Night Market Skill — 从 claude-night-market/archetypes 移植而来。如需完整体验（含智能体、钩子与命令），请安装 Claude Code 插件。

基于空间的架构范式（Space-Based Architecture Paradigm）

适用场景

• 需要弹性伸缩能力的高流量应用
• 需使用内存数据网格（in-memory data grid）的系统

不适用场景

• 低流量应用，此时分布式缓存属于过度设计
• 对强一致性要求高于可用性的系统

应采用该范式的典型情形

• 流量或状态数据量超出单个数据库节点承载能力时。
• 延迟敏感型场景，要求内存数据网格部署在靠近处理单元的位置。
• 需要线性可扩展性，通过将工作负载划分至多个相同且自包含的单元来实现。

落地实施步骤

1. 划分工作负载：将流量与数据划分为若干处理单元，每个单元后端挂载一个副本化数据缓存。
2. 设计数据网格：选定合适的缓存技术、复制策略（同步 vs. 异步）及数据驱逐策略（eviction policies）。
3. 协调持久化：采用 write-through 或 write-behind 策略写入持久化存储，并配套实现数据一致性校正流程（reconciliation processes）。
4. 实现故障转移处理：设计领导者选举（leader election）或心跳机制（heartbeats），确保节点失效后能无数据丢失地完成恢复。
5. 验证可扩展性：开展负载测试与混沌测试（chaos testing），确认系统的弹性伸缩能力与自愈能力。

关键交付物

• 一份架构决策记录（Architecture Decision Record, ADR），明确所选网格技术、分区方案及持久化策略。
• 用于扩缩容处理单元及应对“脑裂”（split-brain）场景的运维手册（Runbooks）。
• 一套监控套件，用于追踪缓存命中率、复制延迟（replication lag）及故障转移事件。

风险与应对措施

• 最终一致性问题:
  • 应对措施：正式定义数据新鲜度服务等级协议（data-freshness SLA），并为非即时一致的数据实现补偿逻辑（compensation logic）。
• 运维复杂度高:
  • 应对措施：数据网格的编排依赖成熟的自动化能力。应在项目早期即投入生产级工具链与自动化建设。
• 成本开销大:
  • 应对措施：内存网格资源消耗较高。需实施严格的资源利用率监控，并配置自动伸缩策略以有效控制成本。

具体组件

以下术语指代该范式落地时实际出现的具体工具与抽象层。它们并非强制依赖项，也不属于该 Skill 的 tools: 前置元数据字段（该字段专用于限定 Claude Code 工具调用范围）。可在架构讨论中参考此列表以消除歧义。

• data-grid-platform — Hazelcast、Apache Ignite 或同类产品；一种内存中分片式数据存储
• replication-manager — 异步将写操作同步至持久化存储及跨区域副本的组件
• load-tester — 向数据网格施加远超单区域容量上限的压力，以验证横向扩展能力