分区(partition)是网络把集群切成了几块,谁也看不见谁;脑裂(split-brain)是切开之后,每一块都以为"就剩我了,我来当家"。于是两个主节点同时写数据,等网络恢复,数据对不上,谁都不认谁。这篇讲清楚脑裂的根因(网络分区 + 各自选主),以及业界公认的解法:多数派仲裁(quorum)、fencing、见证节点,配一份可抄的排查与设计清单。

字符串看着最简单，坑却最深。从 C 的一根 char 指针，到 C++ 的 std::string，到 Java/Python 的对象化，再到 Go 的 rune，这一路演进本质上就在解决三个问题：谁管内存、长度怎么算、一个"字"到底是什么。这篇按时间线把它们串起来，讲清楚每一步为什么这么设计、又留下了什么坑。

很多人以为限流就是"每秒放 100 个请求"，配个数字完事。真上了规模才发现，限流是分层的、分策略的、还得跟业务谈判的。这篇把限流拆成"在哪一层限、按什么维度限、用什么算法、放行还是拒绝、拒了怎么告诉客户端"几件事，配上可抄的配置和一张决策清单。

Streamlit 让你用写 Python 脚本的方式,几十行就做出一个能交互的数据应用——不碰 HTML/CSS/JS,不起前端工程。这篇讲清楚它背后"脚本从上到下重跑一遍"的设计理念,常用控件与状态管理,一个能跑的完整实例,以及我踩过坑之后总结的最佳实践。

做后端和 SDK 这些年，我越来越依赖一个东西：给每个服务配一个能把主流程完整跑一遍的 Sample App——Web Service 就配个 Test Web App，音视频应用就配个 Native App。它既是 E2E 测试工具，又是一个"永远在线的模拟用户"，还是最诚实的一份活文档。AI 能帮你把它写得飞快，但要不要养、往哪个方向养，得你自己拿主意。

有的人解决问题像打地鼠，这个坑填上，下个坑又冒出来。真正拉开差距的，不是记住多少答案，而是能不能把一类问题的成因、解法和取舍一次性想透。这篇聊聊我这些年反复用的一套笨办法：分类、穷尽、对比、取舍。

明知该做，就是不想动，眼看 deadline 变成头上的达摩克利斯之剑，心理负担越来越重，却越拖越凶。研究过无数克服拖延的方法，也天天告诫自己知行合一，可"臣妾就是做不到"。这篇不劝你自律，而是想聊聊：为什么方法没用，以及怎么把"启动成本"降到你抬手就能做的地步。

有一次我认真读完一段完全由 AI 生成、且已经跑通的代码，越看越心惊。冷静下来复盘：一部分不能全怪 AI——我的 design 本来就没说清楚；另一部分确实是 AI 的锅。结论很简单：想把 AI 的改动用到产品线上，你必须收紧缰绳，用"人机接力"的流程，主要功能代码逐行看、验收测试亲自做。因为 AI 不会替你背锅，为最终结果负责的人是你。

用 AI 写代码，token 烧钱的地方无非三处：模型读进去多少、写出多少代码、回话多啰嗦。Headroom 管"读进去"，靠压缩上下文；Ponytail 管"写出来"，靠逼着 agent 少写代码。这篇讲清楚这两个开源工具各自怎么做、在你的项目里怎么装怎么用，也把厂商不爱说的坑一并摊开：真实场景省的往往没广告那么多。

框架每年换一茬，但有些技术书十年后翻开还是有用。这篇聊聊我书架上被翻烂、后来又买了第二本的那几本经久耐看的技术书——《数据密集型应用系统设计》《性能之巅》《UNIX 编程艺术》之类——以及为什么它们比追新更值得花时间。

最近一个 Golang 新项目让我重新认识了 AI 编程：顶流大模型加各种 harness，仍会写出看起来漂亮、跑起来似乎也没问题、但可读性和可维护性不尽如人意的代码。带 AI 就像带一个刚毕业的博士生——它懂得多，却不知道什么最适合你的产品、环境、业务和那座“屎山”。上岗必须备齐指导手册、设计与代码规范、架构原则、编码规范、验收清单，一个都不能少。

AI 能让一个人像一支小队，但不能让一个人逃掉工程责任。真正的超级个体，不是炫耀百家招式，而是持续交付有价值的产品，满足用户需求，创造真实价值。

长久不用的知识会不会生锈？会。但真正危险的不是忘了细节，而是把生锈的手感误认为仍在巅峰。以大型 C++ 和 Audio/Video 项目为例，聊聊怎样让知识重新招之即来、来之能战。

写给临床八年制本博连读、即将结束大一的医学女生：未来七年不要急着追工具、追热点、追论文，而要按阶段搭好医学基本功、临床思维、科研训练、数据工具箱和长期身心节奏。

人难免懈怠、偷懒、迷茫。真正成熟的自律，不是永远靠一个人硬扛，而是主动设计协作、反馈和承诺，让团队、朋友和同事在关键时刻推你一把。

写给站在人生十字路口的青年朋友：路窄时不要急着否定自己，真正的勇敢是先稳住，再学习，再行动。

错误选择带来的悔恨，像毒蛇一样每天噬咬人心。这个行动手册不劝你立刻放下，而是给出一套可执行的方法：先止血，再复盘，再补救，最后把执念交给风。

不要一上来就让 AI “帮我写一份简历”。先按 DDD 思想把求职者、目标职位、证据和匹配关系建模，再让 AI 生成可审查、可复用、可迭代的简历和求职信。

人脸识别听起来像玄学，其实入门链路可以拆成检测人脸、裁剪样本、训练模型、设定阈值这几步。本文基于一个 OpenCV + MediaPipe 的教学 demo，讲清楚 Haar、Face Mesh、LBPH 各自负责什么，如何用 Poetry 跑通采集、训练和识别链路，以及为什么教学级 demo 不能直接拿去当门禁或支付系统。

从数据库泄露、密钥轮换和故障边界说起，解释为什么需要 KMS，以及信封加密如何把密钥管理这件事做得更稳。