生成指定范围浮点数应使用线性变换：[min, max) 用 NextDouble() * (max - min) + min；[min, max] 需谨慎处理边界，推荐避免 double.Epsilon 方案；精度敏感场景 min/max 为 float 时应改用 NextSingle()；扩展 Random 需重写虚方法并共享状态，继承 ThreadLocalRandom 不可行，Random.Shared 适用于低频非关键场景。
用 NextDouble() 配合线性变换生成指定范围浮点数
直接调 Random.NextDouble() 只能拿到 [0.0, 1.0) 的数，要转成 [min, max) 或 [min, max] 得自己算——不是靠“四舍五入”或“强制截断”，而是用基础数学映射。
常见错误是写成 random.NextDouble() * (max - min) + min 却没想清楚边界：这个结果永远达不到 max（因为 NextDouble() 不返回 1.0），但如果你真需要闭区间 [min, max]，就得手动处理边界或换思路。
- 生成 [min, max)：直接用
random.NextDouble() * (max - min) + min - 生成 [min, max]：改用
(random.NextDouble() * (max - min + double.Epsilon)) + min，靠double.Epsilon挤出一点空间（不推荐用于金融等精确场景） - 如果
min和max是float，别用Random.NextDouble()再强转——精度损失不可控，该用NextSingle()
扩展 Random 类时必须重写 NextDouble() 和 NextSingle()
你给 Random 写个扩展方法，比如 NextDouble(double min, double max)，看着方便，但无法被 Random 子类（如 ThreadLocalRandom）复用；真要统一行为，得继承并重写关键虚方法。
否则会出现诡异问题：比如你重写了 Next()，但忘了重写 NextDouble()，结果 NextDouble() 还走基类逻辑，跟你的新种子或算法完全脱节。
- 继承
Random后，至少重写Next()、Next(Int32)、Next(Int32, Int32)、NextDouble()、NextSingle() -
NextDouble()必须和Next()使用同一套内部状态（比如共享同一个_seed或_state字段），否则并发调用会错乱 - 别在构造函数里调
base()后再自己初始化种子——C# 12 的Random默认用Environment.TickCount64，你覆盖了反而降低熵
ThreadLocalRandom 不能被继承，扩展它只能靠静态包装
ThreadLocalRandom 是 sealed 类，设计上就不让你继承。想给它加范围浮点方法？只能写静态类+静态方法，或者用 Random 实例代理——但后者丢了线程局部性优势。
典型误操作是把 ThreadLocalRandom.Current 存成字段反复用，以为省事，其实它本意是每次调用都取当前线程专属实例；存字段反而可能跨线程误用，引发 InvalidOperationException。
- 正确姿势：每次需要时直接调
ThreadLocalRandom.Current.NextDouble()，别缓存引用 - 扩展方法可以写：
public static double NextDouble(this ThreadLocalRandom rnd, double min, double max) => rnd.NextDouble() * (max - min) + min; - 但注意：这个扩展方法只是语法糖，底层仍走原生
NextDouble()，不改变其 [0.0, 1.0) 行为
用 Random.Shared 时要注意静态生命周期和线程安全边界
.NET 6+ 的 Random.Shared 是线程安全的单例，适合轻量随机需求。但它不是“每个线程一份”，而是所有线程争抢同一个实例——高并发下性能不如 ThreadLocalRandom，且无法定制算法。
有人图省事直接全局用 Random.Shared.NextDouble() 配合范围计算，结果在压测时发现吞吐掉一半，就是因为锁竞争。更隐蔽的问题是：它不支持设置种子，调试复现概率问题时完全抓瞎。
- 仅适用于低频、非关键路径的随机（比如 UI 动画偏移、日志采样）
- 别在循环里高频调用
Random.Shared.NextDouble()，尤其当循环体很轻时，锁开销占比会飙升 - 需要可重现结果？老实用 new
Random(seed)，别碰Shared
实际用哪一种，取决于你到底要什么：确定性？并发性能？还是只是随手一用。越靠近底层随机逻辑，越容易在边界、精度、线程模型上翻车。
