摘要 MQ选型的核心在于区分消息类型而非单纯比较性能参数。Kafka适用于事件日志场景，提供历史事件存储和回放能力；RabbitMQ擅长任务队列场景，具备灵活路由和任务确认机制；RocketMQ则更适合业务消息推进，支持顺序、延迟和事务消息。不同MQ的本质差异在于：Kafka解决"事件流如何存储消费"，RabbitMQ解决"任务如何路由确认"，RocketMQ解决"业务消息如何可靠推进"。选型前应

AI Coding 最危险的时刻，不是它写不出代码。更危险的是，它十分钟就写出了一段“看起来能修”的代码。比如一个订单卡在处理中。渠道回调显示成功，系统日志里也有回调记录，但业务订单迟迟没有推进。你把日志、代码片段和报错贴给 AI，让它帮你修。AI 很快定位到一段状态更新逻辑，改了代码，补了一个测试，然后告诉你：问题已经修复。这时候真正的问题来了：你敢合并吗？如果这是一个脚本问题，你可能敢。但如果

这篇想讲清楚的，其实不是“虚户”这个名词，而是账务系统为什么需要一套可以解释资金位置和资金变化的模型。订单状态只能告诉我们业务走到了哪一步，但它回答不了钱现在在哪里、属于谁、为什么增加、为什么减少。虚户解决的是资金位置和归属的问题；流水和记账指令解决的是这笔变化从哪里来的问题；复式记账解决的是钱不能凭空出现，也不能凭空消失的问题。所以一个支付或信贷账务系统，不能只看“支付成功”“还款成功”这些状态

好的 AI workflow，不是让模型更自由，而是让模型在关键节点不能犯低级错误。上一篇讲到，AI 编程真正拉开差距的，不是工具，而是工作流。同样使用 Codex、Claude Code、Cursor，有的人能把 AI 变成稳定的交付加速器，有的人只是让 AI 更快地制造不可 review、不可验证、不可维护的代码。所以很自然会有下一个问题：一个好的 AI workflow 到底长什么样？Sup

好的 AI workflow，不是让模型更自由，而是让模型在关键节点不能犯低级错误。上一篇讲到，AI 编程真正拉开差距的，不是工具，而是工作流。同样使用 Codex、Claude Code、Cursor，有的人能把 AI 变成稳定的交付加速器，有的人只是让 AI 更快地制造不可 review、不可验证、不可维护的代码。所以很自然会有下一个问题：一个好的 AI workflow 到底长什么样？Sup

同样用 AI 编程，有的人是在加速交付，有的人是在加速制造技术债。过去一年，很多程序员的工作方式都变了。以前接到一个需求，我们先读代码、看文档、画流程、写方案、改代码、跑测试。现在很多人的第一反应变成了：把需求丢给 Codex 或 Claude Code，让它先写一版。这件事本身没有问题。AI 确实能帮我们更快地读代码、生成样板、补测试、改接口、查问题。对一个熟悉业务、熟悉代码库、有工程判断的人来

同样用 AI 编程，有的人是在加速交付，有的人是在加速制造技术债。过去一年，很多程序员的工作方式都变了。以前接到一个需求，我们先读代码、看文档、画流程、写方案、改代码、跑测试。现在很多人的第一反应变成了：把需求丢给 Codex 或 Claude Code，让它先写一版。这件事本身没有问题。AI 确实能帮我们更快地读代码、生成样板、补测试、改接口、查问题。对一个熟悉业务、熟悉代码库、有工程判断的人来

很多人以为支付拆单是在拆金额，其实真正拆的是资金动作。一笔业务请求进来，上游表达的是“我要完成一次资金意图”，底层系统要做的是把这个意图翻译成一串可执行、可追踪、可补偿的资金操作指令。假设有一笔提现。从用户视角看，页面上只有一个动作：申请提现。从业务系统视角看，也许只有一个结果：提现成功或者提现失败。如果没有一个统一的资金操作系统，每个业务线都会自己调用账户、网关、结算、优惠券、通知等系统。