我工作的前 5 年，都是从事基础系统研发相关的工作，做过后台的接入层、后台的存储系统、RPC 框架。

说来不怕你笑话，那个时期，我对代码一直有一种恐惧感。这种恐惧是怎么来的呢?且让我慢慢说来。

我们所构建的基础系统，都是使用在亿级甚至十亿级用户产品的业务系统之上的。

从客户端(前端)到后台业务逻辑层，再到基础架构层，所写的代码是跑在整个调用链路的最后端。你可以认为，几乎每个用户的每个请求都会跑到我们写的那部分代码。

这个对系统带来的影响是：

• 代码出问题后，影响的用户范围会很大。
• 在这亿级甚至十亿级用户量的情况下，每天所带来的请求可能是千亿级，万亿级的。

在如此庞大请求量的情况下，几乎各种奇葩的异常，你都会遇到，代码要极其的健壮，一个小异常没处理好就会带来大麻烦。

这让我想起来，我们故障时候的情形。几年前，我们每做完一次版本变更，晚上基本都会睡不好，担心变更的代码有问题。

对手机的报警短信特别敏感，一有风吹草动，立马就会打开电脑 VPN 看看，即使是在深夜凌晨的时候。

我自己有个习惯，每次变更完，都要间隔几个小时去看看监控曲线和日志，看看有没有异常的苗头，一旦发现有不对劲地方，就会立即着手排查，直到确保没有问题为止。

不过即使如此，还是不可避免的会出现问题。半夜两三点的时候，你的手机突然响起，报警语音机器人跟你说，你有一个重要的监控曲线出现异常，请查看。

然后你的血压立马升高，心跳加速，你从床上，一跃而起，打开电脑，连上公司的 VPN，立马着手排查起来。

几分钟后，QA(质量工程师)电话过来，告知你，这个故障目前已经上报到部门故障系统，目前影响的用户有 XXX 的数量，请你加快处理的速度，然后你的心跳再次加速。

半小时后，终于有了眉目，这时，你的 Leader 电话过来，询问你是怎么回事，大概还需要多长的时间才能处理完毕。待你语焉不详地回复完你的 Leader，你又开始埋头，一行行的排查故障。

一个小时后，你终于将问题定位出来，执行了故障处理方案，例如回滚新的代码，或者屏蔽某些机器等。你才终于有了喘息的时间。

(PS：这里正确的流程是，出问题后，立马回滚代码，但存储系统因为数据的关系，在没有确定原因前不太敢回滚，怕对数据有影响。)

你赶紧爬上床去，睡上 2-3 个小时，因为第二天还要早起，赶到公司，去处理故障的后遗症，数据损坏和数据错乱。

那个时期，我们写代码都是特别小心的，变更，更是极度的谨慎。所以使得自己对代码变更有了一种焦虑和恐惧的心理。至少在那时候，写代码不是一件轻松的事情。

这个事情，我现在回过头来看。你可以认为有一部分是人的原因，但仔细的想想，写代码不出 Bug ，几乎也是极难做到，所以这里在研发流程上，其实也是有缺失的。

前期因为业务发展太快，团队的整体人力跟不上，所以，一开始很多流程，都是很原始的，那时候，是想做但客观条件不允许。

后来，业务稳定了，流程就规范了不少。比如引入了 Coverity 的代码检查，也推行过测试用例覆盖，持续集成等。

但最终，并不是所有的流程都延续了下去。比如，代码测试用例覆盖，有的团队到后面就放弃了，需求变化太快，测试用例成本太高。

Coverity 倒是自动化程度高，没啥人力投入，执行了下来。但我相信不是所有的公司，所有的团队，都会有这种规范的流程。一个是研发流程成熟度建设的问题，但除此，还有成本，业务迭代速度。

在互联网，产品高速迭代的时候，产品都还没有存活下来，成熟流程就更不太可能有了。

综合来看，一种规范，但相对较重的研发流程的建立，应该也是根据具体情况而定的。

需要考虑产品的形态，产品迭代的速度，团队的人力预算成本，产品的生命周期等等。

当然，无论怎么说，反正这不是个人可以决定的事情，如果你所在的团队有完善的研发流程，那是最好的事情，但如果没有那么完善，自己又能够做些什么呢?

我的经验来看，以下的一些措施，对于个人而言也有不错的效果。

测试驱动的开发(TDD)

有段时间，因为业务高速发展，对性能的要求不断提高，存储模型也跟随着不断迭代改进，所以那段时间的代码修改是比较多的，那个时间的焦虑感也特别重。

我记得是在 《重构：改善既有代码的设计》中了解到 TDD 的。简单来说， 就是先构建测试用例，再开始写你的功能代码。

在设计测试用例之前，你需要先定义好模块对外的接口，包括接口的种类，参数，返回值等。

然后，你针对定义好的接口，编写测试用例。这过程中，你可能会发现接口设计不合理的地方，也需要随着修改。

待你测试用例写完，基本你的接口也被修改的比较好了，所以 TDD 还能改善你的接口设计。

后续再为每个接口实现特定的代码逻辑。我当时将这种方法运用到了一个磁盘存储引擎中，发现相当不错。我特地花了一周左右的时间写测试用例。

后面，每天实现部分的功能后，都立马跑测试用例，每次跑完通过，你的心里都有稳的一 B 的感觉。有种妈妈再也不担心我写的代码有 Bug，被老板叼，导致扣工资了。

因为有了完善的测试用例，而且随着你测试用例不断的增加和覆盖，你的信心会越来越足，焦虑自然减少了很多。

不过这种方式，比较适合底层的系统和核心稳定的系统。对于需求多变的系统，构建测试用例的人力付出太大，而且需求一变，已有的测试用例可能失效，导致投入产出比不够高。

灰度发布

简单来说，就是一个特性要上线的时候，不是一下就开放给所有的用户使用。有点像产品上的内测，只不过是用在技术上。

比如我新增加了一个产品需求，例如就微信里面的 “看一看”入口，不是一开始就对所有用户开放的。

首先会上线一个新的客户端版本，代码逻辑已经预埋，但设计了一个开关，对所有用户都是关闭的。

前期，可能会找个千分之一，甚至万分之一的用户(随机或者特定的用户群体)，让他们使用。

在这过程中，收集各种 Log，监控，用户的反馈，来确认和 Fix 系统存在的各种问题。

一般经过两三周后，如果没有大问题，就会进一步的放开使用的用户。比如变成百分之一，十分之一，一直迭代，直至覆盖全部用户。

灰度这个思想，在互联网是特别常用的。客户端，前端，后台都可以使用。比如后台，上线一个新修改后，也不是一下就开放给所有用户。

而是按照某种规则，例如以 QQ 用户为例，可能是这种规则：计算 Hash 值(QQ 号) % 1000 <= 灰度用户的比例(取 0 --- 1000)。

放量的最小力度就是千分之一，被灰度到的用户，看到新功能，没灰度到的用户不受影响。

这招用在新功能，用在系统优化，代码重构上都很不错。付出的额外成本不大，有的公司有自研的灰度系统，那最好。

没有的话，在重大且没有把握的功能上，自己加上几行灰度控制代码也不难。

监控和 Log

监控和 Log 不是什么新鲜的东西。工作第一年，我们的技术总监在一次会议上跟我们说：你写完的代码是死的，只有在线上跑的代码是活的。

监控和 Log(特别是监控)，就像是你代码的体征信息，随时反应着你代码在实际环境中的运行情况，要高度的重视。

这段话，在后面，我深有感触。通过完善设计的监控和 Log，预先发现了很多的问题，也避免了很多，或代码 Bug，或系统设计缺陷导致重大故障。

后面，监控和 Log 的设计，也成了我们方案设计的一部分。一般都会在方案最后，加上必须的监控的点和 Log 点，例如请求数，成功数，失败数，各种异常数，极端逻辑执行次数等等。

你应该要意识到监控和 Log 的重要性，而且应该要花时间特别地设计。经过良好设计的监控和 Log，能发挥的价值，是那种凭感觉随便加的监控 Log 不可比拟的。

双写，双读验证

这招，新业务代码用的不多。更多用于基础系统或者核心系统的优化和重构上面。

而且有前置条件，需要一个操作可以重复执行(例如只读操作和幂等的数据操作)。

简单来说，就是将新旧代码，划分为两个流程(两个接口)，上线到实际环境，然后在同个模块里面调用。

一个请求进来后，两个流程分别执行一次，逐字节做对比(例如 Memcmp)新旧流程的结果。新流程的结果只用于对比，返回得依旧是旧流程的结果，所以不影响线上业务。

如果对比失败，就可能存在异常，要查找并解决，在实际环境跑了几天后，都没问题，就可以采用灰度的方式，进一步放量。不过，一般业务不常使用，在基础系统上使用比较多，这里就不展开了。

另外，对于客户端，还有热补丁机制，客户端 Log 收集系统等。不过这种需要的开发量比较大，一个人不一定可以搞定，可能需要有个小团队来完成。

最后

软件工程是个庞大的话题，我也没能力论述这么大的话题。这里给大家讲了个以前的故事，并且分享了我常用的一些低成本，但可以提高线上代码质量的方法，给大家参考参考。大家有好的做法，也欢迎在留言里分享出来。