making.lyst.com

Lyst Engineering Blog 里与数据库和性能优化直接相关的案例主要有三类：Postgres 列变更的最小停机迁移、70GB Django 会话数据的存储迁移，以及用 New Relic 配合 Python profiler 做服务性能调优。这些文章的共同点是都从生产环境的真实约束出发——锁、依赖、数据量、线上流量——而不是只讲工具怎么用。如果你正面临类似的迁移或调优任务，可以按下面的分类找到对应参考。

用最小停机时间修改 Postgres 列

对应文章：Altering a Postgres Column with Minimal Downtime

这篇文章的切入点是：在线上库改一个列，真正的风险不在 ALTER 语句本身，而在它持有的锁和它牵连的依赖对象。

可借鉴的思路包括：

• 先理清依赖：视图、外键、索引、触发器、默认值等都可能依赖目标列，改列前需要确认哪些对象会受影响，否则迁移可能失败或产生意外行为。
• 理解锁的行为：不同 ALTER 操作获取的锁级别不同，某些操作会阻塞读写。文章强调通过理解锁来安排迁移顺序，把停机窗口压到最小。
• 分步执行：把一次大变更拆成多个小步骤，逐步验证，避免单条语句长时间持锁。

适用条件：适合有线上流量、不能接受长时间锁表的 Postgres 库。如果你的库可以随意停机，直接改列更省事，不必套用这套流程。

迁移 70GB 会话数据：Django SessionStore 与 DB Router

对应文章：Django Session store and DB Router

这篇文章记录的是把 70GB 会话数据搬到新存储的过程，核心手段是两个：

• 自定义 SessionStore 类：接管会话的读写逻辑，让应用层可以在不改业务代码的前提下切换底层存储。
• DB Router：控制 Django 的数据库路由，把会话数据的读写导向新的存储，与原有业务库解耦。

这个方案的价值在于：会话数据量大、读写频繁，直接停机迁移不现实；通过自定义存储类加路由，可以做到平滑过渡。适用条件是使用 Django 且会话数据已经大到影响主库性能的场景。如果会话量很小，直接换存储后端即可，不需要引入自定义类和路由这层复杂度。

用 New Relic 和 Python profiler 做基础性能调优

对应文章：Basic service performance tuning New Relic and the python profiler

这是一篇偏入门的调优记录，组合使用两个工具：

• New Relic：从服务层面观察响应时间、吞吐和慢请求分布，定位是哪个服务或哪个环节慢。
• Python profiler：在代码层面下钻，找出具体是哪些函数或调用占用了时间。

两者配合的逻辑是：先用监控工具缩小范围，再用 profiler 精确定位，避免一上来就盲目 profile 整个服务。适用条件是需要先建立性能基线的服务；如果还没有任何监控，先接入监控比直接上 profiler 更有效。

这些案例的共性

三个案例都体现了同一个取向：先搞清楚约束（锁、依赖、数据量、流量），再选工具和步骤。想深入某一篇，可以直接在 making.lyst.com 上按标题查找原文。

Lyst 的工程文化可以从其工程博客（making.lyst.com）公开的内容中归纳出几个明确特征：有书面的工程原则、重视代码评审、鼓励动手创新、强调知识分享。如果你是想了解这家时尚搜索公司的技术团队怎么工作、是否值得加入或合作，下面这些线索可以作为判断依据。

官方工程原则是文化的起点

博客首页设有 "Our Engineering Culture" 板块，直接指向团队公开的工程原则（engineering principles）。这说明 Lyst 把"怎么工作"当作一件需要明确写下来、对外公开的事情，而不是只靠口口相传。对求职者或合作方来说，这是评估团队成熟度的第一手材料。

代码评审被当作可分析的对象

一篇题为 "What Can 75,000 Pull Requests Tell About Lyst?" 的文章，对 Lyst 内部的代码评审实践做了探索性分析。用 75,000 个 Pull Request 作为样本量来复盘评审流程，反映出两点：

• 代码评审是团队日常开发的核心环节，量大到足以支撑数据分析；
• 团队愿意用数据反过来审视自己的工程流程，而不只是凭感觉。

用 Hackday 鼓励动手与协作

博客记录了 2020 年 12 月举办的 Lyst Hackday。这类活动通常意味着团队会给工程师留出自由探索、跨组协作的时间，把想法快速做成原型。它与日常业务开发形成互补，是创新节奏的一部分。

知识分享是常态，而非例外

从博客内容看，分享行为贯穿多个层面：

这些内容覆盖了从个人岗位到团队机制的不同粒度，说明分享不是偶发行为，而是被持续输出的。

技术方向上的取向

博客涉及的主题集中在几个方向：微服务架构与配套工具、性能调优（New Relic 与 Python profiler）、数据库迁移与降停机、机器学习在时尚搜索查询理解中的应用、测试栈改进（Selenium）等。可以看出团队以 Python 技术栈为主，关注搜索、数据和系统稳定性，并且习惯把踩过的坑写成可复用的经验。

怎么用这些信息做判断

• 想了解工作方式：先读 "Our Engineering Culture" 的工程原则，再看代码评审那篇分析，能较完整地看到日常协作机制。
• 想评估技术深度：挑微服务、Postgres 迁移、性能调优这几篇实战文章，看他们处理真实问题的方式。
• 想看团队氛围：Hackday 和 "What I Do" 系列能反映创新空间和岗位多样性。
• 想跟进最新动态：博客首页的更新列表是最直接的入口，也可通过其 Twitter、GitHub 链接进一步了解。

需要说明的是，以上均基于博客公开内容，博客本身未提及招聘待遇、团队规模或具体制度细节，这些方面无法从现有资料判断。

Lyst Engineering Blog（making.lyst.com）是时尚电商公司 Lyst 工程团队的技术博客，主要分享工程文化、技术实践与团队经验，面向工程师和技术读者。内容涵盖性能调优、微服务架构、数据库迁移、机器学习、测试实践等主题，属于知识分享型平台，而非产品介绍或招聘页面。

网站定位与内容性质

从页面证据看，该博客的首页标题为“Welcome to LYST's engineering blog”，并附有 HOME、JOBS、TWITTER、GITHUB 等导航入口，说明它同时承担对外技术输出和团队展示的功能。文章以工程实践复盘为主，通常由团队成员撰写，记录具体问题的解决过程或团队运作方式。

主要文章主题

根据首页列出的文章标题，内容大致可分为以下几类：

适合谁阅读

• 想了解 Lyst 技术栈和工程实践的开发者
• 对电商搜索、时尚领域机器学习感兴趣的数据科学从业者
• 关注微服务迁移、数据库低停机变更等具体工程问题的后端工程师
• 寻找工程文化、代码评审、团队活动参考的技术管理者

内容特点

文章多从具体问题出发，例如“如何用 New Relic 和 Python profiler 做基础服务性能调优”“如何以最小停机时间修改 Postgres 列”，偏向操作经验和机制解释，而非泛泛而谈。部分文章带有团队视角，如对 75,000 个 Pull Request 的代码评审分析、Hackday 活动记录，能反映 Lyst 内部的工程协作方式。

使用建议

如果你关注的是具体技术方案，可以直接从对应主题的文章入手；如果想了解团队运作，可先读“Our Engineering Culture”和“What I Do at Lyst”系列。博客文章按时间排列，较早的内容（如 PyData London 2016）可能涉及当时的技术版本，阅读时需结合当前环境判断适用性。

Lyst Engineering Blog 是时尚电商平台 Lyst 工程团队的技术博客，内容集中在四类主题：后端与基础设施、性能与测试、数据科学与机器学习、工程文化与协作。如果你关注电商系统如何从单体走向微服务、如何做低停机数据库迁移，或想看时尚搜索场景下的机器学习实践，这个博客值得关注。它偏向工程实践复盘，而非产品宣传或入门教程。

后端与基础设施

这一类的文章围绕服务拆分和数据库运维展开，适合正在做架构演进或迁移的团队参考。

• 微服务：记录 Lyst 从单一代码库迁移到一组小型服务的过程，以及让工程师快速构建和部署自己服务的工具。
• Postgres 迁移：一篇专门讲如何以最小停机时间修改 Postgres 列，重点在理解依赖关系和锁。
• Django 会话存储：介绍如何用自定义 SessionStore 类和数据库路由，把 70GB 会话数据迁移到新的存储中。

这几篇的共同点是给出真实规模下的迁移决策，而不是抽象的最佳实践清单。

性能与测试

• 服务性能调优：结合 New Relic 和 Python profiler 工具，做基础的服务性能分析与调优。
• Selenium 测试：回顾测试环境的改进过程，包括 Selenium 测试栈的重建——旧测试维护差、迁移到 Docker 后少有人能看懂其运作方式，是文中提到的具体教训。

数据科学与机器学习

• 时尚搜索查询理解：用机器学习模型理解用户搜索意图，并映射到平台库存，属于搜索与推荐方向的核心问题。
• 时尚模型：以“高维护成本的模型”这一双关切入，讨论机器学习模型的工作方式。
• 数据科学 journal club：分享如何组织一个团队真正愿意参与的数据科学论文讨论会。
• PyData London 2016：记录 Lyst 数据科学团队参与该会议的情况。

工程文化与协作

• 工程原则：介绍 Lyst 内部的工作方式。
• 代码评审分析：对 75,000 个 Pull Request 做探索性分析，观察代码评审实践。
• Hackday 2020：记录 2020 年 12 月的内部黑客活动。
• Bug bounty：用奖金换漏洞的项目。
• What I Do 系列：以员工访谈形式介绍具体岗位，例如运营工程师 Lotfi Bentouati。

怎么判断是否值得关注

博客首页还包含招聘、Twitter、GitHub 等入口，说明它同时承担团队对外展示的功能。整体上，它更适合有一定工程经验、想了解真实电商系统做法的读者，而不是寻找体系化课程的人。

Lyst Engineering Blog 中与微服务直接相关的文章主要有两篇：一篇讲“我们建了什么”（Microservices at Lyst），另一篇讲“迁移过程中哪些工具让事情变简单”（Tools That Made Our Microservices Easier）。两篇合起来覆盖了从单一代码库到多个小型服务的迁移历程、配套工具，以及迁移中需要处理的问题。如果你关心的是电商或数据密集型团队如何落地微服务，这两篇是入口；如果你要找的是具体代码实现，博客只给出经验层面的描述，没有完整代码仓库。

两篇核心文章各讲什么

从摘要可以确认的路径是：Lyst 从“单一代码库”走向“一组小型软件服务”，并且在这个过程中发现并沉淀了一批工具，让任何工程师都能较快地构建和部署自己的服务。这是两篇文章共同的主线。

迁移历程：从单一代码库到多个小型服务

博客对这段历程的表述是“how we've handled the move to microservices at Lyst: from a single codebase to a collection of small software services”。可以确定的信息有：

• 起点是单一代码库（single codebase），终点是多个小型服务（a collection of small software services）。
• 迁移不是一次性动作，而是被“handle（处理/应对）”的过程，说明中间存在需要持续解决的问题。
• 迁移完成后，团队关注的重点转向“让工程师能自助地构建和部署服务”，而不是由少数人集中维护。

至于拆分的具体服务数量、拆分顺序、按什么边界拆分，博客摘要没有给出，需要点进原文确认。

让微服务变简单的工具

“Tools That Made Our Microservices Easier”这篇的摘要明确写了目标：发现“for any engineer to quickly build and deploy their own services”的工具。也就是说，工具链要解决的核心问题是降低单个工程师构建和部署服务的门槛，而不是只服务平台团队。

如果你在做类似的迁移，可以据此对照自己团队缺哪一环：

• 新服务从零到可部署，需要多长时间？
• 部署是否依赖某个特定团队或特定人？
• 普通业务工程师能否独立完成一次服务上线？

这三个问题对应的是博客里“quickly build and deploy their own services”所指向的能力。具体用了哪些工具、什么语言栈，摘要未列出，需查阅原文。

落地过程中要处理的挑战

博客没有单独列一节讲“挑战”，但从相关文章的分布可以看出 Lyst 在微服务化过程中同时处理了这些相邻问题：

• 会话数据迁移：Django Session store and DB Router 一文讲的是如何把 70GB 的 sessions 数据迁移到新的存储，用自定义 SessionStore 类和 db router 实现。服务拆分后，会话这类跨服务的状态需要重新安排存放位置。
• 数据库变更：Altering a Postgres Column with Minimal Downtime 讲的是理解依赖和锁，把迁移停机时间降到最低。服务多了以后，数据库 schema 变更的影响面需要单独控制。
• 测试环境：Getting to grips with Selenium 提到团队在改进测试栈，并回顾了转向 Docker 后旧测试难以维护的问题。服务数量增加会放大测试环境的复杂度。
• 服务性能：Basic service performance tuning 用 New Relic 和 Python profiler 做基础性能调优，属于单个服务层面的运维动作。

这些文章不是微服务专题，但都是微服务落地时会连带出现的工程问题，可以当作配套阅读。

怎么用这些内容

如果你的目标是判断要不要拆微服务，先读 Microservices at Lyst，看它的拆分动机和结果是否符合你的场景；再读 Tools That Made Our Microservices Easier，评估自己团队有没有能力补齐同等的工具链——工具链缺失往往是拆分后效率反而下降的原因。

如果你的目标是已经决定拆、想知道要准备什么，按上面的挑战清单对照：会话与状态怎么放、数据库变更怎么控停机、测试环境怎么跟上、单服务性能怎么观测。Lyst 的经验是这些问题在迁移过程中都会出现，需要提前或同步解决。

需要提醒的是，博客文章是经验分享，不含可直接复用的完整方案；具体的服务划分方式、工具选型和代码实现，需要以原文和 Lyst 的 GitHub 为准。