分布式伪需求、微服务反思与硬件红利

为什么 99% 场景不需要分布式 OLTP、微服务拆分泥潭、现代怪兽单机与本地主权。

7 分钟阅读

现代全闪大内存单机早已击穿九成九企业的负载上限，盲目堆砌分布式事务与微服务纯属昂贵自残。优先解放程序员认知带宽、吃透硬件红利并握紧本地数据主权，才是极简工程正道。

一、分布式伪需求、反微服务与极简主义

为何分布式 OLTP 对九成九企业都是伪需求？

分布式事务本质是“以质换量”：阉割复杂 SQL，跨节点 Raft 共识折损逾 70% 吞吐，多组件更让排障复杂度倍增。十年间企业级 NVMe 性价比暴涨千倍、单卡达 256TB，不到十万元的 64 核单机 PG 即可扛住百万点写、两百万点查与 32TB 大表，连 OpenAI 核心也仅靠一主四十余从 PG 支撑——99% 业务终生摸不到单机天花板。

亚马逊都在退回单体，微服务泡沫为何集中破灭？

在单一团队内用脆弱昂贵的网络调用替代本地函数调用，彻底违背了加尔定律。如 DHH 援引亚马逊 Prime Video 复盘所示，其微服务在预期负载 5% 时便撞上扩展墙，退回单体后成本立降 90%；Twitter 裁员九成照转更撕下冗余遮羞布，经不起 ROI 检验的拆分泡沫终将出清。

基础软件忙于标书打勾，会酿成什么隐形危机？

基础软件最致命的衰败在报表上看不出来，即充当产品“免疫系统”的一线挑剔开发者沉默撤离。当产品从“用着爽”异化为“标书打勾多”、文档写成宣传册时，懂行者不再骂娘，而是算清云溢价假账后直接拉下真开源自建高可用——这批人一走，产品的技术判断力就彻底空心化了。

为何“先优化碳基程序员，再优化硅基核”才划算？

如 DHH 所算，一名 20 万美元年薪程序员（碳基核）成本抵得上租用 3663 颗 EPYC 硅基核，人效提升 25% 即省近千颗 CPU。数据库瓶颈早已转向人类认知带宽：免费 PG 成熟后，死磕内核正沦为五点微利的制造业，真正的高科技溢价全在 RDS、Supabase 与 Pigsty 等解放人脑的管控层。

二、DDIA 架构权衡与最小闭环工程

AI 越能秒出方案，为何越要重读 DDIA？

大模型生成架构带有“危险的顺滑”，动辄抛出分片与最终一致性等过度设计；配置手册可被替代，但拍板取舍的验收判断力绝不能外包。DDIA 第二版删掉 MapReduce，开篇直击“云与自建、分布式与单机”权衡并融入向量与存算分离——历经八年喧嚣，留下的正道仍是朴素的主从 PG。

从手翻三月到半天译完，人机协作铁律是什么？

我维护八年的 DDIA 仓库见证了百倍跃迁：初版手磕三月、90 人共建打磨近两万 Star；第二版用 10 路 Codex 并行仅半天即出精翻全稿。铁律绝非整章硬塞打爆上下文，而是人类先锁死三千词术语表、目录骨架与语感基线，再按小节切分交 Agent 并行——AI 抹平摩擦，人类定义好坏。

如何用最小闭环与懒加载对抗基础软件臃肿耦合？

做基础软件最忌初版把宏大愿景焊成一团。开发 SOW 时，我果断封存紧耦合的 v0.1，从单命令 Plain 最小闭环逐层叠加控制面，独立契约反而更快；打磨六年的 OINK 文档框架同样在编译期按需挂载可视化运行时，并将十余兆检索索引改为点击时懒加载，砍掉大半无效带宽。

三、现代硬件红利、云存储边界与本地主权

对象存储能取代本地盘吗，真实适用边界在哪？

Kleppmann 与 Riccomini 指出 S3 支持强一致与原子 CAS 后可免协调器搭起日志与列存底座，但它绝非银弹：几十毫秒延迟比本地 NVMe 慢三四个量级，亚毫秒 OLTP 仍须靠本地盘；高昂 API 与跨区流量账单省不掉；国内大量政企自建机房与信创约束更决定了不能照搬“一切上 S3”。

新硬件红利巨大，为何公有云上难产新一代库？

如 Alex Miller 梳理，数据库服务端六成 CPU 耗在内核网络栈，唯有 1 微秒级 RDMA、去转换层的 ZNS/SmartSSD 与 Unikernel 能重塑存储与事务引擎，而显卡分析仍困于总线带宽墙。讽刺的是欧美云巨头内部独享新硬件十年，对外仅售阉割实例（唯阿里云开放通用 eRDMA），“云上买不到新硬件就没人写新库”锁死了演进。

云订阅够便宜了，为何还要买 512G 本地主机？

同开十份 200 美元月订一年才抵一台 M5 Ultra Mac Studio，买本地巨无霸买的是断网可用的“数据主权”。显卡困于 32GB 显存、旧服务器太吵；唯有 512GB 统一内存静音主机能跑起 400GB 级 MoE 模型，配 PCIe 6.0 闪存与 PG/DuckDB 生吞数仓，守住涉密数据与全局调度器隐私。

Agent 狂吃硬盘，如何做本地万兆分层存储？

高强度驱动 Coding Agent 极易膨胀出数 TB 镜像与产物把 8TB 笔记本吃爆，最务实的解法是万兆内网“分层治之”：用万兆群晖 SHR-1 稳保 25TB 权威主本；再给带 8 核 Zen 4 与四条 NVMe 的零刻 PC NAS 刷入 Ubuntu 与 Pigsty，组 RAID 0 消化冷素材与测试库，并跑起 pgvector 智能相册，七八千元即可收进桌底 12U 机柜。

为何 AI 终结装机仙人，搭机柜成了下云必修课？

机柜风道供电规划丢给大模型即可出图，SSH 连上后驱动与分区全由 Agent 自动办妥，“装机仙人”门槛已归零。对云原生工程师而言，家用万兆机柜正是通向机房的“下云”沙盘：4 台本地 Linux 跑起 Pigsty 栈，单人即可自托管数据库、Silo 存储、监控与 ERP，一人顶一支基建团队。

折腾遍桌面 Linux，工程师该如何选系统？

DHH 打造的 Omarchy 虽救活了老 Intel Mac 驱动，但“AI 原生系统”纯属噱头，桌面不及 macOS、服务端不如 Ubuntu。折腾十几种发行版后的终极答案是：桌面端 macOS 一把梭，守住 AI 工具一等公民与终端肌肉记忆；服务端返璞归真选 Debian 与拥有驱动和 .deb 统治力的 Ubuntu。