⚡️ Нужно кэшировать тяжелые вычисления в Laravel?

Используй помощник once, который выполняет обратный вызов один раз и кэширует результат.

Когда DDD вам НЕ нужен (и когда нужен)

DDD - это не про структуру папок. Это про борьбу со сложностью.

Самая большая ловушка: прочитав Эванса или Вернона, начать пихать DDD в простой CRUD. Если ваше приложение просто перекладывает JSON из запроса в базу, DDD сделает разработку в 3 раза дороже и медленнее.

🚦 Когда DDD избыточен:

💜Админки, простые CMS.
💜Микросервисы-прокси.
💜Прототипы (MVP), которые нужно выкинуть через месяц.

🔥 Когда DDD необходим:

💜Сложный бизнес-процесс: (например, расчет налога с учетом льгот, региона и фазы луны).
💜Долгоживущий проект: (вы будете поддерживать это 3+ года).
💜Важность языка: Когда менеджер говорит «списать бонус», а в коде это $user->points -= 10. Это рассинхрон, который приведет к багам. В DDD это будет $user->debitBonuses(10).

Главный принцип:
DDD применяется не ко всему проекту целиком, а к Core Domain (Ядру). Вспомогательные модули (отправка почты, логи) могут и должны оставаться простыми.

Вывод: Не стройте "Звезду Смерти" для доставки пиццы. Сложность архитектуры должна соответствовать сложности бизнеса.

⌛️ Как настроить production-ready логирование в PHP

Логи в проде — это не просто error_log(). Это структурированные данные, correlation ID, асинхронная запись и ротация. Разбираем пошаговую настройку.

1️⃣ Выбираем стек: Monolog

PHP де-факто стандарт для логирования — Monolog. Устанавливаем через Composer:

composer require monolog/monolog

Если на Laravel, уже есть из коробки. Если нет, то подключаем вручную.

2️⃣ Базовая конфигурация с JSON-форматом

use Monolog\Logger;
use Monolog\Handler\RotatingFileHandler;
use Monolog\Formatter\JsonFormatter;

$log = new Logger('app');

$handler = new RotatingFileHandler(
    __DIR__ . '/logs/application.log',
    maxFiles: 30,
    level: Logger::INFO
);

$handler->setFormatter(new JsonFormatter());
$log->pushHandler($handler);

JSON-формат удобен для парсинга в ELK / Grafana Loki.

3️⃣ Добавляем Correlation ID

Трекаем каждый запрос через Processor:

class CorrelationIdProcessor implements ProcessorInterface
{
    private string $correlationId;

    public function __construct()
    {
        $this->correlationId = $_SERVER['HTTP_X_CORRELATION_ID']
            ?? bin2hex(random_bytes(16));

        header('X-Correlation-ID: ' . $this->correlationId);
    }

    public function __invoke(array $record): array
    {
        $record['extra']['correlation_id'] = $this->correlationId;
        return $record;
    }
}

$log->pushProcessor(new CorrelationIdProcessor());

Теперь каждая строка лога привязана к конкретному запросу.

4️⃣ Ротация и лимиты

$handler = new RotatingFileHandler(
    filename: __DIR__ . '/logs/app.log',
    maxFiles: 30,
    level: Logger::WARNING,
);

Для ограничения по размеру связываем с logrotate на уровне системы:

# /etc/logrotate.d/php-app
/var/www/app/logs/*.log {
    daily
    rotate 30
    compress
    missingok
    size 100M
}

5️⃣ Асинхронная запись

PHP синхронный по природе, но можно буферизовать тяжёлые хендлеры:

use Monolog\Handler\BufferHandler;

$bufferHandler = new BufferHandler(
    handler: new StreamHandler('logs/app.log'),
    bufferSize: 100,
    flushOnOverflow: true
);

$log->pushHandler($bufferHandler);

Буферизуем записи и сбрасываем пачкой → меньше I/O операций.

6️⃣ Интеграция с мониторингом

Отправляем в Graylog через GELF:

use Monolog\Handler\GelfHandler;
use Gelf\Publisher;
use Gelf\Transport\UdpTransport;

$publisher = new Publisher(
    new UdpTransport('logstash.example.com', 12201)
);

$log->pushHandler(new GelfHandler($publisher));

Или напрямую в Telegram для критических ошибок. Отдельный хендлер, 5 минут работы.

📌 Итог

Monolog + JsonFormatter + CorrelationId + logrotate = логи, с которыми не стыдно идти в прод.

👣 На Stepik обновили курс «Rust: полный курс разработчика. С нуля до профи»

Представьте: через три месяца вы открываете чужой Rust-код и читаете его как книгу.

Arc<Mutex<T>> не вызывает панику. impl Future не пугает. Вы точно знаете, почему компилятор ругается и как это починить за 10 секунд.

Это не фантазия. Это результат 50 уроков, в которых каждая концепция объясняется через код и закрепляется практикой.

Ownership, traits, generics, async, unsafe - всё, что казалось магией, станет рабочим инструментом.

А бонусом - портфолио проектов: от CLI-утилит до REST API и WebAssembly.

Вы и так знаете, что Rust - ваш следующий язык. Этот курс просто сделает это реальностью.

Сегодня - 55% процентов от цены, торопись: https://stepik.org/a/269250/

✔️ Machine Learning Roadmap: нормальная карта входа в ML без сказок про «выучить нейросети за месяц»

Большой русскоязычный roadmap по машинному обучению: от первого import numpy до LLM, RAG, fine-tuning, AI-агентов и MLOps.

И это не просто очередной список ссылок в стиле «посмотри 40 курсов и станешь ML engineer». Внутри нормальная структура: что учить, в каком порядке, зачем это нужно и какой практический артефакт должен появиться после каждого этапа.

Roadmap разбит на 7 треков:

- фундамент: Python, математика, статистика, инструменты
- классический ML: scikit-learn, табличные данные, метрики, валидация
- Deep Learning: PyTorch, CNN, RNN, training loop
- LLM и трансформеры: attention, KV-cache, RAG, LoRA, агенты
- Generative AI: изображения, видео, аудио, мультимодальность
- MLOps и прод: Docker, Kubernetes, CI/CD, мониторинг, serving
- специализация: CV, NLP, RecSys, RL, Safety

Самое полезное - там честно написано, что ML это не только «обучить модель». В реальности большая часть работы живёт вокруг данных, метрик, деплоя, мониторинга, воспроизводимости и понимания, почему модель вообще ошибается.

Хорошая мысль из roadmap: LLM не делает джуна сениором. Она ускоряет того, кто понимает базу. Без базы человек просто превращается в оператора Copilot, который не может объяснить, почему модель сломалась.

По времени тоже без инфоцыганства:

- 0-3 месяца: кодинг, математика, классический ML
- 3-6 месяцев: Deep Learning и PyTorch
- 6-12 месяцев: LLM, RAG, fine-tuning, AI-агенты
- 12+ месяцев: MLOps, прод, масштабирование, специализация

Короче, если давно хотели системно зайти в ML, а не прыгать между роликами про ChatGPT, Stable Diffusion и «топ-10 библиотек», это хороший ориентир.

https://github.com/justxor/MachineLearningRoadmap/tree/main

Docker и Kubernetes: основы разработки под облачную инфраструктуру

Курс для тех, кто хочет держать свой стэк и знания актуальными и глубоко разбираться, как устроены Docker, Kubernetes, и современная облачная инфраструктура в целом.

🌐 Чему вы научитесь:

🤩 Создавать облачную инфраструктуру «с нуля» управление и конфигурация серверов с Terraform, Ansible, cloud‑init
🤩 Уверенно работать с Docker: Dockerfile, слои, кэш, многоступенчатые сборки, реестры, безопасность, air‑gapped
🤩 Проектировать многоконтейнерные приложения: паттерны Sidecar, Ambassador, Adapter, проверки (liveness/readiness), DaemonSet и поды
🤩 Настраивать сеть и балансировку в Kubernetes
ClusterIP, Services, Ingress, MetalLB, TLS/SNI, сервис‑меши (Istio)
🤩 Организовывать хранение данных: PersistentVolumes / PVC, StorageClasses, резервное копирование. Упаковка в Helm и поддержка через Operator

🥸 Кто мы: R&D-центр Devhands. Автор курса — Николай Ихалайнен, эксперт по СУБД и бекенду (ex-Percona), со-основатель MyDB, энтузиаст открытого ПО.

🗓 Старт курса: 10 июня, 6 недель обучения.
Изучить программу и записаться можно здесь.

Ждем вас!

Реклама. ИП Рыбак А.А. ИНН 771407709607 Erid: 2VtzqxNnFKA