核心用法
本 skill 提供 Elasticsearch 生产级最佳实践，核心聚焦于三大维度：
1. 数据建模与映射设计
- 强制使用显式映射（explicit mappings），禁用动态映射以避免类型推断错误
- 区分
text（全文搜索，经分析器分词）与keyword（精确匹配，原始字节）的应用场景 - 通过 multi-field 设计实现单字段多用途（如
title用于搜索，title.raw用于排序聚合） - 高关联数组使用
nested类型，避免对象扁平化导致的数据失真
2. 查询优化与执行策略
- 严格区分 query context（计算相关性评分）与 filter context（缓存友好的布尔判断）
- 范围查询、状态过滤等场景优先使用
bool.filter以利用 bitset 缓存 - 分页策略选择：
from+size（浅分页 ≤10K）、search_after（深分页）、scroll（批量导出） - 分析器验证：通过
_analyze端点预先测试，避免生产环境意外行为
3. 运维与性能管理
- 批量操作：使用
_bulkAPI，5-15MB 批次，refresh=false提升吞吐 - 分片策略：单分片 10-50GB 为黄金区间，过度分片严重影响性能
- 零停机运维：索引模板 + 别名机制实现热切换，ILM 自动化时序数据生命周期
- 故障诊断：涵盖磁盘只读保护（cluster_block_exception）、版本冲突、熔断器异常等典型场景
显著优点
- 生产导向：所有建议均针对实际故障案例（如 dynamic mapping 导致的类型冲突、nested 查询的隐式扁平化陷阱）
- 性能敏感：从缓存利用到分片大小，每个建议都附带性能权衡说明
- 完整闭环：覆盖开发（映射设计）、查询（DSL 优化）、运维（ILM/别名/分片）全生命周期
潜在缺点与局限性
- 版本依赖：部分特性（如 ILM）在开源版与商业版存在功能差异，需确认 ES 版本
- 场景特定：建议基于通用日志/搜索场景，特殊业务（如地理空间、机器学习）需补充专业配置
- 静态指导：未涉及动态集群调度、跨集群复制等高级架构方案
适合人群
- 后端开发工程师：设计合理的文档模型与查询 DSL
- DevOps/SRE：规划分片策略、索引生命周期、容量管理
- 数据平台工程师：构建时序数据管道与聚合分析系统
常规风险
- 数据丢失风险：
refresh=false批量导入期间若节点故障，未刷新数据可能丢失，需结合wait_for或副本策略 - 查询内存溢出：深度聚合或高基数 terms 聚合可能触发 circuit_breaker，需设置合理的
size与分区策略 - 嵌套类型性能衰减：nested 文档的查询与聚合开销随数组元素数量线性增长，滥用将导致集群响应延迟
- 磁盘水位陷阱：默认 85% 磁盘水位触发只读保护，需监控并配置 cleanup 策略