跳至主要内容

Go 工程实践:常见坑与设计注意事项


一、指针 vs 值传递(核心原则)

✅ 判断规则

1. 需要修改数据 → 用指针
2. 对象很大 → 用指针
3. 小对象 + 只读 → 用值(推荐)
4. 方法接收者一致 → 保持一致

❌ 常见误区

func distance(p *Point) {} // ❌ 不必要的指针

问题:

  • 增加 nil 风险

  • 语义误导(看起来会修改)

  • 可能增加 GC 压力


✅ 推荐写法

func distance(p Point) {} // ✅

二、interface 使用原则

1️⃣ 不要使用 *interface(反模式)

func f(w *io.Writer) {} // ❌

原因:

  • interface 本身已是引用语义

  • 增加一层间接访问,没有收益

  • 破坏抽象


2️⃣ interface 的本质

interface = (type, data pointer)

👉 已经包含指针语义


三、nil 设计与风险控制

核心原则

不要让 nil 在系统中“流动”

✅ 正确做法

1️⃣ 构造函数保证非 nil

func NewUser() *User {
    return &User{}
}

2️⃣ 边界检查(而不是内部检查)

func Handle(u *User) error {
    if u == nil {
        return errors.New("nil user")
    }
    return u.do()
}

3️⃣ 小对象优先值传递

func Process(p Point) {} // 永远不会 nil

❌ 错误做法

func (u *User) Save() {
    if u == nil { // ❌ 到处防御
        return
    }
}

四、interface “假 nil”陷阱(高危)

现象

var e *MyError = nil
var err error = e

fmt.Println(err == nil) // false ❗

原因

err = (type: *MyError, data: nil)

👉 interface 判断 nil 要求:

type == nil && data == nil

✅ 规避方法

if e == nil {
    return nil // ✅
}
return e

五、error wrapping(错误链)

❌ 错误写法

return fmt.Errorf("failed: %v", err) // ❌

👉 丢失错误链


✅ 正确写法

return fmt.Errorf("failed: %w", err) // ✅

使用方式

if errors.Is(err, target) { }

自定义 error 必须实现

func (e *MyError) Unwrap() error {
    return e.Err
}

六、error 判断原则

场景推荐
判断具体错误errors.Is
类型断言errors.As
直接比较❌ 避免

七、context 使用原则

1️⃣ context 是“控制器”,不是“数据容器”

用于:
- 超时控制
- 取消传播

2️⃣ 必须向下传递

func handler(w http.ResponseWriter, r *http.Request) {
    ctx := r.Context()
    do(ctx)
}

3️⃣ goroutine 必须绑定 ctx

go func(ctx context.Context) {
    select {
    case <-ctx.Done():
        return
    }
}(ctx)

八、HTTP / Shutdown 关键点

核心理解

signal → ctx → Shutdown

Shutdown 行为

  • 停止接收新请求

  • 等待已有请求完成

  • 超时后强制关闭


❌ 常见误解

Shutdown 会监听系统信号 ❌

实际:

  • 只监听 ctx


九、接口 vs 结构体设计哲学

类型作用
struct表达数据
interface表达行为

net/http 示例

func handler(w http.ResponseWriter, r *http.Request)
  • r:数据(大对象 → 指针)

  • w:行为(接口)


十、工程实践总结(最重要)

一句话原则

1. 用语义决定指针还是值,不要机械统一
2. interface 不要加指针
3. nil 不要在系统中传播
4. error 必须支持 unwrap
5. ctx 必须贯穿调用链

最容易踩的三个坑

1. interface != nil 但内部是 nil
2. error wrapping 用了 %v 而不是 %w
3. 所有 struct 都用指针(过度设计)

结尾

这套规则本质上围绕三件事:

- 可读性(语义清晰)
- 可控性(避免隐式行为)
- 可维护性(错误可追踪)


此博客中的热门博文

Elasticsearch 读写原理指南

### 1. 什么是 segment,里面装了什么? 在 Lucene(也是 Elasticsearch)里,索引被切分成若干 **segment(段)**,每个 segment 是一个完整的、只读的倒排索引单元。一个 segment 包含: * **倒排词典** —— 用 **FST(Finite‑State Transducer)** 以高度压缩的形式保存每个字段出现的所有 term 以及 term→ord 的映射。对应的磁盘文件是 `*.tim`(新版)或 `*.tis/*.tii`(旧版)。 * **倒排列表(postings)** —— 保存每个 term 出现的文档 ID、频次、位置信息等,文件名通常是 `*.doc`、`*.pos`、`*.pay`。 * **存储字段**(_source、store:true 的字段)—— 以二进制块的形式写入 `*.fdt` / `*.fdx`。 * **doc‑values、norms、向量** 等辅助结构,分别保存在 `*.dv`、`*.norm`、`*.tv` 等文件里。 * **deleted‑docs bitmap**(`*.del`),标记哪些文档已被删除或被更新。 所有这些文件在 segment **写入磁盘后即成为只读**,后续的查询只能读取,永远不会在原文件上进行增删改。 --- ### 2. 原始文档和 FST 为什么都在 segment 里? * **原始文档**:Elasticsearch 默认把完整的 JSON(_source)以及任何 `store:true` 的字段写入 segment 的 `*.fdt/*.fdx` 文件。每个 segment 保存自己的那部分文档,旧的 segment 在合并前仍然保留,直到合并后被删除。 * **FST**:每个字段的词典在每个 segment 中单独维护,采用 FST 进行前缀共享和字节压缩。这样即使同一个 term 在多个 segment 中出现,也会在每个 segment 里拥有独立的映射,查询时只需要在对应 segment 的 FST 中定位即可。 --- ### 3. 查询时到底是怎么遍历 segment 的? 1. **请求入口**      客户端的搜索请求先到达 **协调节点**,协调节点把请求 ...

LLM缓存详解

 可以把“大模型缓存”理解成: 把已经算过的结果(或中间结果)存下来,下次尽量复用 。但这里面其实分几层,不只是简单的“问题→答案”缓存。 1️⃣ 常见的几种缓存类型 (1)KV Cache(推理内部缓存) Transformer 在生成时,会把前面 token 的 Key/Value 向量 缓存下来。 本质:避免重复计算 attention 作用: 同一请求内部加速 特点: 👉 只对“同一上下文继续生成”有效 👉 不跨用户、不跨请求 这类缓存是你体感“流式输出越来越快”的原因之一。 (2)Prompt Cache(提示词缓存) 缓存的是: 相同(或高度相似)的 prompt → 对应的中间表示 / 输出 典型场景: 系统提示词(system prompt)很长 多轮对话里前文基本不变 👉 这里能省掉 前缀计算成本(prefill) (3)Embedding / 语义缓存(Semantic Cache) 这个才是你问题的关键 👇 不是按“字符串完全一致”,而是: 把问题转成向量 → 找“语义相似”的历史问题 → 直接复用答案 2️⃣ 为什么命中缓存成本低很多? 因为大模型推理成本主要在两块: (1)Prefill(吃 prompt) 复杂度 ~ O(n²) 很贵(尤其长 prompt) (2)Decode(逐 token 生成) 每个 token 都要算一遍模型 而缓存命中后: KV cache:不用重复 attention Prompt cache:不用重新 encode 语义缓存: 直接跳过模型推理 👉 相当于从: 几十~几百毫秒 + GPU算力 变成: 一次向量检索(毫秒级)+ 直接返回 所以成本差一个数量级是正常的。 3️⃣ “每个人问法不同,怎么命中缓存?” 这是核心难点,也是工程重点👇 ❌ 不能靠字符串匹配 比如: “今天天气怎么样” “今天外面热不热” 字符串完全不同 → 必须 miss ✅ 用语义相似度(Embedding) 流程一般是: 把问题转 embedding(向量) 在向量数据库里找 TopK 相似问题 如果相似度 > 阈值(比如 0.9) 直接返回缓存答案 一个简单示意 Q1: 北京天气怎么样 → embedding A Q2: 北京今天热吗 → embedding B cosine(A, B) ≈ 0.95...

事务的ACID是什么

 事务的 ACID 是数据库事务必须满足的四个基本性质,用来保证在并发和故障情况下数据的正确性与可靠性: A(Atomicity,原子性) 一个事务中的操作要么 全部成功 ,要么 全部失败回滚 ,不存在“只做了一半”的中间状态。 C(Consistency,一致性) 事务执行前后,数据库都必须处于 一致的合法状态 ,满足约束(如主键、外键、唯一性、业务规则等)。 I(Isolation,隔离性) 并发执行的多个事务之间 相互隔离 ,一个事务未提交的中间结果对其他事务不可见(具体强弱由隔离级别决定)。 D(Durability,持久性) 一旦事务提交成功,其结果会被 永久保存 ,即使系统崩溃也不会丢失(通常依赖 WAL/redo log 等机制)。 一句话记忆: 要么全做完、前后不破坏规则、互不干扰、做完不丢。