HyperLogLog固定12KB内存，而Set内存随元素数线性增长；HLL通过16384个6位桶记录前导零最大值实现常数空间，Set则需完整存储每个元素，亿级UV下HLL仅耗12KB，Set却需GB级内存。
HyperLogLog 固定 12KB 和 Set 的 O(N) 内存增长对比
因为 HyperLogLog 不存原始数据，只维护一个由 16384 个桶组成的概率摘要结构，每个桶用 6 位（bit）记录前导零最大值，总内存恒为 16384 × 6 ÷ 8 = 12KB。而 Set 必须完整保存每个去重后的元素：比如用户 ID 是字符串 "uid_123456789"（约 12 字节），1 亿个就要 ≈ 1.2GB；如果是 64 位整数，也需 800MB+。两者根本不在一个数量级。
PFADD 插入时不做元素存储，只做哈希与桶更新
PFADD 的实际行为是：对输入元素做 MurmurHash3 哈希 → 取低 14 位（即 0–16383）定位桶号 → 取高 50 位统计前导零个数 → 若该值大于当前桶记录值，则更新桶。整个过程不分配新字符串、不建 dict entry、不触发 rehash。而 SADD 每次都要在底层字典中插入一个 dictEntry，附带 key 指针、value 指针、next 指针和哈希表扩容开销。
误差可控的前提下，12KB 换来的是线性扩展能力
当你需要按天、按页面、按渠道维度分别统计 UV，且每天新增千万级独立用户时：
- 用
Set：每个维度一个 key，1000 个维度 × 80MB = 80GB 内存，Redis 实例基本不可行 - 用
HyperLogLog：每个 key 固定 12KB，1000 个 key 仅 12MB，还能用PFMERGE合并任意维度
这种常数空间特性，使得横向分片（如按日期分 key：uv:20261020:home、uv:20261020:search）在内存层面完全无压力。
别忽略 PFMERGE 的合并代价是零拷贝
PFMERGE destkey src1 src2 ... 不是把所有源 key 的元素拉出来再塞进 dest，而是直接对各源的 16384 个桶取最大值，逐桶合并。10 个 HLL 合并仍只产生一个 12KB 结构。而如果用 Set 做类似操作，SUNIONSTORE 需要先读取全部源集合、去重、再写入新 dict，内存峰值可能翻倍，耗时随元素总数线性增长。
PFCOUNT 返回值可能跳变（因桶稀疏导致估计抖动）；业务上若需平滑展示，得加一层小基数兜底逻辑，比如自动 fallback 到 SCARD 或采样校准。 
