編者按：本文作者湯雪華，網名 netfocus，2006年 畢業于浙江大學，目前住在杭州。對 DDD，以及 CQRS 架構比較感興趣。目前一直致力于開發和完善 ENode、EQueue。文章首發于微信公眾號InfoQ（ID：infoqchina），授權 36 氪轉載。

元宵節結束，年就真的過完了。揮別故里，回到打拼的城市，理性思維是否也跟著工作狀態一起回歸了呢？每一年的春運都是對 12306 的一次大考，拋去盲從和偏見，讓我們用工程師的思維重新打量、從業務分析的角度去探討，12306 的核心模型設計思路和架構設計到底復雜在哪里？

為什么我要研究這個問題？

春節期間，無意中看到一篇文章，文章中講到 12306 的業務復雜度遠遠比淘寶天貓這種電商網站要復雜。后來自己想想，也確實如此。所以，很想挑戰一下 12306 這個系統的核心領域模型的設計。一般的電商網站，購買都是基于商品的概念，每個商品有一定量的庫存，用戶的購買行為是針對商品的。當用戶發起購買行為時，系統只需要生成訂單并對用戶要購買的商品減庫存即可。但是，12306 就不是那么簡單了，具體復雜在哪里，我下面會進一步分析。

另外一個讓我寫這篇文章的原因，是我發現也許是否是因為目前 12306 的核心領域模型設計的不夠好，導致用戶購票時要處理的業務邏輯異常復雜，維護數據一致性的難度也幾百倍的上升，同時面對高并發的訂票也難以支持很高的 TPS。我覺得，越是復雜的業務，就越要重視業務分析，重視領域模型的抽象和設計。如果不假思索，憑以往經驗行事，則很可能會被以往的設計經驗先入為主，陷入死胡同。

技術人員往往更注重技術層面的解決方案，比如一上來就分析如何集群、如何負載均衡、如何排隊、如何分庫分表、如何用鎖，如何用緩存等技術問題，而忽略了最根本的業務層面的思考，如分析業務、領域建模。我認為越是復雜的業務系統，則越要設計一個健壯的領域模型。如果一個系統的架構我們設計錯了，還有補救的余地，因為架構最終沉淀的只是代碼，調整架構即可（一個系統的架構本身就是不斷演進的）；而如果領域模型設計錯了，那要補救的代價是非常大的，因為領域模型沉淀的是數據結構及其對應的大量數據，對任何一個大型系統，要改核心領域模型都是成本非常高的。

本文的重點不是在如何解決高并發的問題，而是希望從業務角度去分析，12306 的理想模型應該是怎么樣的。網上目前談 12306 的文章貌似都是千篇一律的只談技術，不談業務分析和如何建模的。所以我想寫一下自己的設計和大家交流學習。

1、需求概述

12306 這個系統，核心要解決的問題是網上售票。涉及到 2 個角色使用該系統：用戶、鐵道部。用戶的核心訴求是查詢余票、購票；鐵道部的核心訴求是售票。購票和售票其實是一個場景，對用戶來說是購票，對鐵道部來說是售票。因此，我們要設計一個在線的網站系統，解決用戶的查詢余票、購票，以及鐵道部的售票這 3 個核心訴求。看起來，這 3 個場景都是圍繞火車票展開的。

查詢余票：用戶輸入出發地、目的地、出發日三個條件，查詢可能存在的車次，用戶可以看到每個車次經過的站點名稱，以及每種座位的余票數量。

購票：購票分為訂票和付款兩個階段，本文重點分析訂票的模型設計和實現思路。

其實還有很多其他的需求，比如給不同的車次設定銷售座位數配額，以及不同的區段設置不同的限額。但相比前面兩個需求來說，我覺得這個需求相對次要一些。

2、需求分析

確實， 12306 也是一個電商系統 ，而且看起來商品就是票了。因為如果把一張票看成是一個商品，那購票就類似于購買商品，然后每張票都有庫存，商品也有庫存的概念。但是如果我們仔細想想，會發現 12306 要復雜很多，因為我們無法預先確定好所有的票，如果非要確定，那只能通過窮舉法了。

我們以北京西到深圳北的 G71 車次高鐵為例（這里只考慮南下的方向，不考慮深圳北到北京西的，那是另外一個車次，叫 G72），它有 17 個站（北京西是 01號站，深圳北是 17號站），3 種座位（商務、一等、二等）。表面看起來，這不就是 3 個商品嗎？G71 商務座、G71 一等座、G71 二等座。大部分輕易噴 12306 的技術人員（包括某些中等規模公司的專家、CTO）就是在這里栽第一個跟頭的。實際上，G71 有 136*3=408 種商品（408 個 SKU），怎么算來的？如下：

如果賣北京西始發的，有 16 種賣法（因為后面有 16 個站），北京西到：保定、石家莊、鄭州、武漢、長沙、廣州、虎門、深圳。。。。都是一個獨立的商品，同理，石家莊上車的，有 15 種下車的可能，以此類推，單以上下車的站來計算，有 136 種票：16+15+14....+2+1=136。每種票都有 3 種座位，一共是 408 個商品。

為了方便后面的討論，我們先明確一下票是什么？

一張票的核心信息包括：出發時間、出發地、目的地、車次、座位號。持有票的人就擁有了一個憑證，該憑證表示持有它的人可以坐某個車次的某個座位號，從某地到某地。所以，一張票，對用戶來說是一個憑證，對鐵道部來說是一個承諾；那對系統來說是什么呢？不知道。這就是我們要分析業務，領域建模的原因，我們再繼續思考吧。

明白了票的核心信息后，我們再看看 G71 這個車次的高鐵，可以賣多少張票？

討論前先說明一下，一輛火車的物理座位數（站票也可以看成是一種座位，因為站票也有數量配額）不等于可用的最大配合。所有的物理座位不可能都通過 12306 網站來銷售，而是只會銷售一部分，比如 40%。其余的還是會通過線下的方式銷售。不僅如此，可能有些站點上車的人會比較多，有些比較少，所以我們還會給不同的區間配置不同的限額。

比如 D31 北京南至上海共有 765 張，北京南有 260 張，楊柳青有 80 張，泰安有 76 張。如果楊柳青的 80 張票售完就會顯示無票，就算其他站有票也會顯示無票的。每個車次肯定會有各種座位的配額和限額的配置的，這種配置我目前無法預料，但我已經把這些規則都封裝近車次聚合根里了，所有的配置策略都是基于座位類型、站點、區間配置的。關于票的配置抽象出來，我覺得主要有 3 種：

1. 某個區段最多允許出多少張；

2. 某個區段最少允許出多少張；

3. 某個站點上車的最多多少張。

當用戶訂票時，把用戶指定的區段和這 3 種配置條件進行比較，3 個條件都滿足，則可以出票。不滿足，則認為無票了。下面舉個例子：

ABCDEFG，這是所有站點。座位總配額是 100，假設 B 站點上車，E 站下車的人比較少，那我們就可以設定 BE 這個區段最多只能出 10 張票。所以，只要是用戶的訂票是在這個區段內的，就最多出 10 張。再比如，一列車次，總共 100 個座位配額，希望全程票最少滿足 80 張，那我們只要給 AG 這個區段設定最少 80 張。那任何訂票請求，如果是子區間的，就不能超過 100-80，即 20 張。這兩種條件必須同時滿足，才允許出票。

但是，不管如何做配額和限額，我們總是針對某個車次進行配置，這些配置只是車次內部售票時的一些額外的判斷條件（業務規則），不影響車次模型的核心地位和對外暴露的功能。所以，為了本文討論的清楚起見，我后續的討論都不涉及配額和限額的問題，而是認為任何區段都可以享受火車最大的物理座位數。

并且，為了討論問題方便，我們減少一些站點來討論。假設某個車次有 A,B,C,D 四個站點。那 001 這個人購買了 A,B 這個區間，系統會分配給 001 一個座位 x；但是因為 001 坐到 B 站點后會下車，所以相當于 x 這個座位又空出來了，也就是說，從 B 站點開始，系統又可以認為 x 這個座位是可用的。所以，我們得出結論：同一個座位，其實可以同時出售 AB,BC 這兩張票。通過這個簡單的分析，我們知道，一列火車雖然只有有限的座位數，比如 1000 個座位。但可以賣出的票遠遠不止 1000 個。

還是以 A,B,C,D 四個站點為例，假如火車總共有 1000 個座位，那 AB 可以賣 1000 張，BC 也可以賣 1000 張，同樣，CD 也可以賣 1000 張。也就是說，理論上最多可以賣出 3000 張票。但是如果換一種賣法，所有人都是買 ABCD 的票，也就是說所有的票都是經過所有站點的，那就是最多只能賣出 1000 張票了。而實際的場景，一定是介于 1000 到 3000 之間。然后實際的 G71 這個車次，有 17 個站，那到底可以賣出多少個票，大家應該可以算了吧。理論上這 17 個站中的任意兩個站點之間所形成的線段，都可以出售為一張票。我數學不好，算不太清楚，麻煩有數學好的人幫我算算，呵呵。

通過上面的分析，我們知道一張票的本質是某個車次的某一段區間（一條線段），這個區間包含了若干個站點。然后我們還發現，只要區間不重疊，那座位就不會發生競爭，可以被回收利用，也就是說，可以同時預先出售。

另外，經過更深入的分析，我們還發現區間有 4 種關系：

• 不重疊；

• 部分重疊；

• 完全重疊；

• 覆蓋。

不重疊的情況我們已經討論過了，而覆蓋也是重疊的一種。所以我們發現如果重疊，比如有兩個區間發生重疊，那重疊部分的區間（可能夸一個或多個站點）是在爭搶座位的。因為假設一列火車有 100 個座位，那每個原子區間（兩個相鄰站點的連線），最多允許重疊 99 次。

所以，經過上面的分析，我們知道了一個車次能夠出售一張車票的核心業務規則是什么？就是：這張車票所包含的每個原子區間的重疊次數加 1 都不能超過車次的總座位數，實際上重疊次數 +1 也可以理解為線段的厚度。

3、模型設計

上面我分析了一下票的本質是什么。那接下來我們再來看看怎么設計模型，來快速實現購票的需求，重點是怎么設計商品聚合以及減庫存的邏輯。

傳統電商的思路

如果按照普通電商的思路，把票（站點區間）設計為商品（聚合根），然后為票設計庫存數量。我個人覺得是很糟糕的。因為一方面這種聚合根非常多（上面的 G71 就有 408 個）；另一方面，即便枚舉出來了，一次購票也一定會影響非常多其他聚合根的庫存數量（只要被部分或全部重疊的區間都受影響）。這樣的一次訂單處理的復雜度是難以評估的。而且這么多聚合根的更新要在一個事務里，這不是為難數據庫嗎？而且，這種設計必然帶來大量的事務的并發沖突，很可能導致數據庫死鎖。

總之，我認為這種是典型的由于領域模型的設計錯誤，導致并發沖突高、數據持久化落地困難。或者如果要解決并發問題，只能排隊單線程處理，但是仍然解決不了要在一個事務里修改大量聚合根的尷尬局面。

聽說 12306 是采用了 Pivotal Gemfire 這種高大上的內存數據庫，我對這個不太了解。我不可想象要是不使用內存數據庫，他們要怎么實現車次內的票之間的數據強一致性（就是保證所有出售的票都是符合上面討論的業務規則的）？所以，這種設計，我個人認為是思維定勢了，把火車票看成是普通電商的商品來看待。所以，我們有時做設計又要依賴于經驗，又要不能被以往經驗所束縛，真的不容易，關鍵還是要根據具體的業務場景多多深入分析，盡量分析抽象出問題的本質出來，這樣才能對癥下藥。那是否有其他的設計思路呢？

我的思路

1、聚合設計

通過上面的分析我們知道，其實任何一次購票都是針對某個車次的，我認為車次是負責處理訂票的聚合根。我們看看一個車次包含了哪些信息？一個車次包括了：

1. 車次名稱，如 G71；

2. 座位數，實際座位數會分類型，比如商務座 20 個，一等座 200 個；二等座 500 個；我們這里為了簡化問題，可以暫時忽略類型，我認為這個類型不影響核心的模型的設計決策。需要格外注意的是：這里的座位數不要理解為真實的物理座位數，很有可能比真實的座位數要少。因為我們不可能把一個車次的所有座位都在網上通過 12306 來出售，而是只出售一部分，具體出售多少，要由工作人員人工指定。

3. 經過的站點信息（包括站點的 ID、站點名稱等），注意：車次還會記錄這些站點之間的順序關系；

4. 出發時間；看過 GRASP 九大模式中的信息專家模式的同學應該知道，將職責分配給擁有執行該職責所需信息的類。

我們這個場景，車次具有一次出票的所有信息，所以我們應該把出票的職責交給車次。另外學過 DDD 的同學應該知道，聚合設計有一個原則，就是：聚合內強一致性，聚合之間最終一致性。經過上面的分析，我們知道要產生一張票，其實要影響很多和這個票對應的線段相交的其他票的可用數量。因為所有的站點信息都在車次聚合內部，所以車次聚合內部自然可以維護所有的原子區間，以及每個原子區間的可用票數（相當于是庫存數）。當一個原子區間的可用票數為 0 的時候，意味著火車針對這個區間的票已經賣完了。所以，我們完全可以讓車次這個聚合根來保證出票時對所有原子區間的可用票數的更新的強一致性。對于車次聚合根來說，這很簡單，因為只是幾次簡單的內存操作而已，耗時可以忽略。一列火車假如有 ABCD 四個站點，那原子區間就是 3 個。對于 G71，則是 16 個。

2、怎么判斷是否能出票？

基于上面的聚合設計，出票時扣減庫存的邏輯是：

根據訂單信息，拿到出發地和目的地，然后獲取這段區間里的所有的原子區間。然后嘗試將每個原子區間的可用票數減 1，如果所有的原子區間都夠減，則購票成功；否則購票失敗，提示用戶該票已經賣完了。是不是很簡單呢？知道了出票的邏輯，那退票的邏輯也就很簡單了，就是把這個票的所有原子區間的可用票數加 1 就 OK 了。如果我們從線段的厚度的角度去考慮，那出票時，每個原子區間的厚度就是 +1，退票時就是減一。就是相反的操作，但本質是一樣的。

所以，通過這樣的思路，我們將一次訂票的處理控制在了一個聚合根里，用聚合根內的強一致性的特性保證了訂票處理的強一致性，同時也保證了性能，免去了并發沖突的可能性。傳統電商那種把票單做類似商品的核心聚合根的設計，我當時第一眼看到就覺得不妥。因為這違背了 DDD 強調的強一致性應該由聚合根來保證、聚合根之間的最終一致性通過 Saga 來保證的原則。

還有一個很重要的概念我想說一下我的看法，就是座位和區間的關系。因為有些朋友和我講，考慮座位號的問題，雖然都能減 1，座位號也必須是同一個。我覺得座位是全局共享的，和區段無關（也許我的理解完全有誤，請大家指正）。座位是一個物理概念，一個用戶成功購買了一張票后，座位就會少一個，一張票唯一對應一個座位，但是一個座位有可能會對應多張票；而區間是一個邏輯上的概念，區間的作用有兩個：1）表示票的出發地和目的地；2）記錄票的可用數額。如果區間能連通（即該區間內的每個原子區間的可用數額都大于 0），則表示允許擁有一個座位。所以，我覺得座位和票（區間）是兩個維度的概念。

3、如何為票分配座位？

我覺得車次聚合根內部應該維護所有該車次已經售出的票，已經出售的票的的本質是區間和座位的對應關系。系統處理訂票時，用戶提交過來的是一段區間。所以，系統應該做兩個事情：

1. 先根據區間去判斷是否有可用的座位；

2. 如果有可用座位，則再通過算法去選擇一個可用的座位；

當得到一個可用座位后，就可以生成一張票了，然后保存這個票到車次聚合根內部即可。下面舉個例子：

假設現在的情況是座位有 3 個，站點有 4 個：

座位：1,2,3

站點：abcd

票的賣法 1：

票 1：ab,1

票 2：bc,2

票 3：cd,3

票 4：ac,3

票 5：bd,1

這種選座位的方式應該比較高效，因為總是優先從座位池里去拿座位，只有在萬不得已的時候才會去回收可重復利用的票。

上面的 4，5 兩個票，就是考慮回收利用的結果。

票的賣法 2：

票 1：ab,1

票 2：bc,1

票 3：cd,1

票 4：ac,2

票 5：bd,3

這種選座位的方式應該相對低效，因為總是優先會去掃描是否有可回收的座位，而掃描相對直接從座位池里去拿票總是成本相對要高的。

上面的 2，3 兩個票，就是考慮回收利用的結果。

但是， 優先從座位池里拿票的算法有缺陷，就是會出現雖然第一步判斷認為有可用的座位，但是這個座位可能不是全程都是同一個座位。 舉例：

假設現在的情況是座位有 3 個，站點有 4 個：

座位：1,2,3

站點：abcd

票的賣法 3：

票 1：ab,1

票 2：bc,2

票 3：cd,3

現在如果有人要買 ad 的票，那可用的座位有 2，或者 3。但是無論是 2 還是 3，都要這個乘客中途換車位。比如賣給他座位 2，那他 ab 是坐的座位 2，但是 bc 的時候要坐座位 1 的。否則拿票 2 的那個人上車時，發現座位 2 已經有人了。而通過優先回收利用的算法，是沒這個問題的。

所以，從上面的分析我們也知道選座位的算法該怎么寫了，就是采用優先回收利用座位的算法。我認為不管我們這里怎么設計算法，都不影響大局，因為這一切都只發生在車次聚合根內部，這就是預先設計好聚合根，明確出票職責在哪個對象上的好處。

4、模型分析總結

1. 我認為票不是核心聚合根，票只是一次出票的結果，一個憑證而已。

2. 12306 真正的核心聚合根應該是車次，車次具有出票的職責，一次出票具體做的事情有：

• 判斷是否可出票；

• 選擇可用的座位；

• 更新一次出票時所有原子區間的可用票數，用于判斷下次是否能出票；

• 維護所有已售出的票，用于為選擇可用座位提供依據。

通過這樣的模型設計，我們可以確保一次出票處理只會在一個車次聚合根內進行。這樣的好處是：

1. 不需要依賴數據庫事務就能實現數據修改的強一致性，因為所有修改只在一個聚合根內發生；

2. 在保證數據強一致性的同時還能提供很高的并發處理能力，具體設計見下面的架構設計。

4、架構設計

我覺得 12306 這樣的業務場景，非常適合使用 CQRS 架構；因為首先它是一個查多寫少、但是寫的業務邏輯非常復雜的系統。所以，非常適合做架構層面的讀寫分離，即采用 CQRS 架構。 而且應該使用數據存儲也分離的 CQRS。這樣 CQ 兩端才可以完全不需要顧及對方的問題，各自優化自己的問題即可。我們可以在 C 端使用 DDD 領域模型的思路，用良好設計的領域模型實現復雜的業務規則和業務邏輯。而 Q 端則使用分布式緩存方案，實現可伸縮的查詢能力。

1、訂票的實現思路

同時借助像 ENode 這樣的框架，我們可以實現 in-memory + Event Sourcing 的架構。Event Sourcing 技術，可以讓領域模型的所有狀態修改的持久化統一起來，本來要用 ORM 的方式保存聚合根最新狀態的，現在只需要簡單的通用的方式保存一個事件即可（一次訂票只涉及一個車次聚合根的修改，修改只產生一個事件，只需要持久化一個事件（一個 JSON 串）即可，保證了高性能，無須依賴事務，而且通過 ENode 可以解決并發問題）。

我們只要保存了聚合根每次變化的事件（事件的結構怎么設計，本文不做多的介紹了，大家可以思考下），就相當于保存了聚合根的最新狀態。而正是由于 Event Sourcing 技術的引入，讓我們的模型可以一直存活在內存中，即可以使用 in-memory 技術。不要小看 in-memory 技術，in-memory 技術在某些方面對提高命令的處理性能非常有幫助。

比如就以我們車次聚合根處理出票的邏輯，假設某個車次有大量的命令發送到分布式消息隊列，然后有一臺機器訂閱了這個隊列的消息，然后這臺機器處理這個車次的訂票命令時，由于這個車次聚合根一直在內存，所以就省去了每次要去數據庫取出聚合根的步驟，相當于少了一次數據庫 IO。

這樣的好處是，因為一個車次能夠真正出售的票是有限的，因為座位就那么幾個，比如就 1000 個座位，估計一般正常情況也就出個 2000 個左右的票吧（具體能出多少張票要取決于區間的相交程度，上面分析過）。也就是說，這個聚合根只會產生 2000 個事件，也就是說只會有 2000 個訂票命令的處理是會產生事件，并持久化事件；而其余的大量命令，因為車次在內存計算后發現沒有余票了，就不會做任何修改，也不會產生領域事件，這樣就可以直接處理下一個訂票命令了。這樣就可以大大提高處理訂票命令的性能。

另外一個問題我覺得還需要提一下，因為用戶訂票成功后，還需要付款。但用戶有可能不去付款或者沒有在規定的時間內完成付款。那這種情況下，系統會自動釋放該用戶之前訂購的票。所以基于這樣的需求，我們在業務上需要支持業務級別的 2pc。即先預扣庫存，也就是先占住這張票一定時間（比如 15 分鐘），然后付款成功后再真實給你這張票，系統做真正的庫存修改。

通過這樣的預扣處理，可以保證不會出現超賣的情況。這個思路其實和傳統電商比如淘寶這樣的系統類似，我就不多展開了，我之前寫的 Conference 案例也是這樣的思路，大家有興趣的可以去看一下我之前錄制的視頻。

2、查詢余票的實現思路

我覺得余票的查詢的實現相對簡單。雖然對于 12306 來說，查詢的請求占了 80%，提交訂單的請求只占 20%。但查詢由于對數據沒有修改，所以我們完全可以使用分布式緩存來實現。我們只需要精心設計好緩存的 key 即可；緩存 key 的多少要看成本，如果所有可能的查詢都設計對應的 key，那時間復雜度為 1，查詢性能自然高；但代價也大，因為 key 多了。如果想 key 少一點，那查詢的復雜度自然要上去一點。所以緩存設計無非就是空間換時間的思路。然后，緩存的更新無非就是：自動失效、定時更新、主動通知 3 種。通過 CQRS 架構，由于 CQ 兩端是事件驅動的，當 C 端有任何狀態變化，都會產生對應的事件去通知 Q 端，所以我們幾乎可以做到 Q 端的準實時更新。

同時由于 CQ 兩端的完全解耦，Q 端我們可以設計多種存儲，如數據庫和緩存（Redis 等）；數據庫用于線下維護關系型數據，緩存用戶實時查詢。數據庫和緩存的更新速度相互不受影響，因為是并行的。對同一個事件，可以 10 臺機器負責更新緩存，100 臺機器負責更新數據庫。即便數據庫的更新很慢，也不會影響緩存的更新進度。這就是 CQRS 架構的好處，CQ 的架構完全不同，且我們隨時可以重建一種新的 Q 端存儲。不知道大家體會到了沒有？

關于緩存 key 的設計，我覺得主要從查詢余票時傳遞的信息來考慮。12306 的關鍵查詢是：出發地、目的地、出發日期三個信息。我覺得有兩種 key 的設計思路：

1. 直接設計了該查詢條件的 key，然后快速拿到車次信息，直接返回；這種方式就是要求我們系統已經枚舉了所有車次的所有可能出現的票（區間）的緩存 key，相信你一定知道這樣的 key 是非常多的。

2. 不是枚舉所有區間，而是把每個車次的每個原子區間（相鄰的兩個站點所連成的直線）的可用票數作為 key。這樣，key 就非常少了，因為車次假如有 10000 個，然后每個車次平均 15 個區間，那也就 15W 個 key 而已。當我們要查詢時，只需要把用戶輸入的出發地和目的地之間的所有原子區間的可用票數都查出來，然后比較出最小可用票數的那個原子區間。則這個原子區間的可用票數就是用戶輸入的區間的可用票數了。當然，到這里我提到考慮出發日期。我認為出發日期是用來決定具體是哪個車次聚合根的。同一個車次，不同的日期，對應的聚合根實例是不同的，即便是同一天，也可能有多個車次聚合根，因為有些車次一天有幾班的，比如上午 9 點發車的一班，下午 3 點發車的一般。所以，我們也只要把日期也作為緩存 key 的一部分即可。

總結

本文完全是憑自己對 12306 這個網站的核心業務的簡單思考而得到的一些設計結果。如果真正的 DDD 領域建模，更多的是要和業務一線的工作人員、領域專家進行深入溝通，才能更深入的了解該領域內的業務知識，從而才能設計出更靠譜的領域模型和架構設計。

非常慚愧，我沒有上 12306 買過火車票，家離的比較近，就算要買也是家人給我買:）所以，本文所分享的內容難免是紙上談兵。但我覺得 12306 這個系統的業務確實比傳統的電商系統要復雜，且并發又這么高。所以，我覺得這個系統真的很值得大家重視模型的設計，而不只是只關注技術層面的實現。

原創文章，作者：Retric，如若轉載，請注明出處：http://36kr.com/p/5043608.html

“看完這篇還不夠？如果你也在創業，并且希望自己的項目被報道，請 戳這里 告訴我們！”