MongoDB schema design 的初學討論常停在「embedded vs reference 二選一」。真實 production 議題遠不止此：document model 給的 schema flexibility 在第一年是紅利、跑半年後同 collection 開始混三代 schema、application code 三層 if-else 處理欄位缺失與型別漂移。這時候讀者要解的不是「embed 還是 reference」、是 schema contract 該由誰守、守在哪一層。本文把這個議題拆成三條 contract layer 路徑（DB-layer validator / app-layer abstraction / 混合）、配合 embedded / reference / polymorphic 機制與 time-series collection 邊界一起討論。

本文不重複 MongoDB vendor overview 已寫過的 document model 適用條件 — 而是 production 部署 + schema governance + 失敗修復 的實作層教學。

問題情境：document 自由的後座力

MongoDB 適用度的前置判讀有三件事要確認：

• document shape 是否主導資料：sensor signal / CMS article / order aggregate 這類「形狀本來就多型 + 隨產品演進」適合 document model；access pattern 固定 + 欄位定型的反而該回 KV 系統或 SQL
• contract layer 該放哪：DB-layer validator 適合 schema 穩定 / 跨服務共用 collection 的場景；app-layer abstraction 適合 schema 演進快 / 微服務獨立 owner；混合適合大型 production
• 跨雲 hedging 是否需要：若團隊未來雲商策略不確定、Atlas 跨雲是 selection 訊號；只在單雲跑就不必為 hedging 多付代價

確認 MongoDB 該用之後，讀者真正在 production 撞到的徵兆：

• Document model 早期 schema-less 紅利、跑半年後 collection 同時混三代 schema、application 寫 if-else 處理欄位缺失與型別漂移
• 子文件越塞越深、單 document 突破 1-2MB、partial update 仍要把整顆 document load + write、IO 跟 working set 雙重壓力
• 反向過度 normalize：訂單跟訂單 item 拆兩個 collection、單一查詢得 N+1 $lookup、aggregation cost 飆
• IoT / sensor / event log workload 寫進 regular collection、寫入吞吐撞牆但沒考慮 time-series collection
• $lookup 出現在 hot path、document size warning（16MB 上限預警）、partial update 卻產生大量 disk write、schema validation 報錯比例突然爬升

Case anchor：9.C38 Toyota Connected 揭露車載 sensor schema 隨車型 / 年份 / 規範演進、polymorphic document 與 schema governance 並存；9.C37 Forbes 揭露 CMS 50+ 微服務透過自建中介 abstraction layer 隔離 schema 變動；9.C30 Microsoft 365 揭露 document model 保留 + 跨 vendor 形狀治理。早期 startup MongoDB 三代 schema 並存的具體 incident 細節需未來 case 補完、本文先以「常見 failure pattern」處理。

核心機制：aggregate root、embedded、reference、polymorphic

MongoDB schema design 的第一層是 aggregate root 決定 atomicity 邊界。MongoDB 把寫入 atomicity 限制在「單 document 內」、跨 document 要 multi-document transaction（5.0+ 在 replica set / sharded cluster 都支援、但跨 shard 有性能成本）。aggregate root 是 DDD 概念落地到 MongoDB 的具體實作 — 把「一起讀、一起寫、一致性邊界一致」的資料塞同一個 document。

• Embedded（subdocument / array）：寫入 atomic、讀取一次到位；代價是 update sub-element 仍要 rewrite 整顆 document，sub-element 寫頻很高時不適合
• Reference（手動 _id foreign key + $lookup）：document 大小可控，但 join 在 application 或 aggregation 階段做；JOIN-heavy workload 跑這條路徑會 N+1
• Polymorphic pattern：同 collection 用 type discriminator 存多型實體；MongoDB 沒 inheritance、靠 schema validator 與 partial index 維持邊界
• 16MB document hard limit：是 MongoDB 機制邊界；working set 在 RAM 的隱性軟限制（單 doc 大小直接影響 page cache 效率）更早就會出問題

Contract layer 三條路徑

跨 case 合成 frame（本章合成、Toyota + Forbes 共同揭露）：document model 的 schema flexibility 在 production 必須以 schema governance 對沖、否則「schema 自由」變「production data inconsistency」（Toyota case 明示）。讀者要選的不是「要不要做 schema governance」、是「contract 守在哪一層」。三條路徑：

DB-layer 路徑：$jsonSchema validator 在 production 是「契約 enforcement」工具、不是 dev-time linter。設 validationAction: "error" 寫入直接擋；設 "warn" 只記 log。validationLevel: "moderate" 對既有 doc 放行、對新寫入嚴格；"strict" 對所有寫入都嚴格。適合 schema 穩定到「跨服務共用 collection」的程度。

App-layer 路徑：9.C37 Forbes 揭露的模式 — 50+ 微服務透過自建中介 abstraction layer 看到穩定的 contract API、DB schema 變動限制在 owner microservice 內。Forbes 跨雲彈性能用起來、核心原因是 abstraction layer 把 schema 治理收斂到單點、跨雲遷移時 abstraction layer 不變、微服務不知道底層 DB 換 cluster 換雲。

混合路徑：Atlas Application Services、enterprise schema registry 屬此類。DB 層 validator 守底線（欄位型別、必填欄位）、app 層 abstraction 守業務（版本欄位 / 相容處理 / cross-document 一致性）。代價是兩層都要維護、版本同步成本高、適合 production 規模真的撐住這個複雜度的團隊。

讀者選哪條路徑要看：team 規模 / collection 跨服務程度 / schema 演進速度。

Time-series collection（6.0+）

Time-series collection 是 MongoDB 為 IoT / sensor / event log / metrics 設計的 vendor-specific 機制 — 比 regular collection 寫入吞吐高 3-5x、storage 壓縮率更好。資料形狀必須是 { timestamp, metadata, measurement } 三段式、timestamp 主導。

適用情境：sensor signal 高頻寫入、metrics 系統的 time series、application event log。不適用情境：schema 不以 timestamp 為主、需要跨 document update、需要 polymorphic discriminator。

9.C38 Toyota Connected 自承「20 個 Atlas database 沒明確說有沒有用 time series collection — 對 IoT 案例這是重要區分、但 case study 沒揭露」。寫進 production 時必須明示：IoT / sensor 場景該考慮 time-series collection、Toyota case 未揭露實際使用情況、不可寫成「Toyota 使用 time-series collection」。

對應 knowledge card：document-store、transaction-boundary（aggregate boundary = transaction boundary）、data-inconsistency。

操作流程

Step 1：access pattern 盤點。列出 top 10 query / write、標 read together / write together 集合 — 這份清單決定 embedded vs reference vs polymorphic 的候選。

Step 2：contract layer 決策。

Step 3：embed 判準 — 1:few、life-cycle 同步、< 1MB 預期上限；reference 判準 — 1:many 寫頻不對稱、跨 aggregate 引用。

Step 4：DB-layer 路徑 validator 配置：

 1db.runCommand({
 2  collMod: "orders",
 3  validator: {
 4    $jsonSchema: {
 5      bsonType: "object",
 6      required: ["_id", "tenantId", "createdAt", "items"],
 7      properties: {
 8        tenantId: { bsonType: "string" },
 9        createdAt: { bsonType: "date" },
10        items: {
11          bsonType: "array",
12          minItems: 1,
13          items: {
14            bsonType: "object",
15            required: ["sku", "qty"],
16            properties: {
17              sku: { bsonType: "string" },
18              qty: { bsonType: "int", minimum: 1 }
19            }
20          }
21        }
22      }
23    }
24  },
25  validationLevel: "moderate",
26  validationAction: "warn"
27})

灰度策略：先 validationLevel: "moderate" + validationAction: "warn" 觀察兩週、確認 application 不寫違規 doc、再切 "strict" + "error" 封死。

Step 5：App-layer 路徑 abstraction 介面。9.C37 Forbes 揭露的模式 — middleware 攔截 microservice 寫入、驗 schema、套版本欄位、把 owner microservice 的 schema 變動隔離在 abstraction 內。

Step 6：Polymorphic + partial index — partialFilterExpression 避免冷分支吃 index 成本：

1db.events.createIndex(
2  { type: 1, timestamp: -1 },
3  { partialFilterExpression: { type: { $in: ["click", "purchase"] } } }
4)

Step 7：量測 doc 形狀。用 bsondump + $bsonSize + collStats 量測：

1db.coll.aggregate([
2  { $group: {
3      _id: null,
4      avg: { $avg: { $bsonSize: "$$ROOT" } },
5      max: { $max: { $bsonSize: "$$ROOT" } }
6  }}
7])

驗證點：avgObjSize 在預期範圍、validator failure rate < SLO、abstraction layer schema mismatch rate 可追溯。

Rollback boundary：validator 從 strict 退回 moderate 是 single-command、application code 不必改；abstraction layer 換版需 application code 灰度；已 embed 進去的 schema 變更要靠 backfill migration script、無法 in-place 還原。

失敗模式

Unbounded array growth：把「使用者所有訊息」embed 進 user document、document 撞 16MB → 寫入直接 reject。修法是改 reference、訊息獨立 collection、用 userId 索引。

Hot subdocument update：所有寫都打同一個 nested field、wiredTiger document-level lock 退化成熱點，concurrency 看似多核卻被序列化。修法是把熱寫欄位拆 reference document、或改 sharded collection 把寫散開（見 shard key selection）。

$lookup 在 hot path：reference 沒設好變 join、p99 latency 隨 collection 大小線性退化。修法是 schema design 階段 denormalize、把 read-together 資料 embed 回 aggregate root；或 $merge 寫 materialized view（見 aggregation pipeline optimization）。

Schema 三代並存（缺 contract layer）：缺 validator 跟 abstraction layer、舊版欄位殘留、application code 三層 fallback、新 dev onboarding 看不懂哪個欄位是現役。9.C38 Toyota 揭露：document model 的彈性「成本是 production 必須做 schema governance」、否則「schema 自由」變「production data inconsistency」。

Abstraction layer 變成 lock-in：app-layer contract 寫得太重、跨 vendor 遷移時 abstraction 本身要重寫。該層應該薄、只做 schema 隔離、不做業務邏輯。

Polymorphic 全表掃描：discriminator 沒進 index、type: "rare" 查詢全表 scan。修法用 partial index 把熱類型蓋住、冷類型走全表也只是冷路徑。

Time-series collection 用錯場景：把非 timestamp 主導資料塞進 time-series collection、失去 flexibility 又拿不到吞吐紅利。Time-series collection 是專屬優化、不是普適 collection 升級。

Anti-recommendation：

• access pattern 還沒穩定的早期 MVP 不需要鎖死 schema validator；先用 app-layer abstraction、production 穩定後再決定 DB 層該不該封死
• JOIN-heavy / 強 normalize workload 一開始就該回 PostgreSQL JSONB 或 SQL、不是塞進 MongoDB 再 $lookup
• 跨案合成 frame：「不是所有資料都該進 MongoDB」、document-shaped + 形狀變化頻繁的進、access pattern 固定的 KV 走 KV（9.C36 Coinbase 揭露 MongoDB + DynamoDB 按 workload 分流）

容量與觀測

關鍵 metric：

• Document 形狀：collStats.avgObjSize、collStats.size vs storageSize（壓縮比）
• Contract 健康：document validation failure rate、abstraction layer schema mismatch rate
• Working set 壓力：wiredTiger.cache.bytes currently in the cache 對比 working set 估算
• Aggregation 副作用：profiler slow op、$lookup / $unwind 在 hot path 出現位置

Mongo command：

• db.coll.stats() 看 document 平均 / 最大 size、storage / index size
• db.runCommand({collMod: ..., validator: ...}) 改 validator
• db.setProfilingLevel(1, {slowms: 100}) 抓 slow op

回到 4.20 observability evidence：把 doc size 分布、validator failure rate、abstraction layer schema mismatch、$lookup 出現位置列為 evidence 三件套。

回到 9.5 bottleneck localization：working set 撐爆 RAM 時的 page fault 信號、跟 doc size 異常增長強相關。

邊界與整合

Sibling deep articles：

• shard key selection — document 形狀決定 shard key 候選空間
• aggregation pipeline optimization — $lookup 與 schema reference 互相牽動
• connection management and cache layer — abstraction layer 跟 cache 層協作

Migration playbook：

• document 形狀走樣到無法治理時的 → MongoDB → PostgreSQL 拆 normalize 路徑
• 保留 document model 換 vendor 三型對照 — 保留主 DB 補周邊（Coinbase）/ 同 DB 換託管（Forbes Atlas）/ 同 model 換 vendor（Microsoft 365 Cosmos DB MongoDB API）

跟 1.x 互引：1.2 schema design 處理通用 schema 演進原則、本文是 MongoDB-specific 落地；1.3 transaction boundary 對齊 aggregate = atomic 邊界。

相關連結

• MongoDB vendor overview — 本文是該頁尾「schema design pattern」backlog 的深度展開
• Vendor 深度技術文章方法論
• 9.C38 Toyota Connected — polymorphic + governance
• 9.C37 Forbes — abstraction layer 模式
• 官方：MongoDB Data Modeling、Schema Validation、Time Series Collections