自己的工程博客上承认：他们最初选择的架构，对于今天大部分用户真正在跑的工作负载（日志、指标、遥测、分析），是错误的选择。 ES 9.5 将引入 Columnar Mode（列式模式），9.6 GA。数据只存一份，按列组织，不需要的索引不建。 这不是”ES 加了个新功能”很多人第一反应是”ES 又加了个存储引擎，跟以前加 doc_values、加 kNN 一样”。 不一样。 之前 ES 每加一个能力，都是在文档模型上” ...

一个正在形成的共识UberConf 2026 的安全议题中出现了一句话： Agents must earn autonomy rather than start with it.（Agent 必须挣得自主权，而不是一开始就拥有它。） 这句话来自 UberConf 2026 的 Agent Governance 分享。它不是技术建议，而是工程原则——和”最小权限原则”一样，正在成为 Agent 工程的默认约束。 为什么”挣得自主权”是正确的原则1. Agent 的 blast radius 比传统服务大得多传统微服务的 blast radius 是可预测的：一个 API 调用失败，影响范围是调用链上的下游服务。 Agent 的 blast radius 是不可预测的： Agent 可以调用任意工具（包括写数据库、删文件、执行 shell） Agent 的行为路径不是预定义的，而是模型推理出来的 Agent 可以在”推理”中决定改变自己的行为目标 这意味着：Agent 的权限边界不能用 API gateway 那种”路径+方法”模型来管。 2. OAuth 2.1 token 生命 ...

一个被忽视的截止日期2026 年 6 月 30 日，Spring Boot 3.5 正式停止维护（End of Life）。 这意味着什么？ 运行 Spring Boot 3.5 的系统不再收到任何安全补丁。Spring Security 和 Spring Cloud Gateway 中已知的可利用漏洞将不再被修复。 而 Spring AI 2.0 GA 要求 Spring Boot 4.0+。 也就是说：如果你在用 Spring AI 2.0，你已经在 Spring Boot 4.0 上了。但如果你还在 3.x，你需要知道这个时间窗口已经关闭了。 为什么这不是”可以慢慢迁”的事在 UberConf 2026 的安全议题中，有一个被反复强调的观点： Spring Boot 3.5 EOL 不是一个”建议升级”通知，而是一个”安全暴露窗口已打开”的警告。运行未打补丁的 post-EOL 版本面临的是已文档化的、可利用的漏洞，且无法获得后续 CVE 修复。 这不是理论风险。Spring Security 和 Spring Cloud Gateway 的漏洞历史已经证明：公开的 CV ...

一个新选手进入了 Java Agent 竞技场2026 年 7 月，阿里巴巴正式发布了 AgentScope Java 2.0 GA。经过 5 个 RC 版本迭代，这个框架从实验性项目升级为生产级 Agent 框架。 但它不是 Spring AI Alibaba Graph 的替代品——它是同一个公司开源的另一条路径。 这让我重新思考一个问题：当阿里同时维护两个 Java Agent 框架时，它们到底在解决什么不同的问题？ AgentScope Java 2.0 的核心设计：Harness 优先AgentScope 2.0 的核心思路可以用一句话概括： 在 ReActAgent 推理内核基础上，增加 Harness 工程化层。 “Harness”这个词很关键。它来自 Claude Code 的设计理念——Agent 不只是”推理 + 工具调用”，还需要一套工程基础设施来支撑它在企业环境里运行。 AgentScope 2.0 内置了 6 个 Harness 组件： 组件 解决什么问题 Workspace Agent 的文件工作空间，隔离不同 Agent 的文件操作 P ...

一个容易被忽略的前置问题前面写”MySQL 9.2 做向量搜索”的时候，默认了一个前提：你用的 MySQL 支持 HNSW 索引和 VECTOR_DISTANCE 函数。 但这其实是个陷阱。 不是所有 MySQL 都能做向量搜索。 甚至不是所有 MySQL 9.x 都能做。你在网上看到的教程可能跑在你本地就报错，原因不是你的 SQL 写错了，而是你的 MySQL 发行版根本不支持这个功能。 这篇文章把这个盲点补上。 MySQL 向量搜索的版本碎片化MySQL 9.0：VECTOR 类型有了，但社区版是残缺的MySQL 9.0 创新版引入了原生的 VECTOR 数据类型。但关键问题是： 社区版（Community Edition）：只有 VECTOR 类型本身，没有 HNSW 索引，连 DISTANCE 函数都没有。 企业版 / HeatWave / MySQL AI：才有完整的向量索引和距离计算功能。 这意味着什么？如果你用 MySQL 9.0 社区版，你能建一个 VECTOR(768) 的列，往里面存向量数据，但你没法高效检索——没有索引就是全表扫描，没有 D ...

纯向量搜索的天花板在之前的文章里，我讨论过用 ES 的 kNN 做语义检索，以及用 MySQL 9.2 的 VECTOR 类型做 RAG。这些方案在中小规模场景下够用，但有一个容易被忽略的问题：纯向量搜索的召回率不够高。 举一个真实的例子。用户问：”Spring Cloud 微服务网关的限流策略”。 向量检索召回：理解了”微服务”和”限流”的语义关系，但可能漏掉了精确匹配”Spring Cloud Gateway”这个词的文档。 BM25 关键词检索召回：精确匹配了”限流”这个词项，但无法理解”网关”和”Gateway”是同一个东西。 两条路各有盲区。在企业知识库场景，80% 的查询同时需要语义理解和关键词精确匹配。 参考数据（基于某企业客服知识库，5 万文档）： 检索方式 Recall@10 Precision@5 纯向量检索 ~68% ~64% 纯 BM25 ~72% ~78% 混合检索 ~91% ~87% 混合检索把召回率从 68% 提到 91%，提升 31%。这就是为什么”混合检索 + 重排序”正在成为企业级 RAG 的标配。 混合检索：BM25 + ...

一个判断需要修正在之前的文章里，我写过一句结论： “Spring AI 官方定位是’连接企业数据和 API 与 AI 模型’——让 LLM 像 JDBC、JMS 那样成为企业系统里一个可插拔的中间件。Spring AI 刻意不做 Agent Framework。” 前半句仍然成立。但后半句——“刻意不做 Agent Framework”——需要修正。 证据来自 Spring I/O 2026。Broadcom 团队（Mark Pollack、Christian Tzolov、Dariusz Jędrzejczyk）在演讲中公开了 Spring AI 的 Agent 路线图，三个关键词： Recursive Advisors — 受控迭代框架，Agent 的核心是上下文编排器 ACP（Agent Client Protocol） — 标准化 client → agent 通信 A2A（Agent-to-Agent） — 直接 Agent 协作 目标是构建生产级 Agent 系统，包括编码 Agent（类似 Claude Code）。 这不是”可能做”，是”正在做”。判断 ...

100 个工具的 Prompt 危机你接了一个企业级 AI 助手项目，把公司所有内部系统都包装成了工具： 订单系统：5 个工具（查订单、改订单、退款、发货状态、物流跟踪） 产品系统：4 个工具（查产品、改产品、查库存、上下架） 用户系统：3 个工具（查用户、改用户、注销用户） 财务系统：6 个工具（查账单、开发票、收款、退款、报表、流水） CRM：5 个工具 ERP：8 个工具 HR：4 个工具 工单系统：6 个工具 BI 报表：10 个工具 知识库：3 个工具 日志系统：5 个工具 数据库直查：12 个工具 第三方 API：28 个工具 合计 100+ 工具。 第一版：”把所有工具描述塞进 Prompt，让 LLM 自己选”。 123456@BeanChatClient chatClient(ChatModel chatModel, List<ToolCallback> allTools) { return ChatClient.builder(chatModel) .defaultTools(allTools.toArray(new T ...

一个被忽视的容量问题“MySQL 9.2 有原生向量搜索了”——这消息传开之后，很多团队的迁移冲动来了： “我们之前用的 Milvus 太重了，把向量数据迁回 MySQL 吧，运维简单很多。” 然后开干： 创建 embedding VECTOR(1536) 列 把 100 万条文档的 embedding 灌进去 跑了一次相似度查询 应用层开始抖动 查 MySQL 监控：Innodb_buffer_pool_wait_free 飙到 50+ 内存告警 MySQL 9.2 真的能扛百万级向量吗？能。但你必须算清楚内存。 先算账：1536 维 × 4 字节 = 6KB/行向量的物理大小： 12345embedding VECTOR(1536)= 1536 个 float32= 1536 × 4 bytes= 6144 bytes= 6 KB 这只是纯向量数据。加上 InnoDB 的页结构（默认 16KB 一页）、行头（compact 格式约 27 字节）、主键索引、二级索引，每行实际占 7-8KB。 向量规模 向量数据本身 含索引和行结构 10 万行 ...

单 Agent 的天花板你写了一个 Agent，注册了 7-8 个工具：查订单、查用户、查产品、生成 Excel、发邮件、生成报告、发送通知…… Prompt 写了几百字描述每个工具的用途。LLM 跑起来。 第一次跑：基本能用。第三次跑：LLM 选了”知识库搜索”而不是”SQL 查询”，因为”查数据”两个工具都沾边。第十次跑：你开始写”必须先用 SQL 工具，否则不通过”的硬约束，Prompt 越来越长。第三十次跑：Prompt 已经 1000+ token 了，LLM 还是偶尔选错。 这就是单 Agent 的天花板：工具一多，准确性断崖式下降。 多 Agent 是解法。Spring AI Alibaba 的 Graph 框架提供了 4 种核心模式：顺序、并行、路由、监督。这篇文章讲清楚每种怎么用、什么时候用。 准备：公共 ChatModel12345678910111213141516public class ChatModelFactory { public static ChatModel getChatModel() { DashScop ...

一条典型的 AI 后端数据同步链路数据密集型 AI 后端的标准链路长这样： 12345678910111213MySQL（业务主库） │ │ binlog ▼Canal Server（订阅 binlog） │ │ Kafka topic ▼Kafka（消息缓冲） │ │ Consumer ▼Doris / ES（分析 + 搜索） 看起来很标准。但链路越长，能挂的环节越多。生产上我处理过的事故： Canal 订阅位点丢失，从头重做导致下游重复消费 6 小时 Kafka 集群重启，Consumer Group rebalance 时部分 partition 没被认领 Doris stream load 报 -235 错误（数据格式问题），但 Kafka 消息还在 业务库从主库切到备库，Canal 配置没改导致订阅断了 3 小时 **任何一环出错，最终都是”数据丢了一段时间”或者”数据有重复”**。这篇文章讲清楚这条链路每个环节的故障怎么恢复。 链路一环一环看第 1 环：MySQL binlog风险点： MySQL 服务重启，binlog 写 ...

问题：为什么我的向量检索慢？你接入了 ES 8.x 的 kNN 检索做 RAG，写了第一个版本： 12345678{ "knn": { "field": "embedding", "query_vector": [0.1, 0.2, ...], "k": 10, "num_candidates": 100 }} 跑通。但生产上拿到百万级文档后，开始抖： P99 延迟 800ms，业务方反馈”问答卡顿” 单次查询 CPU 飙到 80% 加机器不解决问题（瓶颈是单 shard 的 ANN 搜索时间） 问题不在于 ES 不行，在于你没调参。 ES 的 HNSW 索引有 4-5 个核心参数，每个都直接影响性能和召回率。这篇文章讲清楚每个参数怎么调。 ES kNN 检索的执行流程ES 用的也是 HNSW（图算法）。一次 kNN 查询的过程： 123451. 加载 HNSW 索引（如果没缓存）2. 从顶层稀 ...

一个生产事故Kafka 里的订单事件正在被 Doris Routine Load 消费，跑了 3 个月没问题。一天运维重启 Kafka 集群，Routine Load 卡住了。 重启后查状态： SHOW ALL ROUTINE LOAD\G 显示 Job 状态是 RUNNING 但 data_quality 表里显示过去 10 分钟 0 条数据进入 业务方已经反馈”订单数对不上” 排查发现：Kafka 集群重启时，Routine Load 的 offset 提交丢了。重启后 Doris 重新消费了一批 Kafka 消息，但有些消息已经被前一次消费过——SELECT COUNT(*) FROM orders 比真实多 200 条。 这就是”至少一次（at-least-once）”的代价。Doris Routine Load 的官方文档写”支持 exactly-once”，但你必须正确使用 label 机制。 “exactly-once” 这个词在 Doris 里到底是什么意思？Doris 官方文档里写： Routine Load 支持 exactly-once 语义，依赖 Kafk ...

一个 RAG 系统常见的”半成品”状态你刚上线一个 RAG 知识库，流程是： 1用户上传文档 → Spring AI 切分 + Embedding → 写入 MySQL 的向量表 → RAG 检索可用 跑通了。但 3 天后你发现一个诡异问题： 用户在管理后台明明看到”文档已上传” 但 RAG 问答时这条文档从来没被检索到 排查发现：MySQL 业务表写了，但向量表 INSERT 失败了——可能是 OOM、可能是事务冲突、可能是 Spring AI 的 batching 异常。结果就是业务数据”已上传”和向量数据”已索引”不一致。 更糟糕的是：这种不一致默默存在，用户问不到，运营看不到，只有最细心的人翻日志才能发现。 这不是 Spring AI 的问题这是分布式数据写入的经典问题。任何”两个存储系统一起写”的场景都躲不开：MySQL + ES、MySQL + 缓存、MySQL + 搜索索引。RAG 只是最新的受害者。 三种”传统”解决方式都有明显缺陷： 方式 1：应用层 try-catch 回滚 123456789transactionTemplate.execute(status ...

一个越来越常见的架构数据密集型 AI 后端项目里，下面的架构正在变多： 12345MySQL（业务主库） │ ├──→ Elasticsearch（搜索 + 向量检索 + 业务聚合） │ └──→ Doris（实时分析 + 报表 + 离线宽表） 问题来了：ES 和 Doris 都能做”聚合查询”，都能做”全文搜索”，都能做”向量检索”。两个一起跑，是不是重复了？能不能砍掉一个？ 这是个真实的问题。我自己的踩坑经历是：砍不掉，但必须划清边界。这两个系统在”重叠区域”上看起来都能做，但做了之后的工程成本、运维成本、性能特征完全不同。 各自最擅长什么？Elasticsearch 真正擅长的 多字段全文搜索（中文分词、拼音、纠错、同义词、相关度调优） 多维度过滤聚合（facet、nested aggregation、cross-field query） 向量检索 + 混合搜索（kNN + BM25 一条 query 解决） 时序日志场景（Logstash + Beats 生态成熟） 模糊匹配（fuzzy query、wildcard、regex） 核心优势：搜索领域的工具链成熟度。 ...

为什么要升级Spring AI 2.0 GA 在 2026-06-12 发布，距离 1.0 不到一年。但这次的升级不是版本号小跳，而是把 1.x 时代所有”能用但别扭”的地方做了重写。 如果不升级，1.x 还能用，但你会逐渐被以下问题卡住： 工具超过 20 个时 token 爆掉 不同 ChatModel 的 Tool Calling 行为不一致 配置项命名混乱（.options 段、toolNames() 等） MCP 集成停留在早期规范 项目想升级 Spring Boot 4 时和 Spring AI 1.x 不兼容 反过来，升级的代价是真实的：Spring AI 2.0 硬依赖 Spring Boot 4.0/4.1 + Spring Framework 7.0 + Java 17（推荐 21），整个项目的依赖链都要跟着走。 变化 1：基线重定义，升级是”全家桶”2.0 依赖： Spring Boot 4.0 / 4.1 Spring Framework 7.0 Jackson 3（不是 Jackson 2） Java 17 起步，推荐 21 MCP J ...

问题“我应该把数据放在哪？” 这是任何一个数据密集型 AI 后端项目启动时第一个会撞上的问题。但不是”哪个最好”的问题，而是”应该用哪几个、各自负责什么”的问题。 今天 Java 后端做 AI 应用，可选的”核心数据组件”基本就是这三件套：MySQL、Doris、Elasticsearch。再加一个 MQ 做异步。 但这三个东西看起来都能存数据、都能做查询，凭什么非要全用上？为什么不能只用一个？ 重新认识这三件东西在聊选型之前，必须先纠正一个常见误解：这三件东西不是同类。 组件 真正擅长的事 不擅长的事 MySQL 强一致事务、随机点查、行级更新、垂直扩展 大规模 OLAP 聚合、模糊搜索 Doris 大数据量 OLAP 聚合、列存压缩、向量化执行 强事务（只能最终一致）、行级单点更新 Elasticsearch 倒排索引全文搜索、近似向量检索、多维度过滤 强事务、复杂 JOIN、精确聚合统计 它们在 2026 年都开始”补对方的能力”：MySQL 9.2 有了向量搜索，Doris 4.x 有了全文搜索+向量+AI Functions，ES 也有了 PPL 之类 ...

Agent 会先改变代码评审，而不是完全替代编码AI 编程工具让代码生产速度大幅提升，但代码审查速度没有同步提升。 这制造了一个新的瓶颈：审查队列变长、大型 PR 被”扫一眼就过”、人类审查者疲劳加剧。Agent 最先切入的，不是取代程序员写代码，而是接管审查流程中结构化、可规模化复制的部分。 审查正在成为瓶颈Anthropic 内部数据显示，在使用 Claude Code Review 之前，只有 16% 的 PR 收到实质性审查意见。这意味着 84% 的 PR 只是被快速浏览后就合并了。 原因很直接： AI 让单个工程师的代码产出增长了约 200%。 但审查者还是那些人，每天还是那么多小时。 PR 数量增加、单个 PR 复杂度上升、审查者上下文切换成本更高。 结果不是代码质量下降，而是质量保障体系开始跟不上生产节奏。 为什么 Agent 先改变的是审查？代码评审有几个特点，让它特别适合 Agent： 1. 任务高度结构化审查有明确的输入（diff、测试、上下文）和输出（评论、建议、风险标记）。这比”从零写一个新功能”更容易被形式化。 2. 上下文可枚举一次 PR 改动了什么 ...

为什么模块化单体正在回归？微服务曾经是一种信仰。 2015 到 2020 年间，几乎所有技术大会都在讲 Netflix、Amazon、Google 的微服务故事。结论是：大公司用了，我们也应该用。于是无数团队把系统拆成十几个、几十个服务，仿佛服务数量本身就是工程成熟度的指标。 2026 年，钟摆正在回摆。不是回到混乱的大泥球，而是回到一种更克制的中间态：模块化单体。 发生了什么？微服务被过度推销了。 Netflix、Amazon 采用微服务，是为了解决数百个工程团队、数亿用户带来的问题。这些问题对于一家 20 人的初创公司来说并不存在。但很多人忽略了这个前提，直接复制了答案。 结果是可预测的： 服务发现、分布式追踪、网络可靠性、数据一致性、部署编排——基础设施工作吞噬了大量本应用于产品的工程能力。 一个原本简单的功能，现在要跨多个服务协调部署。 调试生产问题意味着追踪几十个服务各自的日志和监控。 到了 2023 年前后，一些公司开始公开往回走。Amazon Prime Video 团队发布案例：将微服务整合为单体后，**成本降低 90%**。Shopify 则一直坚持自己的模块化 ...

AI 时代，后端工程师的哪些能力正在贬值？2026 年，后端工程师这个群体正在经历一次静默而剧烈的价值重估。 不是岗位消失，而是市场对”后端工程师”的定义在重写。过去十年里被视为核心竞争力的许多能力，正在快速贬值；而另一些长期被低估的能力，突然变得稀缺。 这不是贩卖焦虑，而是一组正在发生的信号。 一组值得正视的数据 Anthropic 内部数据：生产环境超过 80% 的代码由 Claude 生成，工程师日均代码产出提升约 8 倍。 猎聘 2026 报告：纯编码岗位招聘量暴跌 **52%**，但编程相关岗位总量反增 15%。 GitClear 2026 报告：AI 参与编写的代码，一年内有 47% 被完全重写。 智联招聘 2026 一季度报告：普通后端、前端开发岗位需求同比下降 **52%**。 麦可思《2026 年中国大学生就业报告》：计算机类专业跌出绿牌榜，自动化专业首次跻身绿牌。 这些数据拼在一起，指向一个结论：**市场不再需要”会写代码的人”，市场需要”能用 AI 解决问题的人”**。 这两个身份曾经高度重合，现在正在快速分离。 正在贬值的能力1. 纯语法与 API 记忆过 ...

Doris 在做什么Apache Doris 从 4.0 开始，加入了一个新方向：AI 支持。具体包括： 向量搜索：原生支持向量存储和 ANN 检索，类似专用向量数据库的能力。 AI Functions：SQL 中可以直接调用大模型（如 ai_generate() 函数）。 全文搜索增强：和向量搜索结合做混合检索。 这听起来有点像”Doris 想做向量数据库”。但它的实际意图比这更有趣。 为什么一个 OLAP 数据库需要向量搜索？Doris 的核心用户是数据分析师和运营人员。他们的问题是：”上个月销售额最高的品类是哪些？和去年同期比有什么变化？” 但现在的问题是：”为什么这个品类的销量突然下降了？帮我分析原因。” 这个问题的答案不在结构化数据（数字）里，而在非结构化数据里——用户评价、客服对话、社交媒体反馈。传统的 Doris 只能算数字，不能”理解”文本。 Doris 加向量搜索不是为了抢 Milvus 的饭碗，而是为了把”结构化分析”和”非结构化检索”放在同一个引擎里。 具体能做什么？1. “找出和这个问题最相似的历史案例”123456-- 用向量搜索召回与当前问题最相似的历史 ...

两个框架，一个生态2026 年，Java AI 开发生态最核心的两个框架是 Spring AI 和 Spring AI Alibaba。很多人听到名字以为后者是前者的”阿里版封装”，但实际关系比这复杂。 Spring AI 2.0：2026 年 6 月 12 日发布 GA，基于 Spring Boot 4.1 和 Spring Framework 7.0。官方定位是”连接企业数据和 API 与 AI 模型”——让 LLM 像 JDBC、JMS 那样成为企业系统里一个可插拔的中间件。 Spring AI Alibaba 1.1.2.0：基于 Spring AI 规范构建，但聚焦于多智能体编排（Multi-Agent Orchestration）。内置 Agent 框架、Graph 工作流引擎、MCP 双端支持。 通俗类比：Spring AI 是 Java 的 LangChain（怎么接入 AI），Spring AI Alibaba 是 Java 的 LangGraph（怎么让多个 AI 协同工作）。两者不是竞争关系，是互补关系。 架构层次对比12345678910应用层： ┌───── ...

MQ 的传统角色MQ 在后端架构里一直是”老三样”： 异步解耦：订单创建后，发消息通知库存、物流、通知系统，各系统独立消费。 削峰填谷：秒杀流量来了，MQ 先扛着，后端慢慢消费。 最终一致性：分布式事务的兜底方案——本地事务 + MQ 消息 = 可靠异步通知。 这三个角色在今天仍然重要。但 AI 后端的出现，给了 MQ 一些新的可能性。 Agent 需要一个事件总线看一个场景：用户在 Spring AI 应用里发起一个对话，Agent 需要串联多个操作——搜索 ES、查 MySQL、调用外部 API、生成回答。 传统做法是把这些调用写在 Agent 的逻辑里，串行执行。但如果 Agent 需要等待一个长时间操作（比如跑数据分析、等第三方回调），串行就不行了。 这时候 MQ 可以扮演 Agent 事件总线： 1234用户提问 → Agent 发布"需要搜索文档"事件 → MQ → ES 搜索 Worker 消费 → 返回结果事件 → MQ → Agent 消费结果 → 发布"需要生成回答"事件 → MQ → LLM ...

问题一个业务系统通常有两套”检索”： 关键词搜索：用户在搜索框输入”Java 教程”，ES 用 BM25 返回最匹配的文档。这是传统搜索。 语义检索：用户在 AI 对话里问”怎么学 Java”，RAG 用向量相似度从知识库召回相关内容。这是 AI 搜索。 传统做法是两套栈：ES 做关键词搜索，Milvus/Qdrant 做语义搜索。但 ES 从 8.x 开始原生支持 kNN（k-Nearest Neighbors）向量检索。于是就有一个诱人的想法：能不能只用 ES 一套，同时做关键词搜索和 RAG 语义搜索？ ES 的 kNN 做了什么ES 8.0 引入了 dense_vector 字段类型 + knn 查询。8.12 后做了性能优化，支持 HNSW 索引。 123456789101112131415161718192021222324// mapping 定义{ "mappings": { "properties": { "content": { &qu ...

背景Doris 不是凭空产生数据的。它是个”理解数据”的引擎，数据需要从别处来。 在数据密集型后端架构里，数据来源通常是： 业务数据库（MySQL）：用户、订单、商品等结构化数据 日志/埋点：用户行为、系统日志等半结构化数据 外部数据：第三方 API、合作伙伴数据 这些数据到达 Doris 的路径大致是： 1数据源 → 消息队列 → Doris 消息队列是整个数据管道的”中央动脉”。理解不同的接入方式及其取舍，是搭建数据处理链路的基础。 方式一：Routine Load（最常用）Routine Load 是 Doris 从 Kafka 持续消费数据的方式。提交一个例行导入任务后，Doris 会持续从 Kafka 拉取数据，实时写入。 12345678910111213CREATE ROUTINE LOAD example_db.routine_load_job ON user_behaviorCOLUMNS(user_id, event_type, event_time, page_url)PROPERTIES( "desired_concurrent_ ...

这个老问题为什么一直存在？ES 和 MySQL 双写一致性，是一个”二十年前不存在、十年前开始出现、今天几乎人人遇到”的问题。 套路是这样的：用户更新了一条数据，MySQL 写成功了，然后你要把这条数据同步到 ES 让搜索能搜到。如果中间某个环节失败了——MySQL 写成功但 ES 写失败，或者反过来——数据就不一致了。 这个问题一直没被”一劳永逸”地解决，因为它在不同阶段有不同的约束： 十年前：数据量小，可以”更新完 MySQL 再更新 ES”，同步调用，失败重试。 五年前：数据量变大，同步调用扛不住，引入 MQ 异步，但引入了一致性问题。 今天：AI 应用兴起，搜索结果的准确性直接影响用户体验甚至安全（RAG 召回不一致 = 回答错误）。 MQ 在中间做了什么？典型的 MQ 异步同步架构： 1应用 → 写 MySQL 成功 → 发 MQ 消息（包含变更数据） → 消费者 → 写 ES MQ 解决了什么： 解耦：业务代码不需要关心 ES 是否写成功，只要 MQ 消息发出去了就算”同步任务已提交”。 削峰：高峰期大量写入不会因为 ES 慢而拖垮业务接口。 重试：消费失 ...

问题“我们有 MySQL 了，为什么还要 Doris？” “Doris 号称 HTAP，是不是可以把 MySQL 省了？” 这两个问题本质上是同一个困惑：OLTP 和 OLAP 的边界在哪里，Doris 有没有在抹平这条线？ 先理清概念OLTP（在线事务处理）= MySQL 的主场。 特点是：大量小事务、高并发读写、毫秒级响应、强一致性。 OLAP（在线分析处理）= Doris 的主场。 特点是：少量大查询、批量扫描、秒级响应可接受、最终一致性通常够用。 MySQL 做 OLAP 查询（比如”统计过去一年每个品类的日均销量”）慢的原因不是 MySQL 写得不好，而是它用的索引结构（B+ Tree）和存储格式（行存）根本不是为扫描设计的。行存意味着即使你只查两个字段，它也要把整行读出来。 Doris 用的是列存。列存意味着只读查询需要的列，跳过其他所有数据。同时 Doris 的 MPP（大规模并行处理）架构可以把一个查询拆成多份，在多台机器上并行跑，然后汇总。 HTAP 在抹平这条线吗？HTAP（Hybrid Transactional/Analytical ...

问题搭建一个 RAG（检索增强生成）系统时，第一反应往往是”我得搞个 Milvus 或 Qdrant”。但如果你已经有 MySQL 存业务数据，能不能直接用 MySQL 存向量，省掉一个中间件？ 直到最近，这个问题的答案是”生产环境别这么干”。但现在情况变了。 变化：MySQL 9.2 原生向量搜索生产就绪2026 年 MySQL 9.2 发布，HNSW 索引直接集成在 InnoDB 引擎内部，支持 SIMD 硬件加速，性能对标专用向量引擎。 MySQL 8.4 就有 VECTOR 类型，但那更像”能用”的阶段——百万级以内勉强跑，上了生产就开始抖。9.2 版本的关键不在于”支持向量”，而在于向量操作和传统 SQL 操作共享同一套事务、MVCC、备份恢复体系。 这意味着什么？意味着你不需要维护两套数据一致性逻辑。业务数据在 MySQL，向量数据也在 MySQL，一次 JOIN 就能做”找出分类=Java 且语义相似的前 10 个文档”——这在”MySQL + 专用向量库”架构里需要两次查询 + 应用层合并。 Spring AI 怎么接Spring AI 内置了对多种向量存储的 ...

MyBatis ResultMap 吞行问题 你写了一对多关联查询，数据库中明明有 10 行数据，MyBatis 返回的列表却只有 3 条。剩下的 7 行去哪了？这就是经典的 ResultMap “吞行”问题。 现象：数据去哪了？假设你有一张订单表 t_order 和一张订单明细表 t_order_item，一个订单可以包含多个商品明细： 123456789101112-- 订单CREATE TABLE t_order ( id BIGINT PRIMARY KEY, order_no VARCHAR(32));-- 订单明细CREATE TABLE t_order_item ( id BIGINT PRIMARY KEY, order_id BIGINT, product_name VARCHAR(64)); 你写了一个 SQL 用 JOIN 关联查询： 123456789<select id="getOrders" resultMap="OrderResultMap"> SELECT ...

文字收集原则：同话题文章取最优，同话题多文章必须有多文章的理由 AI彻底爆了！一文吃透AIGC、Agent、MCP的概念和关系

埃隆马斯克 - 放眼未来 无所畏惧