Elasticsearch 生产检查清单

适用 Elasticsearch 8.x/9.x。每条都可勾选，括号内是默认值或判断依据；版本差异以官方文档为准。 这份清单只列「不做会出事」的动作，机制解释见各篇正文。

上线前

• [ ] 主分片数一次定死：主分片不可改，单分片按 10–50GB 规划；每节点 shard 数 ≤20×堆内存 GB；按未来 12 个月数据量估，不按当前量估。
• [ ] Master 候选合规：3 个奇数候选节点，跨机架/可用区；7.x 起选主 quorum 自动，不要手工配 minimum_master_nodes；master 与 data 角色分离。
• [ ] 堆与磁盘：堆 ≤32GB 且 ≤物理内存 50%，其余留给 PageCache；磁盘用 SSD；使用率 75% 告警（85% 起不分配分片、95% 索引只读）。
• [ ] Mapping 显式定义：关闭动态 mapping 或限制 index.mapping.total_fields.limit（默认 1000，以官方文档为准）；需要排序/聚合的字符串加 keyword 子字段。
• [ ] 写入语义写清楚：refresh_interval=1s（默认）意味着最多 1 秒可见；index.translog.durability=request（默认）每次写入 fsync，改 async 接受最多 5 秒丢失，只用于可重灌的导入。
• [ ] 深分页换方案：index.max_result_window=10000（默认）；列表页用 search_after，全量导出用 scroll/PIT，不用 from+size 翻深页。
• [ ] 批量与段可控：bulk 按 5–15MB 控制而不是按条数，写入线程 ≤CPU；导入期设 refresh_interval=-1、number_of_replicas=0，结束后恢复并只对只读索引 forcemerge。
• [ ] AI 检索可回退：dense_vector 必须 index:true 才建 HNSW；num_candidates 取 10–20×k 并用评测集验召回；semantic_text 的 inference endpoint 要有降级到纯 BM25 的开关；换 embedding 模型 = 新字段 + 全量重灌。

运行中

• [ ] 集群健康：_cluster/health 的 status、unassigned_shards、relocating_shards；_cluster/state 变更频率 >1 次/分钟视为异常。
• [ ] 节点资源：Heap Used >75% 关注、>90% 高危；Old GC >1 次/分钟；磁盘按 75/85/90/95 四档；_nodes/stats 的 bulk/search 线程池队列持续增长要处置。
• [ ] 查询与索引趋势：搜索/索引 P99 增长超过 2 倍告警；每个索引的字段数、segment 数、mapping 增量按周审视；慢日志同时开 query 和 fetch 两段。

故障时

• [ ] 写入报 FORBIDDEN/12/index read-only → _cluster/allocation/explain + 磁盘使用率 → 触到 95% 只读水位 → 删/关闭旧索引或扩盘，再恢复写入。
• [ ] unassigned_shards 长期不降 → _cluster/allocation/explain → 磁盘水位、节点离线或单分片过大 → 扩节点、调副本或重建索引。
• [ ] 查询把 Coordinating Node 打 OOM → 检查 from+size → 每个 shard 都要取 from+size 条再归并 → 改 search_after/scroll，并限制 max_result_window。
• [ ] 写入延迟暴涨、bulk 超时 → _nodes/stats 的 bulk 队列与拒绝数 → 批量 >15MB 或并发过高 → 降批量与线程数，先保集群稳定。