事件风暴 vs 事件建模

事件风暴与事件建模都是DDD建模方法，两种方法提出发明者不同，切入点不同，虽然都是以领域事件为抓手，eventmodeling.org原文如下：

事件风暴EventStorming分为设计级别或流程级别，需要一些 DDD 知识，像“聚合”或“有界上下文”这样的词，对于非技术观众来说有点难，这是一种基于概念和规则的结构的语义记忆 。

而事件建模是基于情境记忆，创建长篇故事，展示信息是如何随着时间的推移而逐步处理的，就像我们将看到信息如何在整个公司中流动。

当人类与外部世界互动、做出决定时，他们会使用很多启发式方法，不一定基于纯知识。。然而，对于一个处理信息的机器人般的员工，我们宁愿要求一些理性。决策应基于知识。

如何获得这些决策？我们有可观察到的事件或事实历史，从而得出结论。

三个构建块：事件/事实历史、结论/观点、意图/决定/命令。是创建一个显示我们如何思考/处理信息的决策所需的。通过这种方式，可以通过示例充分描述信息系统的需求，这是 EventModeling 的核心。

创建这样的故事不需要任何特殊的技术知识——它只是一个故事。这个故事可以在以后实施。

但是，如果您关心业务规则或业务策略是什么，直接从事件建模中指出它们会有点困难。而这是事件风暴的特长。

事件风暴与事件建模哪一个更好？

两者区别类似法律体系中大陆法和海洋法。

法律（来自维基百科）：它是一个特定国家或社区认可的规则体系，可以规范其成员的行为，并且可以通过施加惩罚来强制执行。

在美国，我们有基于先例的法律，而在欧洲大多数国家/地区，法律基于法规。

两者都有效。两者都有一些缺陷。

基于先例的法律看起来像是通过事件建模设计的系统，包含故事的活生生的例子；

而基于规则的欧洲法律看起来像是通过事件风暴设计级别设计的系统，需要对概念、规则和结构有更深入的了解。

找到要遵循的先例，还是找到要遵循的规则，哪个更好？

人类大脑发展出情景记忆和语义记忆：

• 人类短记忆（例如：您可以重复您听到但尚未理解的句子），类似CPU 处理器缓存
• 人工工作记忆，类似（RAM）
• 人类长期记忆，类似磁盘空间

让我们把大脑想象成一台处理信息的机器。它可以快速学习，立即处理大量数据。它如何获取信息/学习 - 这就是我们应该如何收集 IT 系统需求的方式。那么知识是如何构建的，它存储在哪里以及如何存储？

人类的记忆可以分为两类：语义记忆和情节记忆。

两者都是外显（有意识的、陈述性的）记忆的一部分。

1. 语义记忆是指我们在整个经历中积累的一般世界知识——它作为事件流存储在情境记忆中。
2. 情境记忆可以包含图像的快照，一个接一个发生的场景，这是一本有图像但没有结论的故事书。事实、想法和概念可以从中衍生出来，从而建立语义记忆。

事件建模类似情境记忆；事件风暴类似语义记忆。

因此在实际中选择哪一种？我们自然的工作方式取决于上下文。

为什么我们不开发一个可以从这两种不同角度显示需求的系统？