跳至主要内容

go编译参数:race,trace和逃逸分析

可以把 Go 这三个东西理解成分别回答三个完全不同的问题:

工具 核心问题 关注对象 常用命令
Race 「有没有多个 goroutine 在同时乱改数据?」 并发内存访问 go test -race ./...
Trace 「程序运行时到底发生了什么?」 Goroutine、调度、GC、阻塞 go test -trace=trace.out
逃逸分析 「这个变量为什么跑到堆上去了?」 内存分配 go build -gcflags="-m"

1. Race:查并发 Bug

var n int

go func() { n++ }()
go func() { n++ }()

Race Detector 会告诉你:

Goroutine A 正在写 n
Goroutine B 同时也在读/写 n
↓
DATA RACE

它关注的是内存访问之间有没有正确同步


2. Trace:查运行时行为

例如你的服务突然:

CPU 很高
↓
到底是哪个 goroutine 在跑?
↓
是不是 GC?
是不是锁阻塞?
是不是 syscall?
是不是网络等待?

Trace 会把运行过程记录下来,然后:

go tool trace trace.out

你可以看到 Goroutine 的运行、阻塞、唤醒,以及 GC、调度器等信息。

所以它更像:

给 Go 程序装一个“黑匣子”,看看程序运行过程中到底发生了什么。


3. 逃逸分析:查内存分配

func foo() *int {
    x := 10
    return &x
}

编译器发现:

x escapes to heap

因为 foo() 返回以后 x 还必须存在。

另一个例子:

func foo() {
    x := 10
    fmt.Println(x)
}

编译器可能判断 x 不需要逃逸到堆。

它主要回答:

这个对象能不能安全地留在栈上?如果不能,就放堆上。


最简单的记忆方式

Race
 ↓
并发有没有撞车? 🚗💥

Trace
 ↓
程序运行时发生了什么? 🔍

Escape Analysis
 ↓
变量到底该放栈还是堆? 📦

而且三者解决的问题层次也不同:

                 Go 程序
                    │
        ┌───────────┼───────────┐
        ↓           ↓           ↓
      Race        Trace      逃逸分析
        │           │           │
     并发正确性   运行时性能    内存分配

实际排查问题时:

  • 怀疑 goroutine 数据竞争 → -race
  • 怀疑 goroutine/GC/调度导致性能问题 → trace
  • 怀疑大量堆分配、GC 压力 → -gcflags="-m" + pprof

这三个基本可以看成 Go 后端开发里非常重要的三把“手术刀”。

此博客中的热门博文

Elasticsearch 读写原理指南

### 1. 什么是 segment,里面装了什么? 在 Lucene(也是 Elasticsearch)里,索引被切分成若干 **segment(段)**,每个 segment 是一个完整的、只读的倒排索引单元。一个 segment 包含: * **倒排词典** —— 用 **FST(Finite‑State Transducer)** 以高度压缩的形式保存每个字段出现的所有 term 以及 term→ord 的映射。对应的磁盘文件是 `*.tim`(新版)或 `*.tis/*.tii`(旧版)。 * **倒排列表(postings)** —— 保存每个 term 出现的文档 ID、频次、位置信息等,文件名通常是 `*.doc`、`*.pos`、`*.pay`。 * **存储字段**(_source、store:true 的字段)—— 以二进制块的形式写入 `*.fdt` / `*.fdx`。 * **doc‑values、norms、向量** 等辅助结构,分别保存在 `*.dv`、`*.norm`、`*.tv` 等文件里。 * **deleted‑docs bitmap**(`*.del`),标记哪些文档已被删除或被更新。 所有这些文件在 segment **写入磁盘后即成为只读**,后续的查询只能读取,永远不会在原文件上进行增删改。 --- ### 2. 原始文档和 FST 为什么都在 segment 里? * **原始文档**:Elasticsearch 默认把完整的 JSON(_source)以及任何 `store:true` 的字段写入 segment 的 `*.fdt/*.fdx` 文件。每个 segment 保存自己的那部分文档,旧的 segment 在合并前仍然保留,直到合并后被删除。 * **FST**:每个字段的词典在每个 segment 中单独维护,采用 FST 进行前缀共享和字节压缩。这样即使同一个 term 在多个 segment 中出现,也会在每个 segment 里拥有独立的映射,查询时只需要在对应 segment 的 FST 中定位即可。 --- ### 3. 查询时到底是怎么遍历 segment 的? 1. **请求入口**      客户端的搜索请求先到达 **协调节点**,协调节点把请求 ...

LLM缓存详解

 可以把“大模型缓存”理解成: 把已经算过的结果(或中间结果)存下来,下次尽量复用 。但这里面其实分几层,不只是简单的“问题→答案”缓存。 1️⃣ 常见的几种缓存类型 (1)KV Cache(推理内部缓存) Transformer 在生成时,会把前面 token 的 Key/Value 向量 缓存下来。 本质:避免重复计算 attention 作用: 同一请求内部加速 特点: 👉 只对“同一上下文继续生成”有效 👉 不跨用户、不跨请求 这类缓存是你体感“流式输出越来越快”的原因之一。 (2)Prompt Cache(提示词缓存) 缓存的是: 相同(或高度相似)的 prompt → 对应的中间表示 / 输出 典型场景: 系统提示词(system prompt)很长 多轮对话里前文基本不变 👉 这里能省掉 前缀计算成本(prefill) (3)Embedding / 语义缓存(Semantic Cache) 这个才是你问题的关键 👇 不是按“字符串完全一致”,而是: 把问题转成向量 → 找“语义相似”的历史问题 → 直接复用答案 2️⃣ 为什么命中缓存成本低很多? 因为大模型推理成本主要在两块: (1)Prefill(吃 prompt) 复杂度 ~ O(n²) 很贵(尤其长 prompt) (2)Decode(逐 token 生成) 每个 token 都要算一遍模型 而缓存命中后: KV cache:不用重复 attention Prompt cache:不用重新 encode 语义缓存: 直接跳过模型推理 👉 相当于从: 几十~几百毫秒 + GPU算力 变成: 一次向量检索(毫秒级)+ 直接返回 所以成本差一个数量级是正常的。 3️⃣ “每个人问法不同,怎么命中缓存?” 这是核心难点,也是工程重点👇 ❌ 不能靠字符串匹配 比如: “今天天气怎么样” “今天外面热不热” 字符串完全不同 → 必须 miss ✅ 用语义相似度(Embedding) 流程一般是: 把问题转 embedding(向量) 在向量数据库里找 TopK 相似问题 如果相似度 > 阈值(比如 0.9) 直接返回缓存答案 一个简单示意 Q1: 北京天气怎么样 → embedding A Q2: 北京今天热吗 → embedding B cosine(A, B) ≈ 0.95...

事务的ACID是什么

 事务的 ACID 是数据库事务必须满足的四个基本性质,用来保证在并发和故障情况下数据的正确性与可靠性: A(Atomicity,原子性) 一个事务中的操作要么 全部成功 ,要么 全部失败回滚 ,不存在“只做了一半”的中间状态。 C(Consistency,一致性) 事务执行前后,数据库都必须处于 一致的合法状态 ,满足约束(如主键、外键、唯一性、业务规则等)。 I(Isolation,隔离性) 并发执行的多个事务之间 相互隔离 ,一个事务未提交的中间结果对其他事务不可见(具体强弱由隔离级别决定)。 D(Durability,持久性) 一旦事务提交成功,其结果会被 永久保存 ,即使系统崩溃也不会丢失(通常依赖 WAL/redo log 等机制)。 一句话记忆: 要么全做完、前后不破坏规则、互不干扰、做完不丢。