摘要：零食量贩赛道扩张，单表过亿会员、门店订单并发攀升，“好想来”用 PolarDB-X 解决分库分表耦合与弹性调度问题，C 端点查 P99 控制在 50ms 以内。
“好想来”是零食量贩赛道的头部品牌，背后承载百亿级零食交易规模。南京万丞信息科技有限公司作为“好想来”的技术主体，负责会员、门店、营销、订单四条核心业务链路的研发与运营，直接服务消费者端的交易与经营。
痛点：分布式复杂度长在了业务代码里
“好想来”并非一开始就用分布式数据库。早期业务体量下，团队自建了分库分表方案，把分片规则写进了业务代码。随着门店扩张和数据量攀升，这套方案的代价逐步显现：
- 分片规则侵入业务层，改一次分区逻辑要动代码、发版本、回归测试；
- 库表规模变大后，拓扑管理、扩容迁移、问题定位全部落在运维团队肩上；
- 跨库事务场景下，一致性和代码复杂度之间反复拉扯；
- 业务存在明显的峰谷——大促和日常的资源需求差距大，但计算资源无法按需弹性调整。
团队逐渐意识到，问题不在数据库本身，而在于分布式的复杂度不应该由业务来承担。他们需要的不是"一个更强的数据库"，而是让数据分布对研发透明、强一致事务由内核保障、可独立扩缩容、运维由云平台托管。
这是他们最终选择 PolarDB-X 的原因。
解决方案：三个场景，三种设计思路
场景一：弹性调度——随业务流量动态调整计算资源
PolarDB-X 采用存算分离架构，计算和存储可以独立扩缩容。但“好想来”关注的不是"能扩容"本身，而是能不能跟着业务节奏走。
他们的实际用法是：大促前提前校验容量与策略；大促期间按负载动态提升计算资源；大促结束后逐步回归常态水位。存算分离让扩缩容不影响业务，峰值保障和平峰回收可以独立操作。
场景二：C 端会员点查——单表过亿，P99 < 50ms
“好想来”会员表数据量过亿，C 端查询特点是高频、低延迟敏感。
做法是按 member_id 做 HASH 分区，请求进来后一次路由直达目标分片，分区内走本地索引完成查询，无需跨节点聚合。整个链路就是一次单分片点查。
这类场景的关键在于分区键选对了，查询链路就简单了。P99 稳定在 50ms 以内。
场景三：B 端复杂查询——行列混存，分析流量不碰交易链路
B 端场景和 C 端完全不同：聚合、多表关联、大范围扫描，计算开销高。如果和交易流量混在一起，会直接影响 C 端体验。
“好想来”的做法是在一份业务数据上同时保留行存和列存两套访问链路。SQL 进入 PolarDB-X 后，由 CN 节点自动路由：
- 点查、简单查询、在线交易 → 走行存主链路，保证低延迟、高并发、强一致事务；
- 聚合、多表关联、分析查询 → 走 CCI 列存副本，列式存储 + 向量化执行承接分析负载。
一份数据，行列双副本，自动路由。 分析查询再重，也不会影响 C 端业务的响应时间。
日常实践：三板斧
在上面的三个场景之外，“好想来”在日常运维中逐步沉淀了三类关键实践，分别解决三个问题：
数据怎么分？ 用分区表按访问特征打散热点，避免单分区倾斜。门店等字典表用广播表全量复制到每个 DN，JOIN 本地下推，消除跨节点关联。
历史数据怎么管？ 用 TTL 做表级生命周期管理。热数据留在高性能存储保障实时访问，冷数据按策略自动下沉，降低长期存储成本。
结构怎么改？ 用 Online DDL 做大表加列、加索引，变更前自动评估影响范围与执行计划，业务无需停服。
智能化探索：从"看指标找问题"到"系统帮你发现异常"
“好想来”也是 PolarDB-X Zero 智能化能力的早期体验者。他们主要试用了三个方向：
Skill 共建——把 PolarDB-X 的产品能力和最佳实践沉淀给 AI，让 AI 能结合表结构和 SQL 模式给出分区键设计建议。
智能巡检——不再只是看 CPU、RT、慢 SQL 这些指标本身。Agent 把多维指标放在一起，对比历史趋势，自动生成异常分析和优化建议。比如巡检报告会指出"晚高峰 RT 环比上升 34%，store_order 表存在分区热点"，并给出"评估是否为高访问门店单独拆分分区"的具体建议。
SQL 模型分析——过去做 SQL 优化是一条一条看执行计划。现在 Agent 把一段时间内的表关系、SQL 模板、跨分片执行风险一次呈现出来。哪些表是核心节点，哪些 SQL 模板值得进一步优化，哪些存在较远的跨分片执行风险，一目了然。
用“好想来”的话说，AI 不再只是"回答一个数据库问题"，而是结合上下文帮助做分析和判断，从问答走向洞察。
未来方向
“好想来”目前关注两个演进方向：一是 Serverless 能力的持续增强，让资源进一步按需调整、成本更可控；二是 Zero Agent 从对话、巡检、分析走向研发流程的自动化和效率提升。
从分布式实践到智能化探索，“好想来”的主线始终是一个问题：怎么让数据库更好地支撑业务增长。分布式能力解决规模问题，智能化能力解决效率问题，两者结合，是他们在零售赛道持续扩张的底层支撑。
