[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"consumer-news-detail-841":3,"consumer-news-interaction-841":38,"consumer-news-related-841":41},{"detail":4,"item":34},{"card":5,"schemaVersion":21,"fields":22,"content":28},{"id":6,"kind":7,"targetType":8,"targetId":9,"subtype":7,"typeLabel":10,"title":11,"subtitle":12,"summary":13,"coverUrl":14,"badgeText":14,"href":15,"sourceName":12,"meta":16,"metrics":18,"tags":19,"resolved":20},"NEWS_ARTICLE:841","news","NEWS_ARTICLE",841,"资讯","AKF扩展立方体和AKF可用性立方体","博客园","很多人知道AKF扩展立方体是从《架构即未来》这本书开始。实际上akfpartners官方写过4篇关于AKF扩展立方体的文章，还有一篇介绍AKF可用性立方体。akfpartners官方在高可用、扩展性方面有很多专业技术文章，建议有空就翻翻看。 AKF扩展立方体和AKF可用性立方体都介绍了X轴、Y轴和Z","","\u002Fnews\u002F841",[17],"2026",{},[],true,"consumer-content-detail-v1",{"sourceName":12,"authorName":23,"summary":13,"description":13,"publishTime":24,"updateTime":25,"sourceUrl":26,"language":27},"编程一生","2026-09-02T11:50","2026-09-02T20:37:48","https:\u002F\u002Fwww.cnblogs.com\u002Fxiexj\u002Fp\u002F22805623","中文",{"format":29,"policy":30,"normalized":20,"html":31,"text":32,"wordCount":33,"hasBody":20},"HTML","NEWS_CONTENT_V1","\u003Cp>很多人知道AKF扩展立方体是从《架构即未来》这本书开始。实际上akfpartners官方写过4篇关于AKF扩展立方体的文章，还有一篇介绍AKF可用性立方体。akfpartners官方在高可用、扩展性方面有很多专业技术文章，建议有空就翻翻看。\u003C\u002Fp>\n\u003Cp>AKF扩展立方体和AKF可用性立方体都介绍了X轴、Y轴和Z轴。X轴核心是复制，Y轴核心是按业务拆分；Z轴核心是按算法拆分。AKF扩展立方体解决的问题是提供无限扩展性的解决方案；AKF可用性立方体解决的问题是提供无限高可用的解决方案。\u003C\u002Fp>\n\u003Cp>AKF扩展立方体\u003C\u002Fp>\n\u003Cp>X轴扩展是通过克隆和复制的方法来扩展。对应用来说，复制服务、负载均衡、浏览器存储session、对象缓存都是X轴扩展的例子；对数据库来说，数据库主从读写分离是典型的例子。\u003C\u002Fp>\n\u003Cp>Y轴扩展是按业务来拆分，微服务就是一种Y轴扩展方式，DDD为扩展提供方式方法。扩展的大敌是瓶颈。所以微服务系统都要求将不同服务的数据库分开，来增强扩展性。\u003C\u002Fp>\n\u003Cp>Z轴扩展是按算法规则扩展。对应用来说，单元化架构就是一种Z轴扩展方式；对数据库来说，分库分表就是一种Z轴扩展方式。\u003C\u002Fp>\n\u003Cp>官方对三轴拆分的本质描述有一张图，清楚明白：\u003C\u002Fp>\n\u003Cp>AKF可用性立方体\u003C\u002Fp>\n\u003Cp>AKF可用性立方体\u003C\u002Fp>\n\u003Cp>X轴扩展可以大幅提高可用性。假如一个服务本身的可用性是4个9，根据 （总时间-不可用时间）\u002F总时间 的可用性公式，可用性可被提高到下面这么多9:\u003C\u002Fp>\n\u003Cp>Y轴扩展对可用性是起副作用的。因为业务拆分之后，模块之间的跨系统交互会增加，增加通信失败的风险。服务、数据扇出和服务、数据熔断是典型的反模式。服务扇出是说一个服务是个中心节点，和很多服务有调用关系；数据扇出是要得到数据需要从多处获取数据，也是一个中心。这样，一旦这个服务发生故障，和其有调用关系的都受到影响，被熔断。这些可以通过额外的处理：限流、降级等进行规避。\u003C\u002Fp>\n\u003Cp>Z轴扩展可减小故障辐射半径，提高可用性。这种可用性手段又被称为舱壁模式或者泳道。被称为永不沉没的泰坦尼克，之所以叫永不沉没就是使用了舱壁，使用了16个舱壁，就算4个进水都不会有问题。设计上没有问题，据说是使用外包做了豆腐渣工程，导致了悲剧。\u003C\u002Fp>","很多人知道AKF扩展立方体是从《架构即未来》这本书开始。实际上akfpartners官方写过4篇关于AKF扩展立方体的文章，还有一篇介绍AKF可用性立方体。akfpartners官方在高可用、扩展性方面有很多专业技术文章，建议有空就翻翻看。 AKF扩展立方体和AKF可用性立方体都介绍了X轴、Y轴和Z轴。X轴核心是复制，Y轴核心是按业务拆分；Z轴核心是按算法拆分。AKF扩展立方体解决的问题是提供无限扩展性的解决方案；AKF可用性立方体解决的问题是提供无限高可用的解决方案。 AKF扩展立方体 X轴扩展是通过克隆和复制的方法来扩展。对应用来说，复制服务、负载均衡、浏览器存储session、对象缓存都是X轴扩展的例子；对数据库来说，数据库主从读写分离是典型的例子。 Y轴扩展是按业务来拆分，微服务就是一种Y轴扩展方式，DDD为扩展提供方式方法。扩展的大敌是瓶颈。所以微服务系统都要求将不同服务的数据库分开，来增强扩展性。 Z轴扩展是按算法规则扩展。对应用来说，单元化架构就是一种Z轴扩展方式；对数据库来说，分库分表就是一种Z轴扩展方式。 官方对三轴拆分的本质描述有一张图，清楚明白： AKF可用性立方体 AKF可用性立方体 X轴扩展可以大幅提高可用性。假如一个服务本身的可用性是4个9，根据 （总时间-不可用时间）\u002F总时间 的可用性公式，可用性可被提高到下面这么多9: Y轴扩展对可用性是起副作用的。因为业务拆分之后，模块之间的跨系统交互会增加，增加通信失败的风险。服务、数据扇出和服务、数据熔断是典型的反模式。服务扇出是说一个服务是个中心节点，和很多服务有调用关系；数据扇出是要得到数据需要从多处获取数据，也是一个中心。这样，一旦这个服务发生故障，和其有调用关系的都受到影响，被熔断。这些可以通过额外的处理：限流、降级等进行规避。 Z轴扩展可减小故障辐射半径，提高可用性。这种可用性手段又被称为舱壁模式或者泳道。被称为永不沉没的泰坦尼克，之所以叫永不沉没就是使用了舱壁，使用了16个舱壁，就算4个进水都不会有问题。设计上没有问题，据说是使用外包做了豆腐渣工程，导致了悲剧。",874,{"id":6,"kind":7,"title":11,"summary":13,"image":14,"href":15,"meta":17,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":37},"#2563eb","16 \u002F 10",[7,8],{"targetType":8,"targetId":9,"likedByMe":39,"likeCount":40,"commentCount":40,"contentLikeCount":40,"contentCommentCount":40,"sourceLikeCount":40,"sourceCommentCount":40},false,0,[42,51,57,64,72,79,85,92],{"id":43,"kind":7,"title":44,"summary":45,"image":46,"href":47,"meta":48,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":49},"NEWS_ARTICLE:827","MHS 三部曲（下）：谁允许 AI 行动？——权力、合规与中国厂商的答卷","我们总在等待一个像 ChatGPT 那样的机器人时刻。但具身智能真正的拐点，也许先发生在更不起眼的地方：一台陌生设备，第一次能把自己的能力、状态和边界完整告诉 AI；一个 Agent，第一次能把试出来的经验固化成可验证、可复用的机器技能。","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F510\u002F202608\u002F510-20260830153745229-1536981088.jpg","\u002Fnews\u002F827","2026 · 人工智能",[50],"人工智能",{"id":52,"kind":7,"title":53,"summary":54,"image":14,"href":55,"meta":17,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":56},"NEWS_ARTICLE:829","我不会美工，用 WorkBuddy 1 分钟做出 4 张海报","先说结果：下面这 4 张海报，从我发出指令到拿到图片，大约 1 分钟。 我不会美工，也没有打开 Photoshop。用的工具，是我之前用 WorkBuddy 做的一个海报生成器。这个生成器本身也没花几分钟，具体开发过程我在上一篇文章里写过。 这次我把海报生成器的网址、产品截图和要求一起发给 Work","\u002Fnews\u002F829",[7,8],{"id":58,"kind":7,"title":59,"summary":60,"image":61,"href":62,"meta":17,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":63},"NEWS_ARTICLE:828","一个人抵一个团队的时代，企业级 AI Agent 还需要做什么？","对于企业而言，真正需要的，不是一个“会聊天”的 Agent，而是一套能被多用户、多场景复用，且权限清晰、过程可审计、成本可控制的 Agent 能力体系。","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F2232255\u002F202609\u002F2232255-20260902173524728-659996478.png","\u002Fnews\u002F828",[7,8],{"id":65,"kind":7,"title":66,"summary":67,"image":14,"href":68,"meta":69,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":70},"NEWS_ARTICLE:832","用 runtime-async 写一个支持 async\u002Fawait 的轻量脚本引擎","起因：一个好奇 事情的开头很简单。 给 .NET 做过动态脚本的人大概都碰到过同一堵墙：表达式树也好、Reflection.Emit 也好，都很难支持 async\u002Fawait。原因不在语法，而在 await 的实现方式——C# 编译器要为每个 async 方法生成一个状态机结构体，把方法体切成若干片","\u002Fnews\u002F832","2026 · 软件开发",[71],"软件开发",{"id":73,"kind":7,"title":74,"summary":75,"image":76,"href":77,"meta":17,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":78},"NEWS_ARTICLE:831","Agent Sandbox 规模化：JuiceFS 探索与实践","过去一段时间，我们在和云厂商以及 Agent 团队推进 Sandbox 落地时，除了要解决数据如何进入 Sandbox，还需要考虑任务所需的数据和执行过程中产生的数据，如何跨任务、跨阶段持续使用。Sandbox 可以随任务快速创建和销毁，但数据往往需要继续保留、共享和流转。 当 Sandbox 并发","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F2544292\u002F202609\u002F2544292-20260902171045357-1907499098.png","\u002Fnews\u002F831",[7,8],{"id":80,"kind":7,"title":81,"summary":82,"image":14,"href":83,"meta":17,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":84},"NEWS_ARTICLE:830","百智云长期记忆服务：长期记忆与上下文窗口的区别","很多人在接触 AI 长期记忆时，第一反应是：「这不就是把聊天记录存起来吗？」其实这是一个很常见的误解。今天我们把「长期记忆」和「上下文窗口」这两个概念彻底讲清楚。 一、什么是上下文窗口 上下文窗口（Context Window）是模型在单次推理时能「看到」的文本上限。它像一个临时的工作台：模型只能处","\u002Fnews\u002F830",[7,8],{"id":86,"kind":7,"title":87,"summary":88,"image":89,"href":90,"meta":48,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":91},"NEWS_ARTICLE:835","体验向量数据库 qdrant","作者:张富春(ahfuzhang)，转载时请注明作者和引用链接，谢谢！ cnblogs博客 zhihu Github 公众号:一本正经的瞎扯 背景 为了早点搞懂公司的百万行 C# 的祖传代码，我想在缺乏文档、缺乏帮手的情况下，先建立一个 企业知识库 来快速帮我理清头绪。 一开始，我是打算以 weav","https:\u002F\u002Fimg2022.cnblogs.com\u002Fblog\u002F1457949\u002F202202\u002F1457949-20220216153819145-1193738712.png","\u002Fnews\u002F835",[50],{"id":93,"kind":7,"title":94,"summary":95,"image":14,"href":96,"meta":17,"badge":10,"author":12,"stats":-1,"accent":35,"coverRatio":36,"tags":97},"NEWS_ARTICLE:833","如何利用AI技术实现漫画翻译","漫画作为图文结合的特色文化载体，承载着各国潮流文化与人文故事，但跨语言的文字壁垒，长期制约着漫画的传播与交流。传统漫画翻译高度依赖人工操作，需要人工框选文字、擦除原图文字、翻译文案、排版适配画风，流程繁琐、耗时费力，且极易出现排版错乱、画风违和、语义偏差等问题。 随着深度学习、计算机视觉与大模型技术","\u002Fnews\u002F833",[7,8]]