TimSort 的高效依赖数据天然有序性：保留自然升序/降序段（run），避免全量重排，按 minRun（32–64）分批排序，拆分混合语义数据，严守 Comparator 三定律，使用包装类型而非基本数组以启用 TimSort。
直接调用 Collections.sort() 或 Arrays.sort() 即可触发 TimSort，无需改写逻辑——它的极致表现就藏在你已有的数据特征里。关键不是“怎么用 TimSort”，而是“怎么让数据更配得上 TimSort”。
识别并保留原始数据中的自然有序段（run）
TimSort 的起点是自动扫描出升序或降序的连续子序列。若你在流计算中对每批新数据做预排序、或按时间/ID 顺序追加写入，这些天然形成的 run 就会被直接复用。
- 避免在插入新元素前对整个集合做全量重排，尤其当新增数据本身局部有序时（如按时间戳递增到达的事件）
- 若上游能保证批次内有序，可在合并前跳过校验；若存在小段逆序（如 [5,4,3]），TimSort 会原地反转，但频繁小逆序会增加扫描开销，建议上游尽量收敛顺序
- 对 Kafka 分区、Flink KeyedStream 等天然分区有序场景，可将每个分区视为独立 run 源头，减少跨分区混排带来的 run 碎片化
控制单次排序规模与 minRun 匹配度
TimSort 动态计算 minRun（通常 32–64），目的是让后续归并栈保持平衡。若每次只排序几十个元素，它会退化为二分插入排序；若总长几百却塞进上千条，minRun 增大，小 run 被强制扩展，反而浪费比较。
- 流计算中建议按窗口或缓冲阈值分批：例如每积累 64 条再触发一次 sort，比来一条排一次高效得多
- 若业务允许延迟，可用
PriorityQueue维护顶部 K 个，仅对候选集排序；真正需要全序时再批量交由 TimSort 处理 - 避免将不同语义的数据（如用户行为 + 设备元数据）强行合并在同一 List 中排序——混合类型易破坏 run 连续性，拆分成逻辑子集更利于 TimSort 识别
定制 Comparator 时严守三定律，不干扰 run 判定
TimSort 在扫描阶段依赖 compare 结果判断是否延续当前 run。若 Comparator 返回值违反传递性（如 a<b、b<c 但 a>c），可能导致 run 截断错误或归并异常，结果既不稳定又变慢。
- 禁止用浮点数直接比较（考虑用 BigDecimal 或缩放后整型）
- 多字段排序时，用
Comparator.comparing(...).thenComparing(...)链式构造，避免手写 if-else 出现 null 处理不一致 - 若涉及外部状态（如查缓存、调远程），必须确保幂等且无副作用——TimSort 可能多次调用 compare 同一对元素（尤其在 gallop 模式下）
规避基本类型陷阱，明确对象引用语义
TimSort 只作用于 Object[] 和泛型 List<T>。如果你在流计算中用 int[] 存指标、long[] 存时间戳，Arrays.sort() 会走双轴快排，完全绕过 TimSort 优化。
- 对需稳定排序+利用部分有序性的场景，改用
Integer[]或封装为Record（如EventRecord{time: long, value: int}） - 注意装箱开销：若每秒百万级事件，可先用原始数组聚合统计，仅对最终 TopN 结果转对象排序
- 使用
List.of()或Arrays.asList()包装时，确认底层是支持随机访问的ArrayList；LinkedList会强制转数组，多一次拷贝
