我在职业道路上，先后担任过软件工程师、软件架构师、创业公司创始人兼首席执行官，还曾从事过售前工作。这些年，我遭遇过不少挫折，同时也获得了一些宝贵的教训。

说实话，这些领悟并非什么“全新体会”，其中多数都能在书籍中寻得。然而，对我而言，其核心意义在于——它们并非虚无缥缈的理论，而是我亲身实践、付出代价后凝结的智慧。

CI/CD 不只是“更快”

创立公司期间，我们反复商议是否要为代码库配置一套自动化发布流程。众所周知，这属于标准做法，既能节省时间，又能切实达成代码自动集成与持续发布的目标。否则，每次更新都要手动执行测试、编译、代码风格检查以及部署等操作，实在难以想象。

然而，许多人认为“参与流水线作业需要耗费一些时刻”，因此常常耽搁。后来某晚，我们进行人工部署时，一位负责人填错了一个设定值，致使用户资料系统停摆了数小时，直到我们紧急发布修正程序才得以修复。

这次体验使我领悟到：持续集成与持续部署并非仅仅为了节省时间，更在于降低人为失误。虽然这个观点在书籍中早已提及，然而一旦亲身遭遇一次事故，感受便截然不同。

测试是为了“可演进性”

在那家新兴企业里，因为急于发布产品，我们起初几乎不做测试工作。所有人都清楚这会产生“技术债务”，不过当时认为最多只是线上偶尔出现些错误，修补一下就能解决。

我们逐步意识到，测试的意义并不仅限于“发现错误”。它实际上的功用在于：使系统得以持续发展。

设想一下codejock 16，若要调整一年前编写的某个程序段，很难确保不会弄巧成拙。即便有相关资料，也无法彻底了解当初的背景状况及所有关联因素。因此，许多人开始对陈旧的程序代码采取回避态度。

最终的启示在于：完备的检测机制，方能让人敢于改进和优化系统。这亦是某些专家为何将“缺乏验证的程序”称作“过时代码”的原因。

后来我从事咨询工作时，又从系统结构角度再次碰到了那个难题。要是缺少对系统设计的检验环节（诸如 ），整体框架就很难适应业务发展。为了应对这一挑战，社群提供了一些解决方案，比如 Java 的 ，而我另外还开发了一个 版本：。

Push-based ≠ 真正的

简要回顾，它主张以 Git 作为绝对基准，不仅用于维护代码，也用于管理基础设施、配置以及部署流程。

有两种方式：

相当一部分人觉得 Push-based 并非名副其实，我过去并未太过在意，直到亲身经历了挫折。

我们的微服务系统部署在 AWS EKS 平台，其基础设备由 负责维护。通常情况下，分支代码合并至主分支后，CI/CD 流程会自动完成整合工作。然而有一次 的工程师休假期间，线上系统突然遭遇性能瓶颈，导致服务响应缓慢。为此，后端团队紧急采用 方式手动提升了内存配置，故障因此得到排除。

过了一个星期，再次前往进行安全程序的安装，同时替换了 Helm 的方案，将其整合到主分支，系统随即自行启动流程。没过多久，先前存在内存溢出问题的服务又遭遇故障，原因是相关设定被重置为版本库中的原始数据——我们起初完全不明白为何“一个安全程序的更新”会造成线上服务中断。

这一起事件使我意识到：推送模式暗藏重大隐患，由于任何人工干预都会被系统撤销。我们随后转而采用拉取模式，借助特定机制达成，此举既消除了配置信息被覆盖的现象，又增强了安全防护（存储库不再具备对平台的广泛控制力）。

其他一些教训

有些没那么长的故事，但也同样值得记录：

整洁的代码，或者说是易于理解的代码，许多人提倡减少注释的编写。然而，即便是再精炼的代码，也无法阐明“为何要这样设计”。比如，为何选择这个算法、这个架构，而不是其他方案？在初创企业时期，虽然文档数量不少，却很少记录“缘由”。最终导致——人员流失，或者随着时间的推移，无人知晓当初的决策过程。我们后来才明白，诸如 （ADR）这类方式，其实具有相当的意义。

项目越是错综复杂，新员工适应起来就越感吃力，各方协调的难度也随之增大。增加人员数量，未必能提升效率，有时反而会拖慢脚步——这种状况，只有当自己亲自管理团队时才会深刻领悟。

行动越早实施，损失越轻微。即便出现偏差，及时获取信息、迅速调整，终究胜过等到最后导致全局受到影响。

技术并非越新颖越理想，关键在于实际成效。譬如，部分企业过度追捧微服务架构，反而造成系统比传统模式更繁杂。倘若一个单体架构运行顺畅，那便是更合适的方案。

我创办公司过程中的一个重要体会是：不能为了追求短期成效而损害长远意义。优质的产品和周到的服务，才有助于实现可持续的发展。

对我而言，领导团队最管用的方式是：主动适应调整而非固守既定方案，并且要建立责任感强的氛围和开放意见交流的环境，还需要明确阐述技术发展蓝图，唯有这样codejock 16，团队的协作能力才能达到最佳状态。

【活动分享】2025 年世界机器学习技术大会（ML-）京城站定于 10 月 16 日至 17 日在京西汀酒店举行，活动将围绕十二个核心议题展开，并有五十余位国内外知名学者参与，内容主要围绕大型模型相关的技术突破与应用革新，具体信息可查阅官方网站：https://ml-.org（或通过文章内链接访问）。

如有侵权请联系删除！