RecursiveTask 是 ForkJoin 框架中实现有返回值递归并行计算的唯一正统方式，通过 fork()/join() 实现变量级拆分与自动归并，要求子任务继承 RecursiveTask 并在 compute() 中合理配对 fork 与 join，阈值需权衡调度开销与并行度。
RecursiveTask 是 ForkJoin 框架中专为有返回值的递归拆分计算设计的任务类型，它不是“可选方案”，而是实现变量级并行拆分与结果自动归并的唯一正统路径。
RecursiveTask 的核心作用是变量粒度的并行拆分
所谓“变量拆分”，是指将一个可聚合的计算目标（如数组求和、树节点计数、区间统计等）按数据范围或结构层级切分为多个独立子任务，每个子任务处理一部分变量，并返回局部结果。RecursiveTask 通过重写 compute() 方法封装这种逻辑：
- 判断当前任务是否足够小（例如
end - start ），若满足则直接遍历变量、累加或计算，返回结果； - 否则按中点拆分为两个子任务（如左半段、右半段），分别调用 fork() 异步提交，再用 join() 获取各自返回值，最后合并（如相加、取大、拼接等）；
- 整个过程不依赖外部共享变量，所有中间结果都通过返回值传递，天然线程安全。
拆分必须基于 ForkJoinTask 协作链路，不能手动 new 或 Thread 调用
常见误区是把子任务当作普通对象处理，比如：
- ❌
new SubTask().compute()：同步执行，无并行，不进队列，不触发 work-stealing； - ❌
new Thread(() -> task.compute()).start()：脱离 ForkJoinPool 管理，丢失栈深度控制、异常传播和结果合并机制； - ❌ 直接传入
Executors.submit(Callable)：Callable 不继承 ForkJoinTask，fork()/join()完全失效，变成单次阻塞调用。
正确做法是让子任务继承 RecursiveTask，用 fork() 启动，用 join() 获取返回值——这是 ForkJoinPool 实现“自动归并”的前提。
变量拆分的关键细节：fork() 和 join() 的配对顺序
compute() 中的调用顺序直接影响并行效率和结果正确性：
- ✅ 正确模式：
left.fork(); right.fork(); return left.join() + right.join(); - ❌ 错误模式：
return left.compute() + right.compute()（失去并行）； - ❌ 错误模式：
left.join(); left.fork();（先等待再提交，逻辑错乱）； - ❌ 错误模式：
left.fork(); right.fork(); return left.get() + right.get()（get()非 ForkJoinTask 原生方法，编译失败）。
注意：join() 是阻塞+取值操作，若子任务未完成，当前线程会转去窃取其他队列任务，这是 work-stealing 发挥作用的关键环节。
阈值（threshold）决定变量拆分的性价比
threshold 不是业务语义边界，而是并发调度的成本临界点：
- 设太小（如 1 或 10）：产生海量超轻量任务，线程上下文切换和任务入队/出队开销远超计算收益，GC 压力陡增；
- 设太大（如 >100_000）：并行度不足，多数 CPU 核心空闲，退化为近似串行；
- 推荐策略：对纯计算型变量操作（如 long[] 求和），初始值设为
array.length / ForkJoinPool.getCommonPoolParallelism()，再结合压测微调； - IO 密集、锁竞争或对象构造开销大的场景，应禁用 ForkJoin，改用普通线程池或异步模型。
