不能直接用 Redis 当唯一缓存，因网络延迟和连接池争用会显著增加 RT，高并发下易成瓶颈；应采用 L1（本地缓存）+ L2（Redis）分层架构，L1 拦截 90%+ 热 key 请求，Redis 作兜底与一致性源。
为什么不能直接用 redis 当唯一缓存
因为网络延迟和 Redis 连接池争用会吃掉大量 RT，尤其在高并发读场景下，单靠 redis 容易成为瓶颈。本地缓存（如 sync.Map 或 bigcache）能扛住 90%+ 的热 key 请求，把 Redis 当作兜底和一致性源——这才是 L1/L2 分层的真实动因。
怎么选 L1 缓存：用 sync.Map 还是 bigcache
sync.Map 零依赖、开箱即用，但不支持过期、无容量控制，适合生命周期短、key 数量可控的场景（比如用户登录态 token 映射）。bigcache 支持 TTL 和内存限制，底层用分片 + 时间轮，压测下吞吐比 sync.Map 高 2–3 倍，但要注意它不释放内存给 GC，必须手动调 bigcache.NewBigCache 的 OnRemove 回调做清理。
- 热 key 密度高、QPS > 5k → 优先
bigcache - 只存 session ID →
sync.Map更轻量 - 别用
map + mutex，锁粒度太粗，实测比sync.Map慢 40%+
L1/L2 协同的关键：缓存穿透和双删怎么写
缓存穿透不是加个空值就完事——L1 里塞空值没意义，因为下次请求可能命中 L2 而绕过 L1；必须让 L1 和 L2 同时写空值，且 L1 的空值要带短 TTL（比如 60s），避免长期污染。
- 查缓存顺序固定为：
l1.Get(key)→ 未命中 →l2.Get(key)→ 未命中 → 查 DB → 写l2.Set(key, val, ttl)→ 再写l1.Set(key, val, shortTTL) - 更新数据时先删 L1：
l1.Delete(key)，再删 L2：l2.Del(key)，最后写 DB；别反过来，否则中间窗口可能读到旧 L1 + 新 DB - Redis 删操作用
DEL，别用EXPIRE，后者有竞态风险
怎么验证 L1/L2 是否真在协同工作
最简单的办法：在 L1 的 Get 和 Set 方法里埋点，打日志或统计 counter；同时监控 Redis 的 KEYS 命中率（INFO stats 中的 keyspace_hits / (keyspace_hits + keyspace_misses)），如果这个值低于 70%，说明 L1 没拦住足够流量，或者 L1 的 TTL 设得太短。
立即学习“go语言免费学习笔记（深入）”；
- 别依赖
redis-cli monitor看命令流，太嘈杂，容易漏掉 L1 命中路径 - L1 的 hit rate 应该稳定在 85%+，否则检查 key 的分布是否倾斜、TTL 是否统一设成了 1s
- 注意 Go 的
time.Now().Unix()在容器里可能不准，L1 的 TTL 计算别直接用它做基准
多级缓存真正的复杂点不在代码结构，而在时间窗口里的一致性博弈——L1 的 TTL、L2 的 TTL、DB 更新耗时，三者只要差 100ms，就可能暴露脏数据。别迷信“自动刷新”，得按业务容忍度手工对齐这几个值。
