数据库拆分与优化策略包括：按业务垂直拆分、水平分库分表、读写分离+多级缓存、冷热数据分离。需理清依赖、选好分片键、用中间件降低复杂度，并防范缓存与归档风险。

按业务维度垂直拆分

把大而全的数据库按业务线切开，比如用户、订单、商品各用独立库。这样不同业务的读写压力互不影响，也能针对性做优化。关键点是理清表之间的强依赖关系，避免跨库关联查询。例如用户中心只存基础信息，登录态、收货地址等可单独建库，通过用户ID做轻量级关联。

按数据量水平拆分（分库分表）

单表超千万行或单库容量逼近硬件瓶颈时，就得水平切分。常见做法是用用户ID、订单号等做分片键，通过取模、范围或一致性哈希分配到不同库表。注意要配套解决分布式ID生成、跨分片查询、全局排序、事务一致性等问题。推荐用ShardingSphere或MyCat这类中间件降低开发成本，而不是在应用层硬编码路由逻辑。

Skill Weave Chains — 技能链路由引擎

开箱即用的技能链路由引擎。13 条预定义链覆盖搜索、开发、审查、MLOps、法律、创意等场景，三层路由架构（触发词→SAD反馈→DAG编排），recall@10=96.97%。配置驱动（chains.yaml），零代码扩展。pip install skill-weave-chains 一键安装。

下载

读写分离 + 多级缓存卸压

主库专注写操作，多个从库分担读请求，配合应用层路由策略（如强制走主库查最新数据）。再叠加Redis缓存热点数据，比如商品详情、用户配置，把QPS从数据库拉到内存层。注意缓存穿透、雪崩、击穿问题，加布隆过滤器、多级过期时间、互斥锁等防护手段。

冷热数据分离与归档

把历史订单、日志、操作记录等低频访问数据迁出主库，放到归档库或对象存储中。主库只保留近6个月活跃数据，既提升查询性能，也降低备份和DDL操作影响。可用定时任务+binlog解析实现平滑迁移，归档后通过服务接口统一对外提供历史数据查询能力。