把分片放到哪台机器、把流量切给哪个集群，这类问题看起来琐碎，却直接决定大规模系统的稳定与成本。Meta 把解决这类问题的内部工具开源了。

发生了什么

Meta 开源了 Rebalancer，一个用 C++ 编写、同时提供 Python 接口的分配问题（assignment problem）求解库。据其披露，这套工具在内部已经使用超过九年，用于分片、服务器和流量的放置决策，每天处理约 4000 万个分配问题。

它并非单一算法的实现，而是一个求解框架：既支持本地搜索这类启发式方法，也能调用 Gurobi、FICO Xpress、HiGHS 等成熟的数学规划（MIP）求解器。项目以 Apache 2.0 协议发布，可通过 pip 安装。

为什么重要

分配问题是分布式系统里的“隐形基础设施”。数据分片如何映射到存储节点、服务实例如何分布到机架、用户流量如何切分到集群，本质上都是带约束的组合优化：要满足容量上限、故障域隔离、迁移成本、负载均衡等多重目标，而可行解空间随规模指数级膨胀。

工业界长期的做法是各团队自研调度器，重复实现约束建模、增量求解和迁移控制，质量参差且难以复用。Meta 把打磨了九年的通用求解层拿出来，等于把一类反复出现的工程问题抽象成了可复用的库。

更值得注意的是它对求解器的态度：不绑定某一家商业求解器，而是同时兼容 Gurobi、FICO Xpress 和开源的 HiGHS。这既降低了供应商锁定风险，也让使用者在“求解质量”和“许可成本”之间自行权衡。40 万级别以下的日常问题用启发式快速收敛，硬骨头再交给 MIP 求解器，是相当务实的工程取舍。

影响与看点

对开发者而言，最直接的价值是少造一轮轮子。任何需要做资源放置、任务调度、副本分布的系统，都可以先评估能否直接接入 Rebalancer，而不是从零写一个贪心加局部调整的调度器。pip 安装和 Python 接口也降低了上手门槛，C++ 内核则保证了在生产规模下的性能。

对行业来说，这是 Meta 开源策略的延续：把内部沉淀的“非模型类”基础设施也放出来。相比模型权重，这类工具不涉及数据与合规争议，却可能对云厂商、数据库、CDN 等领域的工程实践产生更持久的影响。

需要冷静看待的是，分配问题的难点往往不在求解器本身，而在约束如何建模、目标如何加权、迁移如何平滑。开源库解决的是“怎么解”，而“解什么”仍然依赖使用者对自身系统的理解。Reabalancer 能降低门槛，但不会替你做架构判断。

一个值得观察的信号是：当调度与放置这类底层能力逐渐标准化、开源化，云厂商在“智能调度”上的差异化叙事会被削弱，竞争重心可能进一步转向数据、生态与运维经验。