相关文章标签: system-design-case-studies
-
运营你所构建的 (Operate what you build)：小型 AI 产品的教训
分析生产工程 (production engineering) 中的所有权 (ownership) 思维，以及如何将其应用于 AI 工作流、CRM、仪表板和小型产品。
→ -
AI 工作流的监控 (Monitoring)：向 Netflix 学习但在小规模应用
为小型 AI 工作流设计恰到好处的监控：日志 (logs)、指标 (metrics)、链路追踪 (traces)、评估 (evaluation) 和业务信号 (business signals)。
→ -
从 Discord 到 CRM：如何存储活动日志 (activity logs) 和对话历史 (conversation history)？
从 Discord 处理消息存储的方式中吸取教训，为小型 CRM 设计活动日志和对话历史记录。
→ -
当数据库开始让 on-call 团队精疲力尽时
从 Discord 存储数万亿条消息的案例中，本文探讨了数据库不再适合其工作负载 (workload) 的迹象。
→ -
Feed 排名与反馈循环 (Feedback Loop)：给产品构建者的教训
解释推荐系统 (recommendation system) 中的反馈循环，以及产品构建者应该如何设计信号 (signals)、指标 (metrics) 和护栏 (guardrails)。
→ -
TikTok 风格的推荐 (TikTok-style recommendation)：为什么架构和算法一样重要？
通过官方来源和学术研究分析 TikTok 风格的 Feed，了解平台架构 (platform architecture) 在推荐系统中的作用。
→ -
Shopee 与分布式追踪 (distributed tracing)：如何观察请求穿过微服务 (microservices)？
分析 Shopee 使用 ClickHouse 进行分布式追踪的案例，以及为多服务系统提供的经验教训。
→ -
何时该离开 MongoDB/Cassandra/SQL？来自 Discord 的教训
通过 Discord 案例分析数据库迁移 (database migration) 的决定，以及如何根据访问模式 (access pattern)、运营成本和权衡 (trade-off) 选择数据库。
→ -
Discord 如何存储数万亿条消息 (trillions of messages)？
阅读 Discord 从 Cassandra 迁移到 ScyllaDB 的案例，并汲取关于数据库、热分区 (hot partition)、迁移和延迟 (latency) 的教训。
→ -
Netflix 微服务：为什么可观测性比你想象中更重要？
阅读 Netflix 关于微服务的文章，理解为什么分布式系统需要分层观察：请求流、瓶颈，以及实例级指标。
→ -
设计排名系统 (Ranking System)：从 Airbnb 到 CRM 搜索
从 Airbnb Search 和基于嵌入的检索 (Embedding-Based Retrieval) 中吸取教训，以实用的方式设计 CRM 搜索/排名。
→