📚 教程:像架构师一样思考
这套教程不教你任何一门语言、任何一个框架。 它教你一种可迁移、不会过时的能力:在写代码之前,先把系统想清楚。
这套教程想解决什么问题
很多人写了很多年代码,依然画不出自己系统的架构图,也说不清「为什么用这个而不是那个」。原因是:学校和教程几乎都在教「实现」,很少有人系统地教「判断」。
- 实现能力回答的是:这个功能怎么写出来?
- 架构判断回答的是:这个系统应该长什么样?哪里会出问题?我在拿什么换什么?
这套教程,专门补「判断」这一课。
学习路径
教程按连续篇章展开,建议按顺序读,但每一章也能独立看。
第一段:建立思维(01–03)—— 换一个看系统的视角
| 章节 | 一句话 |
|---|---|
| 01 · 为什么先有架构思维 | 在 AI 写代码的时代,判断力比实现力更稀缺。 |
| 02 · 架构师的思考框架 | 任何系统都能用「需求→约束→质量属性→取舍」拆开。 |
| 03 · 读懂与画好架构图 | 用 C4 模型,把脑子里的系统画成别人看得懂的图。 |
第二段:掌握工具箱(04–06)—— 架构师手里到底有哪些牌
| 章节 | 一句话 |
|---|---|
| 04 · 十大核心架构模式 | 分层、微服务、事件驱动、CQRS… 每个模式都是对某个问题的回答。 |
| 05 · 数据与状态 | 系统真正难的不是逻辑,是数据放哪、怎么一致、怎么扩。 |
| 06 · 质量属性与取舍 | 性能、可用性、一致性、成本——你不可能全都要。 |
第三段:实战与演进(07–08)—— 把判断力用起来
| 章节 | 一句话 |
|---|---|
| 07 · 从 0 到 1 设计一个系统 | 给你一套照着做就能产出架构方案的方法论。 |
| 08 · 架构决策记录与演进 | 用 ADR 把「为什么这么决定」记下来,让架构随业务长大。 |
第四段:超越框架(09)—— 把判断力升华为品味
| 章节 | 一句话 |
|---|---|
| 09 · 架构品味 | 框架之外,真正拉开差距的是品味;用真实项目对比(微服务回单体、各大公司审美…)把它养出来。 |
🚀 进阶篇(10–17)—— 驾驭做大做关键后才咬人的硬骨头
入门篇带你从 0 设计一个中小系统;进阶篇处理的是另一类问题:当系统做大、做关键,真正的硬骨头才会露出来——分布式、失败、规模、演进、组织、安全,并以「大模型时代的架构判断」收尾,贯穿当下 vibe coding 的主线。
| 章节 | 一句话 |
|---|---|
| 10 · 分布式系统的硬道理 | 部分失败、没有全局时钟、共识很贵——分布式到底难在哪。 |
| 11 · 数据一致性工程 | 没有跨服务事务的世界,用 Saga / Outbox / 幂等 / 事件溯源把数据弄对。 |
| 12 · 为失败而设计:韧性工程 | 预设一定会出事:熔断、隔离、降级、重试、SLO、混沌工程。 |
| 13 · 规模化的力学 | 分片、一致性哈希、热点、多活、尾延迟——规模会在哪先裂开。 |
| 14 · 演进与拆分大型系统 | 给飞行中的飞机换引擎:绞杀者、并行运行、零停机迁移、拆单体。 |
| 15 · 组织即架构 | 康威定律:系统会长得像你的组织;团队拓扑与平台工程。 |
| 16 · 安全与多租户架构 | 把安全当结构:威胁建模、零信任、爆炸半径、租户隔离。 |
| 17 · 大模型时代的架构判断 | vibe coding 时代,靠判断力不可替代;把理论收束到当下。 |
🎯 实战篇(18–22)—— 把方法落到真实案例
入门 + 进阶教了「怎么判断」;实战篇补的是「怎么练」——用真实案例把 07 的方法、08 的演进、10–16 的硬骨头,和 templates/ 里的架构地图串成一条完整故事线。建议先读这一篇,再读 AI 协同设计篇。
| 章节 | 一句话 |
|---|---|
| 18 · 读地图:用框架拆解陌生系统 | 用四步法逆向读懂陌生系统;以 RAG / AI 对话产品练眼。 |
| 19 · 完整设计演练:中等复杂度系统 | 07 八步第二次完整走法——从 0 设计「能查单、能退款」的 AI 智能客服。 |
| 20 · 演进剧本:MVP 到规模化 | 延续 19 章同一个 AI 客服:看量化信号、写 ADR、决定何时升级。 |
| 21 · 拆分与迁移实战 | 14 章落地:绞杀者、抽象分支、影子流量、零停机换向量库。 |
| 22 · AI 原生系统设计 | 把 19 章客服升级为自主 Agent,落地 17 章三个新约束,引向下一篇。 |
🤝 AI 协同设计篇(23–26)—— 与 AI 协作,而不失控
前置:实战篇。 这一篇不讲 vibe coding 工具技巧,而讲** workflow 与审查**——规格怎么写给 AI、产出默认缺什么、eval 怎么当门禁、何时 vibe 何时 spec-first。与 architecture-copilot skill 同一产品线。
| 章节 | 一句话 |
|---|---|
| 23 · 规格即架构:约束怎么写给 AI | 把 ADR 和质量目标写成 AI 能持续遵守的护栏。 |
| 24 · 审查清单:AI 产出默认缺什么 | 11/12/16 的生产级 review checklist,判断 AI 方案扛不扛得住。 |
| 25 · 评测驱动:把「够好」写进架构 | 非确定性系统的 eval 门禁,防止换模型/改提示后悄悄退化。 |
| 26 · 协作决策树:何时 vibe、何时 spec-first | 原型尽情 vibe、生产用判断收口的总 workflow。 |
🧰 技术栈选型篇(27–34)—— 把「用什么技术」变成架构判断
前置:入门篇 + 进阶篇。 这一篇不做框架教程,也不做工具排行榜,而是把 02 的「需求 → 约束 → 质量属性 → 取舍」落到语言、数据库、缓存、API、部署、观测和 AI 基础设施选型上。
| 章节 | 一句话 |
|---|---|
| 27 · 编程语言与后端框架选型 | 语言和框架不是信仰题,而是运行时、生态、团队和维护成本的组合选择。 |
| 28 · 数据库与存储选型 | 先画数据生命周期,再决定事实源、读模型、搜索、对象存储和向量库。 |
| 29 · 缓存、消息队列与事件系统选型 | 分清读热点、时间错配和业务事实广播,别把 Redis / Kafka 当银弹。 |
| 30 · API 与服务通信选型 | 先判断同步/异步、内部/外部、契约强度,再谈 REST、gRPC、GraphQL。 |
| 31 · 云原生与部署平台选型 | 云原生不是上 K8s,而是选择团队养得起的部署、扩缩、回滚模型。 |
| 32 · 可观测性与可靠性技术栈选型 | 从用户 SLO 倒推指标、日志、链路、告警、值班和事故流程。 |
| 33 · AI 基础设施技术栈选型 | 先看稀缺资源是模型、GPU、上下文、检索质量、成本还是可控性。 |
| 34 · 技术选型决策树 | 用一棵树把「是否引入新技术、阶段、失败模式、团队能力、退出方案」串起来。 |
读完这套教程,你应该能做到
- [ ] 拿到一个模糊需求,能问出对的问题,把它拆成明确的约束和质量目标。
- [ ] 听到「我们要做个 X」,脑子里能立刻浮现出几种候选架构,并说出各自的取舍。
- [ ] 能在白板/文档上画出清晰的架构图,让产品、后端、前端都看得懂。
- [ ] 看到一个陌生系统(比如本仓库
templates/里的任何一个),能快速读懂它「为什么这么设计」。 - [ ] 做架构决策时,不再凭感觉或跟风,而是基于约束和取舍,并把理由写下来。
- [ ] (实战篇) 对着陌生系统或模板,能完整走一遍「读懂 → 设计 → 演进 → 迁移」。
- [ ] (AI 协同篇) 能把架构约束写给 AI、审查其产出,并在原型与生产之间选对协作方式。
- [ ] (技术栈选型篇) 能把「用什么技术」写成可复盘的 ADR,而不是凭热度或喜好拍板。
配合 templates/ 一起学
教程是「方法」,模板是「案例」。最好的学法是边学边对照:
每个模板都按同一套结构写(见 templates/README.md),所以你越读越快——因为你已经知道该去哪里找「关键决策」和「常见误区」了。
一个提醒
架构没有标准答案,只有在特定约束下「更合理」的答案。 这套教程给你的不是结论,是提问的能力。 当你开始对每一个技术选择都自然地问出「为什么是它?代价是什么?」——你就已经在用架构师的方式思考了。
💬 评论