与 Sam Newman 谈微服务、分布式系统韧性及对 AI 的误解
什么时候使用微服务仍然合理？构建具备韧性的分布式系统时，需要牢记哪些心智模型？以及科技界为何在根本上误解了 AI？嘉宾：@samnewman。时间戳：
00:00 开场
03:16 Sam 进入科技行业的经历
09:32 Thoughtworks
20:55 微服务的兴起
33:37 规范是否会变得比代码更重要？
45:22 构建具备韧性的分布式系统（Sam 的新书）
52:35 分布式系统三原则
56:16 可观测性
1:02:20 韧性的权衡
1:07:54 幂等性
1:15:58 惊群效应
1:21:03 业务上下文与韧性决策
1:25:51 韧性工程：四个概念
1:32:42 AI 与韧性
1:36:26 AI 的局限以及该用在哪里
1:40:06 认知债务与认知投降
1:45:02 模块化架构与 AI 软件工厂
1:51:53 学习软件架构的资源
1:55:30 在哪里找到 Sam
本集由以下赞助：
@turbopuffer —— 构建在对象存储之上的向量与全文搜索：快速、便宜 10 倍，且极具扩展性。在底层，团队正在重写 tpuf 存储引擎。可跟进它直到上线：https://t.co/h4kBELL6Ry
@EntireHQ —— 为 agentic 时代重建的 Git 托管。Entire 将你的代码托管在区域内，并且比其他任何竞争对手快最多 89 倍。一键从 GitHub 镜像过来——我已经这么做了。https://t.co/7yHVse7Nfq
@AntithesisHQ —— 免费入门基于属性的测试：通过一场难得的直播网络研讨会，由《Logic for Programmers》作者 @hillelogram 主持。在此报名：https://t.co/QmpE5wI21w
那么，科技界对 LLM 的误解主要是什么？Sam 说：
“我认为科技界整体上对 AI 相当天真，并且从根本上误解了 LLM 是什么。比如：LLM 为什么删了我的数据库？嗯，因为它没有因果概念。它们没有这种概念：如果我做了 A，B 就会发生。
LLM 不是世界模型。世界模型已经存在很久了，比 LLM 还早。所以如果你有合适的模型和合适的输入，世界模型至少能达到这样的程度：‘如果我做 X，那么 Y 会发生，而且我被告知不要做 Y。’
我认为我们期待 LLM 做到超出它们实际能力的事，因为它们看起来太聪明了。这让我们有点过度高估了它们的能力。但 LLM 的本质，正是为什么围绕 LLM 的所有护栏，长期来看都不会是正确的解决方案。”
00:00 开场
03:16 Sam 进入科技行业的经历
09:32 Thoughtworks
20:55 微服务的兴起
33:37 规范是否会变得比代码更重要？
45:22 构建具备韧性的分布式系统（Sam 的新书）
52:35 分布式系统三原则
56:16 可观测性
1:02:20 韧性的权衡
1:07:54 幂等性
1:15:58 惊群效应
1:21:03 业务上下文与韧性决策
1:25:51 韧性工程：四个概念
1:32:42 AI 与韧性
1:36:26 AI 的局限以及该用在哪里
1:40:06 认知债务与认知投降
1:45:02 模块化架构与 AI 软件工厂
1:51:53 学习软件架构的资源
1:55:30 在哪里找到 Sam
本集由以下赞助：
@turbopuffer —— 构建在对象存储之上的向量与全文搜索：快速、便宜 10 倍，且极具扩展性。在底层，团队正在重写 tpuf 存储引擎。可跟进它直到上线：https://t.co/h4kBELL6Ry
@EntireHQ —— 为 agentic 时代重建的 Git 托管。Entire 将你的代码托管在区域内，并且比其他任何竞争对手快最多 89 倍。一键从 GitHub 镜像过来——我已经这么做了。https://t.co/7yHVse7Nfq
@AntithesisHQ —— 免费入门基于属性的测试：通过一场难得的直播网络研讨会，由《Logic for Programmers》作者 @hillelogram 主持。在此报名：https://t.co/QmpE5wI21w
那么，科技界对 LLM 的误解主要是什么？Sam 说：
“我认为科技界整体上对 AI 相当天真，并且从根本上误解了 LLM 是什么。比如：LLM 为什么删了我的数据库？嗯，因为它没有因果概念。它们没有这种概念：如果我做了 A，B 就会发生。
LLM 不是世界模型。世界模型已经存在很久了，比 LLM 还早。所以如果你有合适的模型和合适的输入，世界模型至少能达到这样的程度：‘如果我做 X，那么 Y 会发生，而且我被告知不要做 Y。’
我认为我们期待 LLM 做到超出它们实际能力的事，因为它们看起来太聪明了。这让我们有点过度高估了它们的能力。但 LLM 的本质，正是为什么围绕 LLM 的所有护栏，长期来看都不会是正确的解决方案。”