[Use Case в DDD: как проектировать сценарии взаимодействия с системой]

Привет! Сегодня поговорим про Use Case (Сценарии использования) — один из ключевых элементов DDD и чистой архитектуры.

1. Что такое Use Case?
Use Case (Сценарий использования) — это:
✔️ Описание конкретного бизнес-действия (например, "Оформление заказа", "Отмена бронирования").
✔️ Изолированная логика, которая координирует работу домена и инфраструктуры.
✔️ Мост между presentation (API/UI) и domain (бизнес-правила).

Примеры:
CreateOrderUseCase → создание заказа.
CancelBookingUseCase → отмена бронирования.
ProcessPaymentUseCase → обработка платежа.

2. Где находятся Use Case в структуре проекта?

Они относятся к application-слою (слое приложения):

src/
├── domain/
├── application/     # Use Cases + Application Services/CQS
│   ├── use_cases/
│   │   ├── commands/
│   │   └── queries/
│   └── services/   
├── infrastructure/ 
└── api/ 

3. Пример use case "Создание заказа"

# /delivery/core/application/use_cases/commands/create_order/create_order_handler.py
from dataclasses import dataclass

from core.domain.model.order_aggregate.order import Order
from core.domain.model.shared_kernel.location import Location
from core.application.use_cases.commands.create_order.create_order_command import CreateOrderCommand
from infrastructure.adapters.postgres.unit_of_work import UnitOfWork


@dataclass
class CreateOrderCommandHandler:
    unit_of_work: UnitOfWork

    def handle(self, massege: CreateOrderCommand) -> None:

        # Получаем геопозицию из Geo (пока ставим рандомное значение)
        location = Location.create_random_location()

        # Создаем заказ
        order = Order(
            order_id=massege.basket_id,  # ID заказа совпадает с ID корзины
            location=location
        )

        # Сохраняем
        with self.unit_of_work as uow:
            uow.orders.add(order)

4. Почему Use Case — это важно?
- Чёткое разделение ответственности
Presentation-слой (API/CLI) не должен содержать бизнес-логику.
Domain-слой не должен знать о внешних сервисах (API, БД).

- Упрощение тестирования
Use Case можно тестировать изолированно, подменяя репозитории на заглушки.

- Гибкость
Один Use Case может быть вызван из разных мест: API, CLI, фоновой задачи.

- Документирование системы
Названия Use Cases (CreateOrder, CancelBooking) явно описывают, что делает система.

5. Типичные ошибки

❌ Use Case = "God Object"
Не нужно пихать всю логику в один Use Case. Разбивайте на мелкие сценарии.

❌ Логика в контроллерах
Код вида if user.is_admin: ... должен быть в Use Case или домене, не в API.

#DDD #UseCase #CleanArchitecture #Python

[Input Adapters в DDD: как внешний мир общается с приложением]

Привет! Сегодня про Input Adapters — элемент гексагональной архитектуры (и DDD), который отвечает за преобразование внешних запросов (HTTP, CLI, события) в команды приложения.

1. Что это такое?

Input Adapter — это не только про REST-эндпоинты, а это единая точка входа для всех внешних взаимодействий.

Он:
- Парсит входящие данные (JSON, protobuf, CLI-аргументы).
- Валидирует их (например, через Pydantic).
- Вызывает Use Case (Command или Query).
- Не содержит бизнес-логики (это задача домена).

Примеры Input Adapters:
- REST API (FastAPI, Django View).
- CLI-команды (Click, Typer).
- Обработчики событий (Kafka Consumer).
- WebSocket-хэндлеры.

Ниже пример REST API

# presentation/api/rest/order_adapters.py
from fastapi import APIRouter, Depends

from application.commands import CreateOrderCommand
from presentation.schemas import OrderCreateRequest

router = APIRouter()

@router.post("/orders")
async def create_order(
    request: OrderCreateRequest,  # Pydantic-модель для валидации
    command: CreateOrderCommand = Depends(),  # Use Case
):
    # Преобразуем запрос в DTO (без бизнес-логики!)
    order_id = command.execute(
        user_id=request.user_id,
        items=[item.to_domain() for item in request.items]
    )
    return {"order_id": order_id}

2. Где находятся Input Adapters в структуре проекта?

Они относятся к presentation-слою, но могут выноситься в отдельный модуль для сложных сценариев:

src/
├── domain/         
├── application/
├── infrastructure/
└── presentation/      # Input Adapters
    ├── api/           # HTTP-адаптеры
    │   ├── rest/      # REST (FastAPI)
    │   └── graphql/   # GraphQL
    ├── cli/           # CLI-адаптеры (Click)
    └── events/        # Обработчики событий (Kafka, RabbitMQ)

3. Почему Input Adapters — это важно?

- Изоляция домена
Домен не знает, откуда пришёл запрос (HTTP, Kafka или CLI).

- Гибкость
Можно добавить новый адаптер (например, gRPC), не меняя Use Case.

- Тестируемость
Адаптеры легко тестировать в изоляции (например, мокая Use Case).

- Согласованность
Все входные данные проходят одинаковую валидацию перед передачей в Use Case.

4. Типичные ошибки

❌ Бизнес-логика в адаптерах
Код вида if user.role == "admin" должен быть в домене, а не в REST-хэндлере.

❌ Прямая работа с репозиториями
Адаптер вызывает только Use Case, не лезет в БД напрямую.

5. Вывод
Input Adapters — это "входные ворота" приложения, которые:
🔹 Преобразуют внешние запросы в команды/запросы.
🔹 Не содержат логики (только парсинг и валидацию).
🔹 Делают систему гибкой к изменениям протоколов.

#DDD #CleanArchitecture #InputAdapters #Python

[📌 Кейс из практики: как я восстановил работу таблицы в HDFS]

Порой я не знаю о чем написать. Рабочие моменты кажутся скучными. Но в этот раз я решил поделиться поучительной историей.

📉 Пришли с проблемой: отчёт в Power BI больше не работает — запросы просто падают по таймауту.

🔍 Начал разбираться и выяснил, что таблица в HDFS содержит более 75 000 мелких файлов на 477 партиций.
Причина — неудачная логика записи: в каждую партицию складывалось множество крошечных файлов.
Также полностью отсутствовала статистика по таблице.

❌ Почему это проблема:

- Каждый файл — это нагрузка на NameNode. Когда их десятки тысяч, планирование и выполнение запросов начинают страдать.
- Без статистики оптимизатор не может строить адекватные планы выполнения — особенно в системах вроде Hive или Presto.
- Мелкие файлы хуже сжимаются. Компрессия эффективнее на крупных блоках, поэтому итоговый объём данных на диске получается больше, чем при хранении тех же данных в виде агрегированных файлов.

✅ Решения и результаты:

1. Пересчитал статистику по таблице.

ANALYZE TABLE имя_таблицы COMPUTE STATISTICS;

После этого таблица "ожила" — запросы перестали падать, выполнялись за ~220 секунд. Уже хорошо. Пользователь уже был очень доволен.

2. Провёл частичную компакцию (объединение файлов).
Сократил количество файлов до 1900 (на 477 партиций), пересчитал статистику повторно — и запрос начал выполняться за 120 секунд.

3. Запустил полную компакцию.
Сделал по одному файлу на каждую партицию (итого 477 файлов). После очередного пересчёта статистики:

- Первый запуск запроса — 58 секунд
- Повторный — 17 секунд!
- В Trino — практически мгновенное выполнение

💾 Также заметно уменьшился размер таблицы на диске — компрессия начала работать в полную силу.

💡 Выводы:

🔹 Мелкие файлы = деградация производительности + перерасход хранилища.
🔹 Регулярная компакция + расчет статистики = must-have для стабильной работы.
🔹 Даже простые меры могут дать существенный прирост производительности и повысить удовлетворённость пользователей.

Теперь в этой таблице порядок, запросы работают стабильно и быстро, пользователь в полном восторге.😊

#bigdata #hdfs #datalake #hive #dataengineering #hadoop

[💪Соревнования по жиму лежа и новый личный рекорд]

Продолжаю ходить в тренажерный зал. Есть новые результаты:
1) Занял 2-е место в местных соревнованиях по жиму лежа с результатом 120 кг (для меня это первое подобное мероприятие);
2) Побил личный рекорд, взяв 125 кг (правда эта попытка была уже вне конкурса);

P.s. собственный вес 83,8 кг.

#gym #life

[Не писал ничего весь май и все лето]

Всем привет!

——
Прежде всего хочу поблагодарить, что не отписались за время моего отсутствия.
Спасибо! =)
——

Начну, пожалуй, с рассуждений о бренности бытия, а в частности о межличностном общении, а если быть еще точнее - об отношениях между самыми близкими.

Честно, эти 3 года, особенно последние 2 года дались мне крайне не просто. Как я упоминал, прошлый год был годом потрясений. Текущий год продолжает "радовать" в этом отношении.

Ведь у тебя есть свои ожидания на эту жизнь?) Вот у меня были и есть. Вот живешь N-лет согласно этим ожиданиям, все идет своим чередом, по "сценарию". Ты думаешь и дальше все будет развиваться в таком русле. Все будет также хорошо.

Но! Это только твои ожидания.) Рядом с тобой живут близкие люди, у которых свои ожидания. Представляешь?) Какое-то время ваши ожидания совпадают, пересекаются - тогда кажется что все хорошо. Но жизнь устроена таким образом, что эти ожидания со временем могут меняться - как у тебя, так и у близких людей.

Эти изменения происходят постепенно. Это может выражаться в каких-то мелких недопониманиях. Сначала не придаешь этому значения. Списываешь на бытовуху и усталость. Но со временем изменения набирают критическую массу.

Сначала есть сильное сопротивление этому процессу. Это может выражаться в протестах. В конфликтах. Ты не понимаешь что вообще происходит. Ведь все шло своим чередом. Ты постоянно задаешь себе вопрос: "Что происходит?!".

Ты боишься потерять эту мнимую "стабильность", которая была у тебя в голове. В этот момент можно наломать много дров. Это, пожалуй, очень сложный период в жизни. Нужно держать себя в руках и не ломать дрова.

Нужно принять тот факт, что такова жизнь. Она такая какая есть. И чем ты больше пытаешься сопротивляться происходящему, тем больнее.

--
Это сугубо мои размышления. Я ни разу не эксперт в отношениях между людьми. Кто-то наоборот скажет что нужно бороться до конца. И он, возможно, будет прав.

Для себя же я решил, что я не один. Рядом с тобой тоже люди. Близкие люди. И "уговорить", "переубедить", "договориться", "идти до конца" - может быть еще большей ошибкой, чем просто сделать шаг назад.

---
Вот такая заметка у меня получилась после долгого перерыва.
Постараюсь сильно не теряться и писать. О жизни, о работе, о коде.

[Продолжение о бренности бытия. Проявление слабости]

Скажу честно, все эти события выбили меня из колеи. Вот уже больше 2-х лет.
Цели на год? Честно, было не до этого.

Это проявление слабости? Да, однозначно! Но по-другому я прожить этот опыт не смог. Где-то прочитал, что иногда стоит взять паузу и это нормально.

Только сейчас, после прожития новых потрясений этого года, появилось чувство принятия. Как-то в голове сложился новый пазл и на душе стало спокойно.

Возможно, это называется взросление.

Можно ли было этот период сократить и не выпадать на 2 года? Думаю, да.

--
Сейчас вернулся вкус к жизни, интерес, любопытство. Появились новые желания.
Это выражается в том числе этими заметками в канале.

Также это видно в работе. Снова вернулись энтузиазм, инициатива, проактивность. Хочется работать и развиваться в профессии. Ведь это так интересно!)

[Интересные темы]

На этой неделе погрузился в темы F-ограниченого полиморфизма и функциональных интерфейсов.

По дороге узнал интересную информацию про номинативную и структурную типизации в языках.

Понял в чем разница между ABC и Protocol в Python и зачем они нужны.

[K8s для разработчиков]

Я на работе самостоятельно освоил базово кубер: посмотреть поды, логи подов, перезапустить под, проверить переменные окружения, увеличить количество реплик.

На работе был анонс внешнего обучения. Я расписал зачем это мне нужно, какую пользу это принесет команде и меня зачислили в группу.

На сегодня прошел основные абстракции кубера:
- pod
- replicaSet
- deployment
- namespace
- resources

Познакомился с наиболее полезными командами kubectl.

[K8s. Переменные окружения и секреты]

Вчера изучил способы работы с переменными окружения, секретами, Valumes.

- env
- configMap
- Secret
- Downward API

В Secret данные не шифруются, а кодирутся. Например, если у пользователя есть права на выполнение команды get secrets или exec, то он может получить чувствительные данные и декодировать их.

[Усталость]

Вы не устали от большого потока информации?

Сегодня увидел новость про то, что люди стали меньше проводить времени в социальных сетях. Задумался на эту тему.

Могу сказать за себя. Я наблюдаю усталость от большого потока информации. При чем давно. Я уже не воспринимаю посты от ноунейм групп в социальных сетях и больше предпочитаю читать авторские блоги и снова возвращаюсь к публикациям каких-то проверенных изданий (журналов), где над публикацией работал целый редакторский коллектив.

Прошу прощения, но 90% личных каналов в телеграм я не читаю, хотя и подписан. Или захожу посмотреть буквально 1 раз в месяц.

Как у вас дела с этим?

[4 типа задач]

- развить то, что работает;
- починить то, что не работает;
- достроить то, чего не хватает;
- проверить то, что еще не пробовали;

[Развернуть k8s локально]

Я тут познакомился с Minikube. С помощью него можно у себя на ноутбуке развернуть k8s.

Очень удобная штука. Позволяет вести локально разработку приложений под кубер, все тестировать и отлаживать. И только потом выполнять деплой на боевой кластер.

Установил на два ноутбука. Без каких-либо проблем сразу завелся и на mac и на windows с wsl. Установка максимально простая и можно смело идти по оф. гайду.

P.s. если установлен docker, то установку гипервизора можно пропустить. Достаточно установить kubectl и сам minikube.
После выполнить команду minikube start.

Ссылки:
https://kubernetes.io/ru/docs/tasks/tools/install-minikube/

[Горячая перезагрузка в k8s]

Оказывается, можно разрабатывать приложения под кубер без постоянных пересборок образов.

Удобно. Пишешь код - сохраняешь файл - и через секунду изменения уже работают в поде.

Создал репозиторий с рабочим примером приложения на Python. Для тех кто хочет попробовать - Добро пожаловать).

В README.md пошаговый гайд.

Ссылки:
https://github.com/avagners/k8s_local_dev

[AI. Нужен совет]

Коллеги, кто-то из вас использует в своей работе AI? (думаю уже все)
Как и что? Какие модели используете? Какие задачи решаете?

Поделитесь, пож-та, рабочими инструментами.
Если есть ссылки на гайды как все настроить, буду особо благодарен.
Интересна именно интеграция с vscode.

———
P.s. на работе внутри контура развернуты различные LLM-ки. Можно работать через привычный чат в браузере. Можно также интегрировать в vscode с помощью, например, расширения continue.

Я как раз на этом этапе освоения. Можно сказать практически перестал пользоваться чатами. Пока удается решать небольшие задачи с переменным успехом)

[пусть будет]

[Полезное]

Вот тут можно посмотреть характеристики всех популярных моделей.

Например, можно отсортировать по размеру контекста.
На сегодня топ-1 занимает Llama 4 Scout с 10млн токенов.

Очень крутой и полезный портал.

https://artificialanalysis.ai/leaderboards/models

Продолжаем знакомство с различными LLM.

[Первый запрос к LLM через API]

Использовал Mistral. Они предоставляют бесплатный тариф для экспериментов.
Также, настроил kilo code. Все работает согласно ожиданиям.

[Познакомился с OpenRouter]

Что такое OpenRouter?

Это API‑платформа для единого доступа к многим большим языковым моделям (LLM) от разных провайдеров (OpenAI, Anthropic, Google, Meta, Mistral и др.) через один ключ и один эндпоинт. Это упрощает разработку, снижает вероятность vendor lock‑in и даёт выбор по качеству, цене и производительности.

На платформе большой выбор LLM (в том числе бесплатных).

Вот мой первый ответ через API (модель: minimax/minimax-m2:free):

Привет! 🎉 От всей души поздравляю с первым запросом к LLM через API OpenRouter! Это классный шаг, и здорово, что ты начинаешь исследовать возможности современных языковых моделей. 

Пусть твоя работа с API будет продуктивной и увлекательной! Если появятся вопросы по использованию OpenRouter или нужна помощь с настройкой/запросами — всегда обращайся. Удачи в проектах! 🚀

[🚀 Я только что создал своего первого локального чат-бота]

Я реализовал простого чат-бота на llama3.2:3b с помощью langchain_ollama! 🎉
Сделал так, чтобы использовалась история сообщений для сохранения контекста.

LangChain — это открытый фреймворк для разработки приложений на основе крупных языковых моделей (LLM, Large Language Models). Он помогает связать мощь современных ИИ-моделей (например, Llama, GPT, Mistral) с внешними источниками данных, инструментами и логикой, чтобы создавать сложные, контекстно-зависимые приложения.

Все работает локально на ноутбуке)
Использовал модель llama3.2:3b

 > ollama show llama3.2:3b
  Model
    architecture        llama     
    parameters          3.2B
    context length      131072
    embedding length    3072
    quantization        Q4_K_M