Iris 中 Kafka 日志必须解耦：禁止在 handler 直接调用 sarama.AsyncProducer，应通过 logrus Hook + 缓冲 channel + 独立 goroutine 批量投递，避免阻塞、丢日志与 OOM。
Iris 框架本身不内置 Kafka 支持，MVC 结构里直接在 Controller 或 Handler 中调用 Kafka 生产者必然阻塞请求、丢日志、OOM——这不是配置问题，是架构错误。
sarama.AsyncProducer 不能出现在 HTTP handler 主流程里
常见错误现象：panic: send on closed channel、HTTP 请求超时、Kafka client 内存持续上涨、日志静默丢失。根本原因是 sarama.AsyncProducer.Input() 只往内部无界/小缓冲 chan 塞消息，不等 broker 确认就返回；而 Iris 的 HTTP handler 生命周期仅毫秒级，Input() 成功 ≠ 消息已发，更不等于已落盘。
- 禁止在
iris.Context处理逻辑中直接调producer.Input() - 禁止每个请求 new 一个
sarama.AsyncProducer：连接开销大，且短生命周期导致Close()来不及执行，残留 goroutine 卡住 broker - 必须复用单例
sarama.AsyncProducer，但需配好重试与错误监听，否则分区变更时会抛UnknownTopicOrPartitionError
用 logrus Hook + ring buffer 做真正解耦
Iris MVC 日志集成的关键不是“怎么连 Kafka”，而是“怎么不让 Kafka 连上 handler”。正确路径是：Iris 写日志 → logrus hook → 本地缓冲 → 独立 goroutine 批量投 Kafka。
- 定义带缓冲的 channel：
logChan := make(chan *logrus.Entry, 10000)，太小易阻塞 handler，太大吃内存 - 实现
logrus.Hook，Fire()方法只做select { case logChan ，不碰任何 Kafka client - 启一个常驻 goroutine，用
time.Ticker（如每 200ms）或按条数（如每 200 条）、大小（如累计 1MB）触发 flush，调producer.Input() - 序列化必须用
json.Marshal()，禁用fmt.Sprintf：后者破坏 JSON 格式，且反射逃逸严重
sarama.AsyncProducer 必须改的 4 个配置项
默认配置在 Iris 日志场景下必崩：消息乱序、重复、OOM、连接抖动。这不是可选项，是保底前提。
-
Config.Producer.RequiredAcks = sarama.WaitForAll：否则acks=0，broker 接收即返，网络丢包就丢日志 -
Config.Producer.Retry.Max = 3：默认 0，分区 leader 切换时直接失败，不重试 -
Config.Producer.Flush.Bytes = 1024 * 1024（1MB）：避免小包刷屏，但别设为 0 或过小 -
Config.ChannelBufferSize = 1024：默认 256，突发日志时容易满而 panic，必须手动放大
结构体序列化要防指针逃逸和时间漂移
Kafka 消息自带的时间戳是 broker 接收时间，日志分析依赖客户端打点时刻。不能靠 time.Now() 在发送前塞字段，因为 AsyncProducer 的缓冲和重试会让实际发送时间漂移几百毫秒甚至秒级。
- 在日志结构体中预埋
Timestamp int64字段，由 logrus hook 的Fire()入口统一赋值：entry.Time.UnixMilli() - 字段全用值类型：
string、int64，禁用*string或嵌套 struct 指针，避免强制堆分配 - 若用
sync.Pool管理bytes.Buffer，每次写入前buf.Reset()，写完用buf.Bytes()直接传给sarama.ProducerMessage.Value - 禁用
fmt.Sprintf拼接日志字符串——它内部调 reflect，GC 压力陡增；改用strconv.AppendInt等底层函数
最易被忽略的是：Kafka 不是日志系统，它不承诺顺序、不保证不丢、不负责流控。所有“高吞吐”都建立在你主动做缓冲、限速、批量、错误隔离的基础上——Iris 的优雅只是表象，背后全是自己写的 goroutine 控制逻辑。
