caffeine-patterns

name	caffeine-patterns
description	Caffeine JVM 本地缓存技能。覆盖本地缓存 vs 远程缓存(Redis)选择决策树、expireAfterWrite vs expireAfterAccess vs refreshAfterWrite 三种过期策略对比与组合规则(refresh < expire)、CacheLoader加载与reload异步刷新模式、Spring Cache @Cacheable集成、maximumSize驱逐策略、recordStats缓存统计。 纠正 LLM：用 ConcurrentHashMap+手动过期、所有缓存走Redis、refreshAfterWrite > expireAfterWrite导致永远不刷新、CacheLoader返回null导致缓存穿透。
license	Apache-2.0

Caffeine JVM 本地缓存

来源：https://github.com/ben-manes/caffeine/wiki
GitHub：https://github.com/ben-manes/caffeine

Capability Boundaries

✅ Strong Suits

1. 本地 vs 远程选择 — 单服务高频数据用Caffeine，多服务共享用Redis
2. 过期策略 — expireAfterWrite(写入后) vs expireAfterAccess(访问后) vs refreshAfterWrite(异步刷新)
3. CacheLoader — 自动加载缺失数据 + reload 异步刷新 + 优雅降级(返回旧值)
4. Spring Cache 集成 — @Cacheable/@CacheEvict + CaffeineCacheManager
5. 驱逐策略 — maximumSize(数量)/maximumWeight(权重)/Window TinyLFU
6. 记录统计 — recordStats() + CacheStats 监控命中率

❌ Out of Scope

1. 分布式缓存/共享数据 → redis-redisson-patterns
2. Redis + Caffeine 两级缓存 → redis-redisson-patterns（已覆盖）

过期策略选择决策

策略	行为	适用场景
expireAfterWrite	写入后固定时间过期	✅ 推荐(大多数业务)，可预测的数据刷新
expireAfterAccess	最后访问后固定时间过期	会话缓存/用户登录状态
refreshAfterWrite	写后固定时间异步刷新(返回旧值)	热点数据免阻塞刷新
expireAfterWrite + refreshAfterWrite	刷新在过期前执行，永不阻塞	⭐ 推荐组合

⚠️ refreshAfterWrite 必须 < expireAfterWrite，否则刷新永远不触发

LLM最常犯的错误

#	错误	正确做法
1	ConcurrentHashMap<String, Object> + 手动过期	Caffeine CacheBuilder 窗口 TinyLFU 算法
2	所有缓存都走 Redis	单服务高频缓存走 Caffeine(纳秒级，Redis 毫秒级)
3	不设置 maximumSize	maximumSize(10000) 防止内存溢出
4	refreshAfterWrite 设置后不处理加载异常	旧值仍可用，加载失败不影响服务
5	refreshAfterWrite > expireAfterWrite	永远不刷新(过期就直接删除了)
6	CacheLoader.load() 返回 null	返回 null = 缓存穿透(每次查都走 load)
7	只设置 refreshAfterWrite 不设 maximumSize	无界缓存 → OOM
8	修改缓存返回的对象	缓存对象被外部修改 → 数据不一致

核心模式

模式 1: Caffeine 常用配置(推荐组合)

// ✅ expireAfterWrite + refreshAfterWrite 组合(推荐)
Cache<String, User> cache = Caffeine.newBuilder()
    .maximumSize(10_000)
    .expireAfterWrite(5, TimeUnit.MINUTES)   // 5分钟过期
    .refreshAfterWrite(3, TimeUnit.MINUTES)  // 3分钟后台刷新(返回旧值)
    .recordStats()                            // 记录命中率
    .build(key -> loadFromDB(key));           // CacheLoader

模式 2: CacheLoader + reload 优雅降级

LoadingCache<String, User> cache = Caffeine.newBuilder()
    .maximumSize(10_000)
    .expireAfterWrite(5, TimeUnit.MINUTES)
    .refreshAfterWrite(3, TimeUnit.MINUTES)
    .build(new CacheLoader<String, User>() {
        @Override
        public @Nullable User load(String key) {
            // 缓存未命中时加载
            User user = userMapper.selectById(Long.parseLong(key));
            // ✅ 不要返回 null！使用 Optional 或空对象占位
            return user != null ? user : NULL_USER;
        }

        @Override
        public @Nullable User reload(String key, User oldValue) {
            // ✅ 刷新时优雅降级：加载失败返回旧值
            try {
                return load(key);
            } catch (Exception e) {
                log.error("刷新缓存失败, key={}", key, e);
                return oldValue;  // ← 返回旧值，不影响服务
            }
        }
    });

// 使用
User user = cache.get("user:1");  // 自动加载

模式 3: Spring Cache 集成

@Configuration
@EnableCaching  // ← 必须！
public class CacheConfig {
    @Bean
    public CacheManager cacheManager() {
        CaffeineCacheManager mgr = new CaffeineCacheManager();
        mgr.setCaffeine(Caffeine.newBuilder()
            .expireAfterWrite(10, TimeUnit.MINUTES)
            .maximumSize(10_000)
            .recordStats());
        return mgr;
    }
}

@Service
public class UserService {
    @Cacheable(value = "users", key = "#id", unless = "#result == null")
    public User getUser(Long id) {
        return userMapper.selectById(id);
    }

    @CacheEvict(value = "users", key = "#id")
    public void updateUser(Long id, UserDTO dto) {
        userMapper.updateById(dto.toEntity(id));
    }

    @CacheEvict(value = "users", allEntries = true)  // 清空整个缓存
    public void refreshAll() { }
}

模式 4: 异步加载(AsyncCache)

AsyncCache<String, User> asyncCache = Caffeine.newBuilder()
    .maximumSize(10_000)
    .expireAfterWrite(5, TimeUnit.MINUTES)
    .refreshAfterWrite(1, TimeUnit.MINUTES)  // 异步刷新
    .buildAsync(key -> loadFromDB(key));

// 异步获取
CompletableFuture<User> future = asyncCache.get("user:1");
future.thenAccept(user -> System.out.println(user));

模式 5: 手动缓存操作 + 统计

Cache<String, User> cache = Caffeine.newBuilder()
    .maximumSize(10_000)
    .expireAfterWrite(10, TimeUnit.MINUTES)
    .recordStats()  // 启用统计
    .build();

// 手动写入
cache.put("user:1", user);
// 手动失效
cache.invalidate("user:1");

// 统计数据
CacheStats stats = cache.stats();
log.info("命中率: {}, 加载次数: {}, 驱逐次数: {}",
    stats.hitRate(), stats.loadCount(), stats.evictionCount());

Gotchas

1. Caffeine 是进程内缓存 — 多实例部署每个实例有独立缓存，数据不一致
2. expireAfterAccess 适合会话缓存 — 写入后频率很高就设置 access
3. refreshAfterWrite 必须 < expireAfterWrite — 否则刷新没意义
4. CacheLoader.load() 不能返回 null — 返回空占位对象或抛异常
5. Spring Cache 的 @Cacheable 返回值必须可序列化 — 如果用 Redis 作为后端
6. maximumSize 驱逐可能丢失数据 — 重要数据用数据库作为最终保障
7. 与 Redisson 配合 — Caffeine(L1) + Redis(L2) 是经典的两级缓存组合
8. 缓存对象可变时注意防御性拷贝 — 外部修改缓存对象导致数据不一致
9. recordStats() 不影响性能 — 生产环境建议开启
10. expireAfter(Expiry) 支持自定义过期时间 — 根据 value 动态决定 TTL
11. Caffeine 3.x 与 2.x 兼容性 — Spring Boot 2.x 使用 Caffeine 2.x，Spring Boot 3.x 使用 3.x
12. weakKeys/softValues 慎用 — GC 触发的驱逐不可预测

Data Privacy

本技能不收集、存储或传输任何用户数据。