图文详解：如何设计一个亿级用户排行榜？

一句话概括

码哥按实时性、准确性、抗压力（峰值 100 万 QPS、P99 <200ms）、灵活性拆需求，给出数据接入、计算、存储、展示四层架构，并用分层合并把跨分片 TOP100 查询从 530ms 优化到 80ms。

实践内容

需求拆解

维度	要求
实时性	秒级更新
准确性	精确排名
抗压力	峰值 100 万 QPS、P99 <200ms
灵活性	支持多种排行维度

四层架构

数据接入层：

• Kafka 多活
• MirrorMaker
• DLQ（死信队列）

计算层：

• Lua 实时计算
• Spark 批处理
• Flink 混合（70% + 30%）

存储层：

• Redis Cluster 100 分片
• Caffeine 三级缓存
• ClickHouse 冷热分离

展示层：

• CDN
• API 网关
• K8s HPA

性能优化

分层合并把跨分片 TOP100 查询从 530ms 优化到 80ms。

摘录

码哥按实时性、准确性、抗压力（峰值 100 万 QPS、P99 <200ms）、灵活性拆需求，给出数据接入（Kafka 多活 + MirrorMaker + DLQ）、计算（Lua 实时 / Spark 批 / Flink 混合 70%+30%）、存储（Redis Cluster 100 分片 + Caffeine 三级缓存 + ClickHouse 冷热分离）、展示（CDN + API 网关 + K8s HPA）四层架构。

用分层合并把跨分片 TOP100 查询从 530ms 优化到 80ms。

涉及实体

• []

涉及主题

• []

我的评注

虽然这篇文章不是 AI 相关的，但其系统设计思想对 AI Agent 系统同样适用。分层架构、缓存策略、性能优化等方法都是通用的工程实践。