The System Design Primer 研究筆記¶
資料來源¶
| 項目 | 連結 |
|---|---|
| GitHub Repo | https://github.com/donnemartin/system-design-primer |
| 作者 | Donne Martin（前 Facebook 工程師） |
| 姊妹專案（Coding 面試） | https://github.com/donnemartin/interactive-coding-challenges |
| 與其他面試資源比較 | Grokking vs Alex Xu 比較、Pragmatic Engineer 書評 |
專案概述¶
The System Design Primer 是 GitHub 上最具代表性的系統設計學習資源（351k+ stars、56k+ forks，2017 年創建至今持續維護），目標是「學會設計大規模系統」與「準備系統設計面試」兩件事。它不是一本教科書，而是把散落在網路各處的系統設計資源有組織地彙整成一條學習路徑：每個主題都附上優缺點分析（核心信條是 Everything is a trade-off）與延伸閱讀連結。
repo 主語言標為 Python，是因為它附有 8 道系統設計面試題的完整解答（含 Python 實作碼、架構圖）以及 6 道 OOD（物件導向設計）題的 Jupyter Notebook 解答。另外提供 3 套 Anki 字卡牌組（System Design、System Design Exercises、OO Design），用間隔重複幫助記憶。社群翻譯涵蓋日文、簡中、繁中等 4 種完成語言與 16+ 種進行中語言。
內容架構¶
整個 repo 可分為四大塊：
system-design-primer
├── 學習指南（Study Guide）
│ └── 按準備時間（短/中/長）建議的學習廣度與深度
├── 面試方法論（4 步驟框架）
│ ├── Step 1: 釐清 use cases、約束、假設
│ ├── Step 2: 畫出 high-level 設計
│ ├── Step 3: 深入核心元件
│ └── Step 4: 擴展設計（找瓶頸 → 加 LB/cache/sharding）
├── 系統設計主題索引（知識主體，~20 個主題）
│ └── 每個主題：原理 + 優缺點 + 延伸閱讀
└── 題解（solutions/）
├── 8 道系統設計題（Pastebin、Twitter timeline、爬蟲、
│ Mint.com、社交圖譜、KV store、Amazon 銷售排行、AWS 百萬用戶）
└── 6 道 OOD 題（hash map、LRU cache、call center...）
知識主題涵蓋範圍¶
| 層面 | 主題 |
|---|---|
| 基礎觀念 | Performance vs Scalability、Latency vs Throughput、CAP 定理 |
| 一致性/可用性模式 | Weak / Eventual / Strong consistency；Fail-over、Replication、可用性數字（99.9% vs 99.99%） |
| 網路入口 | DNS、CDN（Push vs Pull）、Load Balancer（L4 vs L7、active-passive vs active-active）、Reverse Proxy |
| 應用層 | Microservices、Service Discovery |
| 資料庫 | RDBMS（master-slave、master-master、federation、sharding、denormalization、SQL tuning）、NoSQL 四型（KV / document / wide column / graph）、SQL or NoSQL 抉擇 |
| 快取 | 六個層級（client → CDN → web server → DB → application）+ 四種更新策略（cache-aside、write-through、write-behind、refresh-ahead） |
| 非同步 | Message queues、Task queues、Back pressure |
| 通訊 | TCP vs UDP、RPC vs REST 比較 |
| 附錄 | 2 的冪次表、Latency numbers every programmer should know、真實世界架構（公司架構案例 + 工程部落格清單） |
面試準備的時間軸建議¶
| 準備時間 | 策略 |
|---|---|
| 短 | 廣度優先，做部分題目 |
| 中 | 廣度 + 部分深度，做多數題目 |
| 長 | 廣度 + 更多深度，做全部題目 |
快速開始¶
不需安裝任何東西，建議路徑：
- 看 Harvard Scalability Lecture（垂直/水平擴展、快取、LB、複寫、分區）
- 讀 Scalability for Dummies 系列文章（Clones → Databases → Caches → Asynchronism）
- 按主題索引逐一閱讀，配 Anki 卡片複習
- 用 4 步驟框架練習
solutions/內的題目
目前限制 / 注意事項¶
- OOD 章節標註 under development，部分題目仍缺解答；repo 創建近十年，部分外部連結已失效（README 中多處已改用 web.archive.org 快照）
- 內容偏「經典」：聚焦 2010 年代的擴展性問題（LAMP 式架構演進），對 Kubernetes、serverless、stream processing（Kafka/Flink）、向量資料庫等近年主題著墨少
- 深度有限：每個主題是摘要 + 連結的形式，適合建立框架，不適合取代 DDIA（Designing Data-Intensive Applications）這類深度書籍
- 它是面試導向的資源；實際工作中的系統設計還需要考慮成本、團隊、漸進遷移等面向，這些不在範圍內
研究價值與啟示¶
關鍵洞察¶
- 「組織」本身就是價值：這個 repo 沒有多少原創內容，它做的是把散落的演講、文章、論文組織成學習路徑——351k stars 證明在資訊過載時代，curation + 結構化是獨立的價值來源。這與本站（research-memo）做的事本質相同。
- Everything is a trade-off 是貫穿全書的方法論：每個主題都用「優點/缺點」對照呈現（如 CP vs AP、cache-aside vs write-through），訓練的是決策思維而非背誦。這個格式值得本站筆記借鏡——「目前限制」段落正是同樣精神。
- 4 步驟面試框架其實是通用設計流程：釐清需求 → high-level 設計 → 深入元件 → 找瓶頸擴展。把它套在 AI Agent 系統設計上同樣成立（例如設計 multi-agent pipeline 時先估 token 流量與延遲預算）。
- back-of-the-envelope 估算被低估：附錄的 latency 數字表（L1 cache 0.5ns → 跨洋 RTT 150ms，數量級差 10^8）是做容量規劃的基本功；對 LLM 應用同樣適用（token 生成速度、context window 成本估算）。
- 定位是「免費的廣度起點」：與付費資源相比（Grokking 是結構化課程、Alex Xu 是深度參考書），Primer 適合當第一站建立全景圖，再用其他資源補深度。
與其他專案的關聯¶
- Laws of Software Engineering：同屬「軟體工程經典知識」彙整，Primer 提供架構面、Laws 提供原則面，互補
- HighScalability：Primer 附錄大量引用 highscalability.com 的真實架構案例（back-of-the-envelope 估算一文即出自該站），兩者是「教材 vs 案例庫」的關係
- AI Agents for Beginners (Microsoft)：同為「有組織的免費學習路徑」模式，一個教分散式系統、一個教 Agent 系統