技术选型:评估框架与决策记录
本篇要点:拿到一份候选清单,能给出带权重、带敏感性分析、带否决理由的选型结论,并把它写成半年后还看得懂的记录。前置文章:[《可观测性与 SLO:用数据管架构》](/guide/architecture/slo-error-budget.html)用 SLO 和错误预算把「系统好不好」变成了数字,这一章要给「选哪个」也定一套可复核的口径。
一、为什么需要它
2025 年 11 月,一个物流团队要为订单事件总线换掉老的消息中间件。参会六个人,两个阵营。支持 Kafka 的理由是「吞吐大、行业标准」,支持 RabbitMQ 的理由是「我们熟、路由灵活」。会开了两次,第二次有人把一张对比表投到屏幕上,表里 14 个维度,Kafka 赢了 9 个。
散会前,架构组的老周问了一句:这 14 个维度的权重是谁定的?
没人答得上来。那张表是某个技术博客的模板,14 个维度等权。等权意味着「社区活跃度」和「能否支撑 8 万 TPS」一样重要,而实际上这个团队峰值只有 3000 TPS,卡住他们的是另一件事:三个人维护、没人有 Kafka 运维经验、出了故障只能等厂商。
半年后他们选了 RabbitMQ,不是因为 RabbitMQ 更强,是因为那张表漏掉了最该加权的两项:现有团队能不能自己把它救活,以及出错时多久能定位。
选型的失败很少来自「技术不行」,多半来自评估口径问题:权重是抄来的、POC 验的是官方 demo、决策理由没写下来、半年后没人记得为什么排除了某个选项。
二、核心概念
2.1 维度可以抄,权重不能抄
评估维度(evaluation criteria)是可比较的项,权重(weight)是它们对你的重要程度。前者能借鉴,后者只能自己定,因为权重取决于你的约束:流量规模、团队人数、合规要求、预算。
定权重的可用办法是「两两比较」:把候选维度两两放一起问「如果只能保住一个,保哪个」。八个维度要做 28 次判断,比直接拍数字靠谱,因为人对「A 比 B 重要多少倍」没直觉,对「A 和 B 保哪个」有。
一个常见的错误是把权重给成 1–5 的整数且总和不为 1。这本身不致命,只要最后除以权重和,排序不受影响;但分母不统一时,不同人算出的分数量纲不同,评审会上就开始争「你的 8.5 和我的 3.8 哪个好」。
2.2 POC 验的是最可能失败的那一点
POC(Proof of Concept,概念验证)最常见的浪费形式是「跑通官方 quickstart」。跑通 hello world 证明不了任何事,官方文档里那段代码本来就是给人跑通的。
有用的 POC 只验一件事:在你的场景里最可能让它失败的那个点。选消息队列,如果担心的是顺序性,POC 就该在 3 个分区、10 个消费者、模拟一次 rebalance 的条件下验顺序;如果担心的是运维,POC 就该包含一次节点宕机和一次磁盘写满。
| POC 类型 | 验什么 | 时间上限 | 产出 |
|---|---|---|---|
| 冒烟验证 | 能不能装起来、客户端连得上 | 半天 | 环境可复现的脚本 |
| 场景验证 | 你的核心链路在目标负载下的表现 | 3–5 天 | 压测数据、失败模式清单 |
| 故障演练 | 挂一个节点、断一次网、写满磁盘 | 1–2 天 | 恢复耗时、数据丢失量 |
| 迁移验证 | 老数据搬过去要多久、要不要停机 | 2–3 天 | 迁移方案与回滚方案 |
表 9-1 四类 POC 各自验什么、时间上限与产出
四类里,前两类多数人会做,后两类经常被跳过,而被跳过的恰恰是投产半年后才爆的部分。
POC 必须有退出条件。写清楚「如果 p99 超过 200ms 或顺序在 rebalance 期间丢失,这个方案不入选」,否则 POC 会变成一场没有终点的调优。
2.3 锁定不是一个开关,是一组坡道
供应商锁定(vendor lock-in)常被当成「用不用云厂商托管服务」的二选一。实际是一组坡度不同的坡道,退出成本从低到高差别很大。
图 9-1 从「用了一个服务」到「被锁死」的四道坡道,每一道都是一次可以主动选择的机会
如图 9-1 所示,可退出的位置不在最后一格,在第一格就决定了。「数据能导出」这一条不成立时,后面三道坡道都不必再看。
沉没成本(sunk cost)在这个语境里有个具体算法:迁移成本 = 代码改造量 + 数据迁移时间 + 团队重新学习的时间 + 迁移期间的双跑成本。前两项能估,后两项常被忽略。团队重新学习按「一个熟手带两个新手,两周到两个月」估比较接近实际。
一个可操作的判断:如果某个技术明年换掉的成本超过团队两个月的人力,就值得在选型阶段多花三天做 POC。反过来,如果换掉只要改几十行配置,那纠结选型本身就是浪费。
2.4 团队熟悉度要单独算分
熟悉度不写在评估表里,它就会以隐形成本的形式在半年后出现:故障处理慢、代码写得别扭、招人要求变高。
它也不该被当成「保守」的借口。正确的用法是给它一个明确的权重,比如 20%,并且区分「熟」和「能自己修」。这两件事差别很大:会用 Kafka 的 API 不等于能在凌晨三点判断是磁盘 IO 打满还是 rebalance 风暴。
反例:三个人的团队选了一个新技术栈,理由是「社区活跃、未来趋势」,然后在接下来四个月里边学边修。如果这四个月本来是要交付两个功能,那这笔账应该算进选型成本,而不是算进「团队成长」。
2.5 反模式:五种能提前认出来的错法
| 反模式 | 长什么样 | 代价出现在什么时候 |
|---|---|---|
| 简历驱动 | 选型理由是「想学」或「写进简历好看」 | 上线后 3–6 个月,运维和排障 |
| 大厂背书 | 「某大厂在用」,但对方规模是你的 200 倍 | 首次流量高峰 |
| 基准测试招聘 | 抄某个 benchmark 的第一名 | 真实数据分布与测试不同时 |
| 只看优点 | 评估表里没有「这个方案的代价」一列 | 决策后第一次遇到限制 |
| 过度前瞻 | 为三年后的规模选型,当下付不起运维成本 | 从第一天起 |
表 9-2 五种选型反模式的识别特征与代价暴露时间
第三条值得多说一句。公开 benchmark 的结论依赖数据分布、消息大小、持久化配置、硬件。一个在 1KB 消息、批量 100 条、SSD 环境下跑出的数字,换到 200KB 消息、批量 1 条的场景,排序可能反过来。看到 benchmark 的第一件事是找它的测试条件,而不是看柱状图高低。
2.6 ADR 是给半年后的自己写的
《架构思维:约束、权衡与设计原则》 3.3 节讲过 ADR(Architecture Decision Record,架构决策记录)的五段结构与“失效条件”那一段,这里只补选型场景下它要多写什么:被排除的选项为什么被排除。这个信息在《架构思维:约束、权衡与设计原则》的五段结构里属于“替代方案”,但在选型记录里它往往是唯一被后人翻查的内容。
Markdown 格式的 MADR 模板 到 2026 年 11 月最新是 4.0.0(2024 年 9 月 17 日发布),核心结构是 Context and Problem Statement、Decision Drivers、Considered Options、Decision Outcome、Consequences、Pros and Cons of the Options。这份模板的价值在于它强制包含 Consequences 和「每个选项的缺点」——没有这两节,ADR 就退化成事后写的宣传稿。
ADR 的编号用 0001-、0002- 顺序排,文件名用小写加连字符。一个决策被推翻时不删旧文件,而是新增一条并把旧的状态标成 superseded by ADR-0012。这样「为什么改」和「当初为什么这么定」都在。
三、动手实践
3.1 加权打分与敏感性分析
选型结论最怕的是「换个权重就翻转」,而评审时没人发现这一点。所以算完总分必须做一次敏感性分析:去掉任何一个维度,排序会不会变。
# scoring.py —— Python 3.11,只用标准库
WEIGHTS = {
"吞吐与延迟": 0.25,
"运维复杂度": 0.20,
"团队熟悉度": 0.20,
"客户端与工具链": 0.15,
"故障恢复经验": 0.20,
}
# 1–5 分,分越高越有利;运维复杂度这一项已按「越简单分越高」折算
SCORES = {
"Kafka 4.x": {"吞吐与延迟": 5, "运维复杂度": 3, "团队熟悉度": 3, "客户端与工具链": 5, "故障恢复经验": 3},
"RabbitMQ 4.x": {"吞吐与延迟": 3, "运维复杂度": 4, "团队熟悉度": 5, "客户端与工具链": 4, "故障恢复经验": 4},
"Pulsar 4.x": {"吞吐与延迟": 4, "运维复杂度": 2, "团队熟悉度": 2, "客户端与工具链": 4, "故障恢复经验": 2},
}
def total(name, weights=WEIGHTS):
got = sum(weights[k] * SCORES[name][k] for k in weights)
return got / sum(weights.values())
for name in SCORES:
print(f"{name:14s} {total(name):.2f}")
print("\n敏感性:每次去掉一个维度")
for drop in WEIGHTS:
w2 = {k: v for k, v in WEIGHTS.items() if k != drop}
rank = sorted(SCORES, key=lambda n: -total(n, w2))
gap = total(rank[0], w2) - total(rank[1], w2)
print(f"去掉 {drop:8s} -> 第一名 {rank[0]:14s} 领先 {gap:.2f}")运行结果:
Kafka 4.x 3.80
RabbitMQ 4.x 3.95
Pulsar 4.x 2.80
敏感性:每次去掉一个维度
去掉 吞吐与延迟 -> 第一名 RabbitMQ 4.x 领先 0.87
去掉 运维复杂度 -> 第一名 Kafka 4.x 领先 0.06
去掉 团队熟悉度 -> 第一名 Kafka 4.x 领先 0.31
去掉 客户端与工具链 -> 第一名 RabbitMQ 4.x 领先 0.35
去掉 故障恢复经验 -> 第一名 Kafka 4.x 领先 0.06这张输出的读法比分数本身重要。RabbitMQ 以 0.15 分领先,但去掉「运维复杂度」后 Kafka 反超,而领先只有 0.06。
**结论不是「RabbitMQ 第一」,是「这一票投在运维复杂度上,那个维度一旦不成立,结论就翻」。**评审时把这句说出来,讨论就会从「哪个技术强」转到「我们的运维能力到底够不够」,这才是真正要回答的问题。
3.2 一份能用的 ADR
# ADR-0007 订单事件总线采用 RabbitMQ 4.x
## Context and Problem Statement
订单事件需要被 4 个下游消费,峰值 3000 TPS、消息 2–8KB,
现有 1 台消息中间件已 EOL,必须在 2026 年 Q1 前替换。
团队 3 人,无人有 Kafka 生产运维经验。
## Decision Drivers
* 峰值 3000 TPS,有 3 倍余量即可,不需要 10 万级吞吐
* 值班只有 3 人,必须能在无厂商支持时自行恢复
* 存在按路由键分发到不同下游的需求
## Considered Options
* Kafka 4.x
* RabbitMQ 4.x
* Pulsar 4.x
## Decision Outcome
选定 RabbitMQ 4.x。加权得分 3.95 对 3.80,但决定性理由不是分数,
而是敏感性分析显示:去掉「运维复杂度」后 Kafka 反超 0.06。
本团队运维能力不足这一条是硬约束,不是可调权重。
### Consequences
* Good:路由灵活,下游新增只需加 binding,不用改代码
* Bad:单队列吞吐低于 Kafka,3000 TPS 已接近单队列舒适区上限,
需要按业务拆分多个队列
* Bad:消息积压时的排查工具弱于 Kafka,需要自建积压监控
### Confirmation
上线后[《可观测性与 SLO:用数据管架构》](/guide/architecture/slo-error-budget.html)定义的 SLO 覆盖事件投递延迟 p99 < 500ms,
连续 4 周达标才算验收通过。
## Pros and Cons of the Options
### Kafka 4.x
* Good:吞吐余量最大,客户端与工具链成熟
* Bad:3 人团队无运维经验,故障恢复依赖外部支持
* Bad:按路由分发的灵活性弱于 RabbitMQ
### Pulsar 4.x
* Good:存算分离,扩容弹性好
* Bad:需要 BookKeeper 与 ZooKeeper 两套组件,运维面最大
## More Information
复核时间:2026 年 Q3。若届时团队补充了 Kafka 运维经验,
且峰值超过 8000 TPS,重新评估。运行结果(npx markdownlint-cli2 "docs/decisions/*.md",节选):
Finding: docs/decisions/*.md
Linting: 1 file(s)
Summary: 1 error(s)
docs/decisions/0007-order-event-bus.md:41:1 MD013/line-length Line length [Expected: 80; Actual: 92]用 markdownlint 卡一遍是值得的,因为 ADR 要进 Git 仓库、走 PR 评审,格式不统一时 diff 会很难读。MD013 这条按团队习惯关掉或放宽即可,关键是别让格式问题占掉评审的注意力。
那份 ADR 里最有用的是三处:「决定性理由不是分数」、「Bad 里写了 3000 TPS 已接近上限」、「复核时间与触发条件」。半年后有人问「当初为什么不用 Kafka」,答案在第一段和复核条件里,不用去翻会议记录。
四、常见误解
很多人以为选型要有唯一正确的答案,实际上大多数选型在候选者能力都够用时,正确答案取决于团队和环境。同一份需求,三个人团队和三十人团队该选不同的东西;把「行业内都用 X」当理由,等于假设约束相同。
很多人以为 POC 做完了就该选 POC 表现最好的那个,实际上 POC 的结论要看失败模式而不是峰值数字。一个在压测里 p99 更低的方案,如果在故障演练里需要人工介入四十分钟才恢复,按[《高可用:冗余、故障域与多活容灾》](/guide/architecture/high-availability-multi-active.html)的可用性口径算,它可能更差。
很多人以为 ADR 是走流程的形式主义,实际上它最大的作用不是向上汇报,是在团队换人之后保留推理过程。没有 ADR 的项目,半年后所有「为什么不这样」的问题都只能靠猜,而猜测通常会得出「当时的人不懂」这个结论。
五、小结
从[《高可用:冗余、故障域与多活容灾》](/guide/architecture/high-availability-multi-active.html)的容灾到[《可观测性与 SLO:用数据管架构》](/guide/architecture/slo-error-budget.html)的 SLO,判断标准一直在收敛,这一章补上了最前置的一环:这些技术是怎么被选进来的。
- 维度可以借鉴,权重必须自定,因为它由你的约束决定;权重最好用两两比较得出,别直接拍数字。
- POC 只验最可能失败的那一点,必须有退出条件;漏掉故障演练和迁移验证,等于把风险留给投产半年后。
- 锁定是一组坡道,第一道是「数据能不能导出」,这一道过不去,后面不必再谈。
- 团队熟悉度要单独计分,并在 ADR 里写成硬约束;它影响的是故障恢复速度,最终进 SLO。
- 算完总分必须做敏感性分析。结论如果是「换个权重就翻转」,要说出来,让讨论回到真正的约束上。
六、相关文章
选型定下来之后,多数团队面对的下一个问题是:现在这套单体现在要不要拆。[《架构演进:从单体到分布式》](/guide/architecture/modular-monolith-evolution.html)讲架构演进——哪些信号说明该拆了、模块化单体和微服务的边界在哪、拆的过程怎么走才不至于把一个故障域变成五个。到那里,这一章攒下的 ADR 会派上用场,因为「当初为什么合在一起」和「现在为什么拆开」得是同一套逻辑的两面。
继续阅读:[《架构演进:从单体到分布式》 架构演进:从单体到分布式](/guide/architecture/modular-monolith-evolution.html)