写博客的人都熟悉这个场景：文章底部放两篇"相关阅读"，一开始手动挑两篇，后来文章多了就懒得维护，最后要么链到不相关的内容，要么指向404页面。一位开发者用纯PHP解决了这个问题——没有数据库，只有一个JSON文件。

他的博客所有内容都描述在一个posts.json文件里。每篇文章的slug、分类、标签都在里面。这些信息足够让程序自动算出哪些文章最相关。

打开网易新闻 查看精彩图片

硬编码链接的问题很典型。早期版本是给blog_footer()函数传一个数组，里面塞两个URL和标题。十篇文章还能管，五十篇就失控了。更麻烦的是，新发了文章也不会自动出现在相关推荐里，哪怕它明明更匹配。

posts.json的结构很简单。每篇文章一条记录，包含slug、标题、发布日期、分类、标签数组。这个文件本来就用在博客列表和站点地图生成上，顺手拿来做推荐也不费事。

算法设计直截了当。对每篇候选文章（排除当前这篇），按两个维度打分：共享标签每个加2分，标签是最精确的信号；同分类加1分，这是更宽泛的上下文线索。按分数降序排，同分取最新的，最后留前三。零分的直接过滤掉。

具体实现用了几十行PHP。先读JSON找到当前文章，提取它的标签和分类。然后遍历所有其他文章，array_intersect算标签交集个数乘2，分类相同再加1。结果存进数组，usort排序，分数高的在前，分数一样比日期。最后map一下输出URL和标题。

blog_footer()函数原本就接收$slug参数用来加载评论。现在加个逻辑：如果没传显式的相关文章列表，就自动调用上面的算法计算。老文章不用改，新文章自动生成推荐。

这个方案的限制很明显。标签质量决定推荐质量，如果作者打标签很随意，结果就乱。没有语义分析，"机器学习"和"深度学习"会被当成完全不同的东西，尽管人看来很相关。但对于个人博客，标签通常是认真打的，效果足够好。

更深层的问题是，为什么非得摆脱数据库？对一个小博客，MySQL是重量级的依赖。备份要管，迁移要管，版本升级要管。JSON文件直接用Git版本控制，部署就是一行scp。这种"足够好"的极简主义，在特定场景下比工业级方案更实用。

技术选型常陷入一种陷阱：用解决大厂问题的工具解决自己的问题。这位开发者的做法相反——先定义问题边界，再找最小可行的解法。相关文章推荐不需要协同过滤，不需要向量相似度，甚至不需要数据库。标签匹配加时间衰减，对个人博客已经够用。

代码里有个细节值得注意：排序时用了太空船运算符<=>，这是PHP 7引入的。按分数降序是$b <=> $a，同分比日期字符串用strcmp，也是降序。这种简洁的比较逻辑在旧版本PHP里要写好几行。

最终效果是什么？作者发新文章时，相关推荐自动更新。旧文章不用动，系统会找到新文章里最相关的那几篇。维护成本降到零，同时避免了硬编码的僵化。

这个案例的启示不在技术本身，而在问题定义。很多人看到"相关文章推荐"就想到机器学习、想到Elasticsearch、想到复杂的流水线。但回到本质，推荐的核心是"找到相似的东西"。如果标签体系足够干净，简单的加权匹配就能达到可用水平。复杂度和收益的平衡，是每个技术决策都要面对的。