第 5 章 技术决策：从业务约束到技术方案
副题：为什么选这个、不选那个——以及为什么这个"为什么"是可以学会的
本章是全书的方法论中心。第 1 章我们拿到了地图，第 4 章我们把一句话需求翻译成了需求清单。现在需求清单在手，要开始选型了：语言用什么？框架用什么？数据库用什么？本章不回答"该选什么"，回答"怎么选"——一个可以用在任何技术选择上的九步决策模型。
本章要建立的认知
- 技术选型没法靠"背答案"，得从业务约束里推出来；
- 九步决策模型：业务目标 → 业务约束 → 技术问题 → 候选方案 → 评价维度 → 方案选择 → 收益 → 代价 → 未来演进条件；
- 一句话记住它：约束是选型的输入，代价是选型的输出——决策包含"不做什么"，且从不一劳永逸。
5.1 选型为什么这么难
先看一个你多半经历过的场景。
某个技术群里有人问："社区交易类产品，数据库用 PostgreSQL 还是 MySQL？"半小时内，评论区分成两派：一边说"PostgreSQL 功能强、JSON 好用、事务靠谱"；另一边说"MySQL 生态大、云厂商支持好、出问题一搜一堆答案"。双方各自贴出三四个"权威"链接，谁也说服不了谁。最后有人抛出一句："跟着大厂走准没错，某大厂用的就是 X。"于是提问的人更迷茫了。
这就是选型难的真实样子：答案从来不缺，多到让人没法下手。PostgreSQL、MySQL、MongoDB、SQLite；React、Vue、Svelte；Node、Python、Java、Go——每一个选择都有人推荐、都有人踩过坑、都有成功的公司和失败的案例。1-3 年的开发者面对这种局面，最常见的应对方式是：
- 看招聘要求——"反正以后跳槽要会这个"；
- 看 star 数和社区热度——"用的人多总没错"；
- 看朋友/同事推荐——"他踩过的坑比我走过的路多"；
- 看教程——"教程用什么我就用什么"。
这些方式不能说错，但有一个共同的毛病：它们都无法被论证。别人问你"为什么选这个"，你只能回答"因为它火"或者"大家都这么用"。而"因为它火"不是一个技术理由——它解释不了你的业务为什么需要这个技术，也回答不了"业务变了之后要不要换"。
选型难，还难在第二个地方：选错的代价来得晚。语言、框架、数据库不是写错一行代码——它们是地基。地基选错了，当天看不出毛病，半年后业务要加一个功能时，你发现"当初那个选择让这件事变得极其难做"。到那时候，迁移成本高得让人宁可忍受别扭。所以选型又是一个"决策时看不出好坏、事后才知代价"的典型问题。
本章要解决的就是这两件事：给选型一个可以论证的方法，让每个选择都能说清楚"从哪来、到哪去"；同时把"事后代价"提前到决策时就想清楚。
还有一个心态层面的根源值得先拆掉：大多数人把选型当成考试，其实它更接近设计。考试有唯一正确答案，考的是你知道得多不多；设计没有标准答案，比的是你在约束下的权衡好不好。把选型当考试的人，会一直焦虑"我是不是选错了"——因为总有一个"更好的答案"在别处；而把选型当设计的人，关心的是另外两个问题："我的约束分析全不全？我的代价清单诚不诚实？"这两个问题是可以回答的，回答完，选型焦虑就变成了选型论证。本书采用把选型当设计的态度，这也是本章只给方法、不给答案表的原因。
先看一个贯穿本章的例子：为我们的案例产品选数据库。
5.2 为案例选数据库
决策现场
时间回到案例的阶段 1：一个人开发，一台服务器，需求清单刚定稿。要做一个社区交易产品——有人发内容、评论，将来还要上架商品、下单付款。现在的问题是：数据用什么存？
为什么第一个选数据库？因为数据是系统的"记忆"，是最难替换的部分。前端框架想换，重写页面就行；后端语言想换，重写逻辑就行；数据库想换——要把全部数据迁移过去，还要保证迁移期间不出错。所以数据库选型是选错代价最高的决策，适合作为第一个完整示例。
那为什么不先选架构形态？架构也是重决策，但阶段 1 的架构问题用九步走一遍会非常短——目标是快速验证想法，约束是一个人加一台服务器，候选是单体与微服务，评价维度里"开发与部署复杂度"权重压倒一切，结论是单体，代价是将来拆分成本高（第 26 章再评估）。九步走到极简时就是这样：它不总是大工程，但即使是三句话，"为什么是单体"也有了可论证的答案，不再是一句"大家都这么干"。
九步模型来选择数据库
第一步到第三步：目标、约束、技术问题
业务目标：验证"社区 + 交易"的想法能不能成立，尽快上线拿到真实反馈。
业务约束（这一步最关键，也是最容易被跳过的）：
- 一个人开发，没有专职 DBA；
- 一台服务器，资源有限；
- 上线时间紧，优先选"踩坑少"的方案；
- 数据量目前很小，但内容会增长，将来要收钱——交易数据不能出错；
- 内容和商品的属性可能会变（标签、规格），表结构不想频繁改。
技术问题：数据用什么存？具体拆成两个：要不要用关系型数据库？用哪个关系型？
注意，到这里为止，我们还没提任何一个具体技术——三个问题里，前两个是纯业务的，第三个才是技术的。这就是决策模型的第一个纪律：先搞清楚目标、约束和技术问题，再谈方案。大多数选型灾难，都始于跳过前两步直接讨论"MySQL 和 PostgreSQL 哪个好"。
第四步：候选方案（先粗筛，再细比）
把所有候选列出来，先做一轮粗筛，把明显不合适的排除掉：
- SQLite：零部署、单文件，本地开发神器。但它的写锁是库级的——多个用户同时写数据时只能排队，并发一上来就成瓶颈；而且它更像"给单机程序用的文件库"，不适合"多用户同时访问的线上服务"这个场景。"一个人本地玩"是它的主场，但案例要上线、要有多个用户同时读写。排除。
- MongoDB：文档型数据库，schema 灵活，内容/商品这种"属性多变"的数据看起来很适合。但案例将来要收钱：订单、支付、库存这些数据需要强事务和强一致，文档型数据库虽然近年也支持了事务，但起步晚、心智模型不同（文档内嵌 vs 关系引用），且对账、报表这类交易场景的工具链远不如关系型成熟。排除——MongoDB 不算不好，但它过不了"要收钱"这条约束。
- PostgreSQL 和 MySQL：两个主流关系型数据库，都支持事务、都有成熟的索引和运维方案。进入细比。
这就是粗筛的价值：候选要留在有意义的数量区间。粗筛后剩下 2-3 个真实候选，决策才有意义——只有一个候选是"没得选"，十个候选是"没有标准"。
选型讨论吵不出结果，绝大多数时候输在输入缺失：目标、约束、技术问题没有定，讨论"哪个好"就是无效讨论。决策模型的第一步价值就在这里：它把讨论从"哪个好"（无解的吵架）变成"哪个更匹配"（可论证的比较）。
第五步到第六步：评价维度、方案选择
对剩下的两个候选，按案例的约束定评价维度：
| 评价维度 | 权重（维度重要性） | PostgreSQL | MySQL |
|---|---|---|---|
| 事务与一致性能力 | 高——将来要收钱，数据库迁移代价极高，必须为交易预留 | 强（MVCC 多版本并发控制，业界公认扎实） | 强（InnoDB，满足常规事务需求） |
| 数据模型灵活性 | 高——内容标签、商品属性多变，不想频繁改表 | 强（JSONB 类型，可索引可查询） | 中（JSON 支持较弱，早期版本更弱） |
| 生态与中文资料 | 中——一个人开发，踩坑要查得到 | 中（社区活跃，中文资料渐多） | 高（LAMP 时代积累，资料最多） |
| 部署运维成本 | 中——一台服务器，都要装要配 | 低 | 低 |
| 许可证 | 低——商业产品要留意 | BSD，无附加义务 | GPL 双许可，商用需注意条款 |
按权重看，事务能力和数据灵活性是案例约束下的关键维度，这两项 PostgreSQL 占优；MySQL 的生态优势是"中"权重维度。方案选择：PostgreSQL。
但这里必须把话说完整：这不是"PostgreSQL 比 MySQL 好"的排名。如果你的约束是"团队五个人全熟 MySQL，云厂商还送 MySQL 实例"，那评价维度的权重就会变成"生态与团队熟悉度"最高，MySQL 就是正确答案。同一个技术问题，约束不同，评价维度权重不同，选择就不同——这就是为什么"同样的业务，不同团队选型不同"：没有谁选错，只是大家的约束本来就不一样。
第七步到第八步：收益与代价（选完就要认账）
收益：事务能力强，为阶段 3 的交易功能预留了地基；JSONB 让内容标签、商品属性不用改表就能扩展；BSD 许可，商用无附加义务。
代价：中文资料和云厂商默认支持不如 MySQL 普及——一个人开发，遇到冷门报错要自己啃英文文档；JSONB 字段是半结构化的，针对它的复杂查询和校验比结构化字段费劲；如果当初团队更熟 MySQL，学习成本就是额外的。
**只讲收益不讲代价，是选型最危险的姿势。**代价不会因为没讲就消失，它会在半年后的某个深夜以"迁移成本"的形式找上门。所以决策模型里，收益和代价必须成对写下——哪怕代价只是"少一点中文资料"。
第九步：未来演进条件
写下触发重新评估的信号：
- 用户量增长到缓存、读写分离都压不住，需要考虑更复杂的存储架构；
- 团队技能结构变化（来了一个 MySQL 专家，或要引入某个只有 MySQL 生态才有的方案）；
- 业务出现关系型数据库明显不适配的场景（比如海量非结构化数据）。
演进条件是写给未来自己的提醒，别把它当成"以后再说"的借口：写下来，业务到那个信号时，就知道"该重新评估了"。没有这一条，选型就是"一次定终身"；有了这一条，选型变成"带到期日的决策"。
九步走完，案例的数据库选型有了一个可以完整说清楚来龙去脉的答案：PostgreSQL。它未必是"最好的数据库"，但它是"这个业务、这个约束下，论证最完整的答案"。
为了把"选择是约束的映射"这件事钉死，做一个对照实验：把案例的约束改两条——团队五人、全都熟 MySQL，云厂商还送 MySQL 托管实例。重走第五、六步："生态与团队熟悉度"的权重立刻升到最高，结论翻转为 MySQL。技术问题没变、候选没变，变的只有约束，于是选择变了。这就是为什么网上"PostgreSQL 还是 MySQL"的争论永远没有终局——两边都在用自己的约束吵别人的题。下次再看到这类争论，先别问"哪个对"，先问：他的约束是什么？和我的像吗？
5.3 九步模型：每一步在问什么
我们把九步拆开看每一步。上节我们了解了九个步骤的内容，这里看"每一步为什么长这样、容易在哪出错"。
第 1 步 · 业务目标：你要达成什么？ 在问"业务到底要什么"，答案里不允许出现技术名词。目标可以是："快速验证想法""支持 1 万人同时在线""三个月内上线"。"用微服务"、"上 K8s"这些就不是业务目标。很多人嘴上说目标是"快速上线"，心里想的是"用上我心仪已久的某新框架"。目标一旦被技术偷换，后面八步就会失真。
案例回看：我们的目标是"验证想法、尽快上线拿反馈"——这个目标决定了后面所有步骤的基调：一切增加复杂度的选项都要为它让路。
第 2 步 · 业务约束：边界在哪里？ 人、时间、钱、数据量、合规、团队技能等这些限制条件就是业务约束，约束是选型的输入里最重要的部分。分析时经常会漏掉一些约束，最常见的漏项是"运维人力"——选型时没人提"以后谁来管它"，半年后这东西变成了团队里没人愿意碰的遗产。另一个常见漏项是"团队真实技能"——按"现在真会"算，不按"我们希望会"算。
案例回看：一个人开发、一台服务器、将来要收钱——"一个人"和"要收钱"这两条约束，一个压低了运维复杂度预算，一个抬高了数据可靠性下限，后面候选和维度全是它们推出来的。
第 3 步 · 技术问题：业务诉求翻译成什么问题？ 把前两步翻译成一个技术问题清单："要存数据且将来要事务"→"选什么数据库"；"要记住登录状态"→"怎么保持会话"。翻译为技术问题时，要注意翻译结果的范围适度，不能太宽泛，也不能提前就把选择空间定得太窄。"用什么数据库"就是合适的宽度；"PostgreSQL 还是 MySQL"太窄（跳过了粗筛）；"怎么存储"太宽（没有候选空间）。
案例回看：我们把它拆成两个问题——"要不要用关系型"（粗筛问题）和"用哪个关系型"（细比问题），一个决策拆成两级，每一级候选数量都控制在 2-3 个。
第 4 步 · 候选方案：有哪些真实的选项？ 进行粗筛，这步粗筛到 2-3 个真实候选。粗筛的标准是先排除不满足约束条件。粗筛完候选方案太少或者太多都要小心。
案例回看：SQLite 和 MongoDB 在粗筛中被排除，各自都撞上一条硬约束——SQLite 被"多人并发在线"排除，MongoDB 被"将来要收钱"排除。
第 5 步 · 评价维度：谁重要？ 定维度 + 定权重。维度的重要性权重来自第 2 步的约束。这里要避免把流行度的权重定得过高，流行度是一个结果——它是别人的约束和选择产生的结果，不是你的评价依据。参考它可以，单独当标准不行。
案例回看：五条维度里，事务能力和数据灵活性权重最高，因为它们直接对应"要收钱"和"属性多变"两条约束；生态权重只给"中"，因为一个人开发虽然要查资料，但这不是决定成败的维度。
第 6 步 · 方案选择：做决定。 根据维度的权重进行比较，选一个，然后把理由写下来。当两个候选项差别不大时，不要并行维护两套方案。"先都试试"是选型里最贵的话，远超"选错再换"的成本。选型必须产生一个决定，哪怕决定是"选 A，同时记录 A 的风险"。
案例回看：PostgreSQL 在关键维度占优，选择它，同时把"中文资料少"写进代价列——决定不假装完美。
第 7 步 · 收益：它带来了什么？ 写下这个方案给你的东西。收益要具体到可以验证，比如：在 X 并发下 P99 延迟 < 200ms。
案例回看：收益是"为阶段 3 的交易预留了事务地基""JSONB 让属性扩展不用改表"——都是可以回头验证的承诺。
第 8 步 · 代价：你付出了什么？ 写下这个方案让你牺牲的东西。这是全书最重要的一个习惯：收益与代价永远成对出现。任何技术都有代价——没有代价的技术说明你没想清楚。代价包括但不限于：学习成本、运维成本、生态风险、迁移成本、团队约束。
案例回看：代价是"中文资料与云厂商支持略少，冷门报错要啃英文文档"——不大，但写下来了，这就是诚实。
第 9 步 · 未来演进条件：什么信号出现时需要重新评估？ 写下"到期日"：出现什么信号，这个决策要重来。业务会变，约束会变，昨天的最优解今天可能是负担。没有第 9 步的决策记录，就没有"该换的时候知道该换"的触发点——大多数"技术债"当年并没有选错，只是当时没考虑未来可能发生的变化。
案例回看：信号是"用户量增长到缓存/读写分离都压不住""团队技能结构变化"——第 16 章我们会看到，阶段 2 真的触发了其中一条。
一句话总结九步：前三步问业务，中间三步做翻译，后三步签收并定到期日。前两节说的"约束是选型的输入，代价是选型的输出"，就是这张图的两个端点。
九步之外还有一个常被忽略的环节：信息收集。第 4 步列完候选、第 5 步开始评价之前，你需要真实的资料——官方文档、性能对比、迁移案例——而不是论坛印象和"我记得好像"。"凭印象评价"和"按证据评价"是两种完全不同的决策质量；九步模型的每一步都默认你手上拿着证据，没有证据的九步只是把偏见流程化。
九步不是每次都要走完
看到这里你可能会问：以后每次选个组件库、挑个工具也要走九步吗？当然不是。判断标准是"决策的代价 × 可逆性"：
- 代价高、难逆转的决策——数据库、语言、架构形态——值得走完整九步，因为它们错了要花大价钱改；
- 代价低、容易换的决策——组件库、工具脚本、某个 npm 包——三步就够：目标是什么 → 候选快速比一轮 → 选一个先试，不行就换。
"试错成本低"本身就是一个决策结论，它来自你对代价的判断。决策模型最大的价值，是让你知道哪些决策该重、哪些该轻，并不是让所有决策都变重。把重的做重，把轻的做轻——这个分寸感本身就是决策能力的一部分。
落到案例上：阶段 1 的决策清单里，数据库（PostgreSQL vs MySQL）、架构形态（单体还是别的）、后端语言（Node 还是 Python/Java）走完整九步——它们代价高、难逆转；而前端组件库、构建工具、代码风格这类，三步就走，选一个先跑起来，别扭了再换。这个分工本身就写在 5.5 的决策记录里：重决策有完整论证，轻决策只有一行结论。完美的论证不存在：足够好的论证（约束分析完整、代价清单诚实）+ 明确的决定 + 写下的到期日，就是一份合格的决策；剩下的交给第 9 步去跟踪。
5.4 为什么"为什么"可以学
现在到了本章最要紧的一个问题：这一套方法凭什么成立？ 技术选型真的可以从"公说公有理"变成"可以论证"吗？还是说，这只是把玄学包装成了流程？
答案是：它成立，因为 Web 技术的问题空间是收敛的。
展开说。过去二十年，Web 系统面对的业务问题，翻来覆去其实就那么几类：要快（性能）、要可靠（数据不能丢）、要并发（人多）、要安全（不能被人搞）、要可维护（团队协作）、要能演进（业务会变）。每个问题，业界都演化出了成熟的方案形态——缓存解决快、事务解决可靠、索引解决查询慢、负载均衡解决并发、加解密解决安全、分层解决可维护。第 2 章讲过：每个技术都是被某类业务问题逼出来的（演进循环：复杂度上升 → 旧方案无法承受 → 新技术出现）。
这个事实带来一个推论，也是本章最重要的认知：
看懂一个技术选择 = 反推出它背后的约束。
看到"某系统用了 Redis"，不要问"Redis 是什么"（名词清单的思维），要问"它的什么业务约束让缓存被逼出来了？"——答案多半是"读多写少、热数据集中"。看到"某系统用 JWT 不用 Session"，要问"它的什么约束让无状态更合适？"——答案多半是"多端、多服务"。技术方案是约束的函数，函数是可逆的：顺着方案，能推出约束。
所以这套九步与其说是"选型流程"，不如说是一台翻译器：业务约束从一端进，技术方案从另一端出。九步就是这台翻译器的内部结构。学会用它，你就同时学会了两个方向的翻译：
- 正推（设计方向）：拿到一个业务需求，从目标约束出发，推出一套技术方案——这是"从业务需求出发做出基本的技术方案"；
- 反推（理解方向）：看到一个已有系统，从技术方案反推它的约束——这是"看懂一个系统、解释它为什么这样设计"。
反推不玄，就是三个固定问题，和正推共用同一个模型：
- 它解决了什么问题？（这个技术为什么存在）
- 什么样的业务会先遇到这个问题？（它的约束画像）
- 它牺牲了什么？（它的代价）
演示一次。Redis：它解决了"热数据读写慢"的问题；会先遇到这个问题的业务，是读多写少、热数据集中、能容忍短暂不一致的；它牺牲的是缓存与源数据的一致性保证和一份额外的运维。所以看到某系统用 Redis，你就能反推出它的约束画像；反过来说，如果你的业务写多读少、强一致，用 Redis 就谈不上"跟上潮流"，反而是"引入麻烦"。
再演示一次。单体架构：它解决了"多人协作、快速迭代"的问题——一个代码库、一次部署、最简单的协作模型；会先遇到这个问题的业务，是团队小、业务边界模糊、把速度放在第一位的；它牺牲的是部署互相影响、故障面大、扩展只能整体扩。所以看到"还在用单体"的公司，先别急着笑——它的约束可能是"团队五个人、业务还没定型"，单体在那个约束下就是最优解，等到约束变了（第 26 章），它自然会动。
这里还能再挖出一层：Web 技术的"标准件"化。过去二十年，解决"快""可靠""并发""安全"的成熟方案已经收敛成少数几类标准件——缓存、消息队列、关系型数据库、负载均衡、日志监控……新框架层出不穷，但翻来覆去解决的是同一批问题。这意味着：技术地图上的"新"，大多是旧问题的新包装。看到一个"划时代"的新技术，先别急着学——先反推它解决什么问题，再对照标准件清单：如果它只是把缓存做得更快，你的学习优先级就排在后面；如果它解决了一个新类型的问题，那才值得投入。这个判断法，也是第 28 章延伸学习路线的方法论基础。
| 第 1 章四问（读者视角：理解一个系统时问） | 九步决策模型（工程师视角：设计一个系统时走） |
|---|---|
| 业务为什么遇到了这个问题 | 业务目标 → 业务约束 → 技术问题 |
| 为什么产生这种技术方案 | 候选方案 → 评价维度 → 方案选择 |
| 这个技术内部到底怎么工作 | （选定方案后的原理——从第 6 章起逐章展开） |
| 它解决了什么，又付出了什么代价 | 收益 → 代价 → 未来演进条件 |
四问是九步的压缩版：读者读一个系统时不需要重建候选和评价过程，只需要看到"问题、答案、机制、代价"四个切片；工程师设计一个系统时，四个切片不够，必须把候选、评价、选择显式走完——因为设计要对自己的选择负责，而理解只需要对别人的选择释然。
这一节还回答了 5.1 开头的问题：为什么同样的业务，不同团队选型不同？因为约束不同（团队技能、时间、预算、数据量预期），评价维度的权重就不同，方案自然不同。选型不比"谁的答案对"，比的是"谁的约束匹配谁的方案"。而"大厂用什么"之所以不能照抄，也是因为你复制到的只是别人的答案，复制不到别人的约束——大厂的约束（海量流量、顶级运维、充足人力）和你（一个人、一台服务器）根本不是同一个输入，怎么可能期待同一个输出。
读到这里，你手上已经有了这本书最重要的两件工具：第 1 章的地图和本章的模型。从下一章开始，每一个技术主题都是这两件工具的一次联合演示——你可以边读边验证：这一章的四问，对应着模型的哪几步？
这套能力还有一个现实的验收场景——面试。面试官问"你们项目为什么用 X 不用 Y"，答"因为它火"和答"因为我们的约束是 A、B，评价维度里 C 的权重最高，所以选了 X，代价是 D，出现 E 信号就要重新评估"——高下立判。本章练的东西简历上写不出来，但面试一开口就见真章。
5.5 决策记录：把选型变成可追溯的东西
方法有了，还差一个习惯：把决策写下来。
九步走完，如果不写下来，它只是一个想法；写下来，它才成为一份可以追溯、可以评审、可以在未来重新打开的文件。我们把案例阶段 1 的技术栈选型全部走一遍九步（篇幅所限，这里只给结论，论证过程略），得到一份决策记录。把它压缩成四列，就是决策记录的可视化：业务诉求（目标+约束）、技术选择、为什么（评价+选择）、代价/取舍（代价+演进条件）。本章的对应表如下：
| 业务诉求 | 技术选择 | 为什么 | 代价/取舍 |
|---|---|---|---|
| 一个人快速把想法验证上线 | 单体架构 + 基础前后端 | 结构最简单、改动最快 | 规模上来后拆分成本高，需提前留边界 |
| 数据要可靠、将来要收钱 | PostgreSQL | 事务强、JSONB 灵活、许可自由 | 生态与中文资料略少，冷门问题要啃英文文档 |
| 内容/商品属性多变 | JSONB 字段 | 免去频繁改表 | 复杂查询校验比结构化字段弱 |
| 前后端一个人写 | Node.js + React（Vue 等价） | 同语言，心智负担最小 | 动态类型约束弱，工程变大要补 TS 或重评 |
| 要不要缓存 | 阶段 1 不上 Redis | 业务没到，没被逼出 | 首页变慢后重新评估（演进条件已写入记录） |
| 要不要微服务/K8s | 阶段 1 不上 | 同上 | 单体痛点集中后评估 |
每一行都在本章正文里有支撑：单体与 PostgreSQL 的完整论证在 5.2，其余各行的"为什么"列就是论证的压缩版。读完这章，你可以拿着这张表反问自己：如果这是我的项目，每一行我会怎么填？填不上来的那一行，就是你这块知识地图上还没连上的点。
表的维护：决策记录没有维护负担，一张表就够，放在团队 wiki 或项目 README 里都行。它只在两个时刻需要更新——决策变更时（把旧行标记"已过期"，写上触发它的演进条件和新的决策）和复查时。演进条件触发了怎么办？增量重走：先看约束哪条变了，再看候选里有没有新选项，最后对照上次的代价清单验证"当年付的代价，现在还成立吗"——大部分复查到第三步就能结束。
5.6 实战：反推训练
方法讲完了，做三个练习。下面的选型现象都是真实世界常见的，先自己按"解决什么问题 → 约束画像 → 牺牲了什么"反推一遍，再看参考答案。
练习 1：某内容社区用 JWT 不用 Session。 你的反推：① 它解决了什么问题？② 约束画像？③ 牺牲了什么？ 参考答案：它解决"无状态会话"问题——服务器不存会话，天然支持多端（Web/App）与横向扩展；约束画像是多端优先、API 可能被第三方调用；牺牲的是吊销能力——用户改密码后旧 token 可能仍有效，需要额外的黑名单机制。第 13 章会把这组权衡完整展开。
练习 2：某电商大促前把订单处理从同步调用改成消息队列异步。 你的反推：① 解决了什么？② 约束画像？③ 牺牲了什么？ 参考答案：它解决"同步链路在峰值扛不住"的问题——扣库存、发短信、调支付渠道都是耗时操作，同步等待会拖垮整个请求；约束画像是大促峰值流量、链路里有慢依赖；牺牲的是最终一致性——用户看到的状态可能短暂不一致，排查链路也变长了。第 17 章引出、第 26 章回收的正是这条认知链。
练习 3：某创业公司的技术栈是 Python + Django + MySQL。 你的反推：① 解决了什么？② 约束画像？③ 牺牲了什么？ 参考答案：它解决"快速交付 CRUD 型业务"——一套全家桶从数据库到模板全都配好；约束画像是团队 Python 背景、业务以增删改查为主、速度优先；牺牲的是高并发与极致性能的上限，真到了那个规模要补缓存、异步等一堆零件。
三个练习做下来你会发现：反推不靠猜，顺着"问题 → 约束 → 代价"走一遍就行——和正推共用同一个模型。下次看到一个技术选型，先别问"这是什么"（名词清单），先问这三问（决策地图）——这就是第 1 章说的升级，现在你有了升级的工具。
最后补一句：练习的参考答案不是标准答案。如果你在练习 1 里推出来的约束是"这社区要接第三方登录、移动端为主"，只要三问都能自洽回答，就是合格的反推。反推的检验标准是自洽与否——自洽意味着你掌握了它的决策逻辑，不自洽说明你漏了它的某条约束，那正是你要补的认知缺口。
本章小结
- 选型难，难在答案太多、代价来得晚；破解办法是学会论证答案；
- 九步决策模型：目标、约束、技术问题来自业务；候选、评价、选择是翻译；收益、代价、演进条件是签收和到期日——约束是选型的输入，代价是选型的输出；
- 为什么它可以学：技术方案是约束的函数，看懂方案 = 反推约束；四问（读者视角）与九步（工程师视角）是同一个翻译器的两个视图；
- 决策要写下来：决策记录让"为什么"可追溯、可评审、可到期；决策包含不做什么；
- 本章的对应表就是案例阶段 1 的技术栈决策记录——本书后续每一章的关键技术选择（Session 还是 JWT、要不要 Redis、要不要 K8s、单体还是微服务），都会用同一张九步表走一遍，到时候你可以对照本章，看模型怎么一次次被使用。
下一章
技术栈定了：单体、React + Node.js、PostgreSQL。但"用什么存"回答了，还没回答"怎么存"——六个业务对象（用户、内容、评论、商品、订单、支付）怎么变成数据库里的表？业务流程怎么变成接口？
下一章，业务模型变成数据模型：设计一个系统的第二份关键图纸。