上一篇拆了推荐 Feed 的架构，这篇换个讲法：造一个用户，给他一晚上的真实行为数据，从《数学之美》的余弦定理出发，经过 Netflix 的三层分工和 TikTok 的工程极致，跟着他走完召回、粗排、精排、重排四层漏斗——每一步输入什么、输出什么、分数怎么变。

我在一个海外 C 端 IPTV 产品上做 Java 架构的实战总结：高并发、高可用、高性能、零信任安全、攻击防御与缓存一致性，其间落地了 Hystrix、EVCache 等 Netflix 开源组件与工程实践。

Spark 是批处理血统的分布式计算引擎，Flink 是流处理血统的——血统决定了延迟模型、状态管理和生态主场。本文讲清两者的基础概念并附 Java API 示例（Spark ETL/ALS 训练、Flink 事件时间窗口/状态 TTL），以一家类 Netflix 的视频公司为背景给出具体用例，以及算力规格估算、监控指标、故障恢复剧本和两家的避坑清单。

拆解微博、X 式推荐流背后的完整架构：用户偏好如何用交互矩阵和 embedding 算出来，召回/粗排/精排/重排四层漏斗各自的技术路径与离线在线分工（主力是十年前的深度学习栈，不是大模型），无限下拉靠游标分页、已曝光去重和候选池分层兜底。

Netflix 同时跑着两个 Flink 自动扩缩容器：2019 年自研的’外部观察者’和社区开源的’内部推理者’。读 Netflix 技术博客《A Tale of Two Flink Autoscalers》的学习笔记：为什么看容器指标的扩缩容有天花板，True Processing Rate 怎么逐顶点算并行度，以及把开源算法落到三万个作业上时补的三个工程缺口。

Spring Boot 和 Netty 根本不在一个知识层面上，用同一个渠道学四种层次的知识，效率必然低。本文用一个’秒杀系统’的例子贯穿始终，把软件知识分成原理、组件、版本、方案四层，逐层对比：十年前这些知识在哪获取，现在（AI 时代）去哪获取，以及 AI 真正改变的三件事。

入门篇解决「把功能写出来」，高级篇解决「把系统接出去」：Rails 应用如何正确接入 Redis（缓存/队列/数据结构）、Elasticsearch（搜索与索引同步策略）、RabbitMQ/Kafka（事件驱动与幂等消费）、以及 Spark/Flink/ClickHouse 这类大数据组件（Rails 的角色定位）。最后收束到一套接入任何外部组件都适用的工程纪律：超时、重试、熔断、幂等与降级。

一条由浅入深的 Rails 成长路线：先把环境一次装对，用最快的速度理解 Ruby 语言里那些「别的语言没有」的东西，然后沿着 MVC → Active Record → Hotwire 前端 → 后台任务与缓存 → 安全与 API → 测试 → Kamal/Docker 生产部署的顺序，一路走到能独立交付生产级应用。附带二十年老框架在 AI 时代还值不值得学的冷静判断。

闭环管’怎么做对’，地图管’力气往哪投’，这篇管’往哪走’。方向选择不是找正确答案，而是一个认识论问题：先用可逆性分流，再锚定、调查、判断、下注，最后用验证把选择接回闭环——骨架挂在《实践论》上，易经只作注脚。写给正在迷茫的人：迷茫往往不是想得不够，是调查得不够。

9 月的 HN Who is hiring 只有 242 条帖子，比 8 月再缩 27%。总量在退潮，但 Agent 治理、政府客户、能源层、模型评测这四个方向在逆势变厚；量子公司一夜消失；薪资呈现哑铃型分化——前沿实验室隔壁的岗位 junior 开到 30 万美元，而普通开发岗的时薪已经跌进 30 美元区间。

以我主导的真实项目 videocloud 的生产流水线为骨架，拆解 CI/CD 五个阶段：Jenkins 拉取编译、镜像与配置推送、changelog 变更单驱动的数据库与 Nacos 变更、ConfigMap 同步、部署与验证回滚。附凭证权限划分、配置文档化、HPA 伸缩规范、避坑清单与行业动态。

梳理本体数据（Ontology Data）的核心概念与组成要素——类、实例、属性、关系、公理与动作，对比本体、知识图谱与语义层的边界，并给出一套从业务域盘点、本体建模、数据实例化到语义服务化、Agent 接入与治理迭代的完整实施路径，附 Mermaid 图例、制造业实战案例与 2026 年最新行业动态（Palantir AIP、Microsoft Fabric IQ、信通院本体智能报告等）。