随手记录自己的学习过程
实在不知道该编什么名字，总之先复习一下缓存吧。本文讲的重点是服务端缓存，尤其是 Redis 相关的设计。
众所周知的是，我们的业务数据多数都会选择存储在 DB 里，但数据库本身是一个吞吐量有限的单点，在实际的高并发场景下，我们肯定不可能让所有的流量都流向 DB，因此在这种情况下，业务往往会涉及一些缓存来缓解 DB 的压力。
具体的来说，从客户端到服务端，链路的每一个节点都能具有缓存的能力。比如客户端的 HTTP Cache、边缘节点的 CDN 缓存，再到服务端缓存，包括内存缓存、Redis 缓存等等，在开头我们说过，重点是服务端缓存，因此我们会对客户端缓存暂且不表。（反正一言以蔽之也就是强缓存和协商缓存）。
我们经常会被问到这样一个问题：在一个下单流程中，如何保证数据的一致性。
如果我们在单服务单库中运行，那么很简单，使用数据库的事务就可以了。
但是正常来说，现在的所有服务都会采用微服务的架构，也就是说一个下单流程中，「订单服务」到「库存锁定」到「生成账单」到「支付交易」到「回调变更状态」，这几步将会有多个服务来共同完成。
此时我们必然不能让用户的任何一步失败，又或者必须保证失败后回滚一定成功，否则用户钱扣了，交易却没成功；或者造成了超卖，这些都会造成严重客诉。
为此才会引入分布式事务这个概念，也就是保障多个事务之间的一致性，要么全部成功，要么全部失败。
本文讲的都是比较基础的点，原理点到为止，适合人群为数据库小白，希望能够从数据库层面进行一些优化的同学。
最近在做旧项目改造的时候发现了很多不合理的索引设计，或者干脆就没有设计索引，开发者仿佛把在线业务的表当做了离线表那样想怎么查就怎么查，导致了整个接口相当缓慢，甚至有可能拖垮整个服务 / DB。
于是我发现一些很常规的优化似乎其实并不是每个人都很清楚，所以今天就来聊聊 SQL 的索引优化。
因为我们的项目都是 MySQL / MongoDB 的，而我基本也只学了 MySQL，因此这里以 MySQL 为主，MongoDB 为辅来进行索引设计的解读。
距离上一次更新已经超过一个月了，是月更博主对不起大家了！
主要是因为之前有一阵子业务比较忙，因此一直在加班，没有空看其他的东西（又不愿意牺牲打游戏和看剧的时间），最近一有时间就在写 Demo，这几天刚写完，才能更新这篇文章。
这个需求也是在我们业务落地过程中衍生出来的，因此先来说说之前一阵子忙的东西吧。
在公司内做的服务因为有各种基建的加持，所以想要实现一些功能很容易，比如说标题写的东西，或者是 binlog 订阅消费；但是在 to B 私有化部署的场景下，客户机千奇百怪，就要求我们用尽可能少的依赖和简单的部署架构进行实现，肯定也不会有公司里这么多花里胡哨的依赖。
为此简化了不少架构和功能，牺牲了不少体验之后才给接入我们基建的用户怼上一个版本。
而其中一个诉求就是我们的功能需要（Nice to have）订阅过期键并广播给订阅用户。
今天这篇文章主要是因为组内有 AI 分享，因此被迫营业了一回，本人平时并不怎么研究 AI，因此本文依旧是从使用和介绍的角度的个人锐评，并没有涉及原理知识，望周知。
之前我们介绍过「AI 老婆」，如何让你的老婆来模拟唱歌，今天介绍的是应用面更广的「翻译」。（下次再抽到分享我可就没活了）
目前相信大家也一直在用 AI 翻译来读文章、看教程、看 Youtube，并且或许你会觉得它还挺好用，翻译是不是要失业了——本文就将通过一些工具的实际使用效果和预期来判断「翻译是否会失业」。
总算在 618 换了新电脑，写篇文章简单纪念下。 本文（基本）不涉及代码，望周知。
在写上一篇稿子的时候，甚至早在之前写那篇 AI 相关稿子的时候，就发现我的 2017 年的台式机和 2019 intel core 的 Mac 可以说是相当不给力，第一没法指望 GPU 加速、第二实在是卡的不行，风扇呼呼转，愣是连写个稿子都卡（主要是需要开大量的 Chrome Tab 查阅资料，这年头的网站真是一个比一个狠），三是公司的电脑是 M2 Pro，可以说是相当流畅，以至于我整天非常气氛于自己当初一万多买的 Mac 和八千买的台式机怎么就那么卡。
痛定思痛，公司的电脑也有限限制，还是得有一个自己的新电脑！
尽管欠了好多篇博文待更新，但还是需要插播一则近日消息，那就是：我把博客从腾讯云迁移到阿里云了。
关于为什么要迁移，是因为以前因为备案问题（指 .me 域名不能备案，但是旧备案流程没这么复杂的时候已经备上的不管），所以一直只能当腾讯云钉子户，但是它续费……实！在！太！贵！了！
三年 5 折算下来总计需要 1200 元，但是配置却是 1C1G 的盖中盖，而现在类似于阿里云之类的开发者上云套餐，只需要 99 一年，立省 1000/3y。
本文为日志采集漫谈，并不涉及技术选型，没有开源产品比对，望周知。
因为我并不是日志采集系统的开发人员，本文现学现炒，班门弄斧，如有问题欢迎留言（轻喷）。
故事还得从本周我搞了个 panic 开始说起，在我发布失败要排查为什么失败了时，我惊讶的发现我竟然要上容器才能看到 panic 日志，我工作这么久还是很少见到这种场面的，经过和基建同学的深入畅谈，我要上容器这件事情合不合理抛开不谈，但我意识到，虽然大家都有日志采集，但似乎每家公司的实现却都略有差异，因此今天就来讲讲关于日志采集的一些个人想法。
在过去的文章中，我们提到过好几次关于系统的稳定性建设，而稳定性建设的第一步，就是要采集数据，关于采集数据的每一个环节，我们都可以花很多篇幅去讲解，今天我们要介绍的「日志（Log）」就是其中的一环。（另外两个重要的方向是「链路追踪（Trace）」和「度量（Metrics）」）
之前曾经说过关于更新成本较大，之后如果有一些只是思考而不是落地实践后验证的产物的话更新可能会快一点，因此有了本期——以后就叫「瞎逼逼」系列了。
「瞎逼逼」系列不严谨，只是个人的一些简单粗暴学习后的粗浅的看法，请注意。
众所周知，程序员不是一个计件工种，但程序员的工资又高，因此，老板们总得有一个考核办法，能够让牛马们心悦诚服的接受自己的工作成果。
最低端的不懂技术的老板，会像工厂组长那样，研究一个程序员每天的打卡时间：这个公式可能是「下班时间 - 上班时间 - 午休时间 = 工作时长 = 你对工作的上心程度」，如果粒度更细的话，可以计算你每次进出门的打卡记录差值，也可以在厕所装上计时器，再完美的扣除「带薪拉屎」的时间。
本来并不是很想写这类文章，很明显我这几年所有文章都聚焦在解决方案和落地经验，因此大家也可以看出，这是篇《有背景》的文章——当我接到这个需求的时候，我数了数我去年写的七篇文章，和行业趋势有个半毛钱关系。——此处插入一首阳光开朗大男孩。 本文不含娱乐圈八卦，但可能带主观吐槽，此外由于对文中提到的内容并没有深入理解，可能会有失偏颇，关注点和选材也多为「本人」感兴趣的部分，如果有误请各位大佬轻喷指正。 本人不跟风任何热点，纯属观众，能把这篇文章写完已经实属不易了（抹泪）。
在全部开始之前，首先向大家推荐下几个我每年都会看的年度统计报表，主打凑个热闹：
当然，Golang 也有自己的 H2 统计：https://go.dev/blog/survey2023-h2-results
这些统计可以帮助你更好的了解到行业画像和最新热度，即使不怎么追新也可以在最短的时间在这些报告中了解到一些本来可能不认识的技术点。