处理方法：RabbitMQ提供了一个publisher confirm生产者确认机制，消息发到MQ后会发一个确认码返回生产者，表现消息是否处理成功。消费者消费完了后准备向队列发送ack确认码时，由于网络抖动或者消费者突然挂了，ack码无法按时发出，于是启动重试机制，导致了重复消费问题。生产者生产速度高于消费者消费速度，导致消息堆积，如果队列里的消息满了，之后的消息可能就变成死信消息，会被丢弃。解决

前些天公司的某个接口常常出现慢查询的情况，后面根据分析，就是由于数据量日积月累太多以及SQL语句有点问题导致，优化了SQL语句，把Union转为Union All 加上Distinct去除重复数据，将慢查询从4秒降到了3秒以下。一般推荐第一个方案，因为MySql自带的慢查询日志对MySql性能有一定的影响，而且Arthas可以监听到很多，比如JVM内存情况等，不只是适用于这里，有兴趣的自己看链接学

/ 1. 定义map：map[键类型]值类型// 方式1：先声明，后初始化userMap = make(map[int]User, 10) // make是Go内置函数，用于初始化map（指定初始容量10）// 方式2：声明+初始化一步到位1: {Name: "张三", Age: 25},2: {Name: "李四", Age: 30},// 2. 新增/修改（键存在则修改，不存在则新增）user

很多人会把Kafka简单理解成消息队列，但其实它的定位是“分布式事件流平台”。官方定义是：一个开源的分布式事件流平台，被成千上万的公司用于构建高性能数据管道、流分析、数据集成和关键任务应用。简单说，Kafka不仅能像消息队列一样实现系统间的异步通信，还能支撑大规模的实时数据处理场景，这也是它区别于传统MQ的核心优势。AR（Assigned Replicas）：分区的所有副本统称AR。

MQTT的核心是发布/订阅模型，依赖Broker中转消息，适合轻量级物联网设备通信。Spring Boot集成MQTT的关键是配置客户端工厂、消息通道和适配器，业务逻辑集中在消息处理器中。实战中要根据业务场景选择合适的QoS等级，平衡可靠性和传输效率。后续可以扩展的方向：一是搭建本地Mosquitto服务器，实现设备的局域网通信；二是增加消息持久化功能，避免服务重启后数据丢失；三是集成前端页面，实

很多人会把Kafka简单理解成消息队列，但其实它的定位是“分布式事件流平台”。官方定义是：一个开源的分布式事件流平台，被成千上万的公司用于构建高性能数据管道、流分析、数据集成和关键任务应用。简单说，Kafka不仅能像消息队列一样实现系统间的异步通信，还能支撑大规模的实时数据处理场景，这也是它区别于传统MQ的核心优势。AR（Assigned Replicas）：分区的所有副本统称AR。

关于docker-compose的安装可以去问问一些大模型，

Neo4j是基于属性图模型的开源图数据库，核心优势在于高效处理实体间的多跳关联查询，完美适配知识图谱的网状数据结构。属性图模型：数据由“节点（Node）”“关系（Relationship）”“属性（Property）”三部分组成。节点和关系都可携带键值对形式的属性（如用户节点的age属性、购买关系的time属性）；无 schema 灵活性：无需预先定义固定表结构，可根据业务需求动态添加节点、关系和

压缩列表适合小数据量下的链表操作，虽然查找元素的时间复杂度是O（n），但是由于数据量小加上利用上了CPU缓存，本质上更加高效，并且内存上更加节省，即使发生连锁更新这种极端情况的开销也是在可以接受的范围内记忆:一排书架上放书，好找。但是书之间的厚度不一，如果插入一本书超出书架，就要扩大空间并重新放后面的书。耗时up。

背景如下：我们有一个问题工单，要经过很多状态的流转实现工单的完成，在初期可以简单使用if-else去实现，但是基于一个扩展性而言，后续肯定要通过其他手段来实现工单的流转，避免硬编码以及性能上这些方面的问题。