聚合内存溢出核心是控制哈希表中间状态大小、避免单点倾斜；应优先用主键分片+临时表拆分聚合，而非盲目调大work_mem或内存，因高并发下易引发oom。
聚合内存溢出不是加内存能解决的——核心是控制哈希表中间状态大小，避免单点倾斜。
GROUP BY 为什么一跑就 OOM
数据库执行 GROUP BY 或 COUNT(DISTINCT) 时，会把每个分组键（如 user_id）和对应聚合值（如 SUM(amount)）缓存在内存哈希表里。一旦分组数超千万，或某个 user_id 对应 500 万行日志，哈希表就直接撑爆 work_mem（PostgreSQL）或 JVM 堆（某些连接层）。sort_buffer_size（MySQL）对聚合内存几乎没影响，它只管排序，不控哈希。
- PostgreSQL 查当前值：
SHOW work_mem，默认常为 4MB，对千万级分组远远不够 - MySQL 检查执行计划：若出现
Using temporary; Using filesort，说明已放弃索引分组，全量加载进内存 - 快速验证分组爆炸：
SELECT COUNT(*) FROM (SELECT 1 FROM t GROUP BY a, b) AS _，比SELECT * FROM t GROUP BY a, b安全得多
临时表分片比调 work_mem 更可靠
靠调大 work_mem 抗压风险极高：一个查询里有 JOIN + GROUP BY + ORDER BY，三者各自申请一份 work_mem，50 个并发 × 256MB = 12.8GB，可能拖垮整个实例。不如主动拆解。
- 前提：左表有单调主键（如
id或create_time），右表关联字段有索引 - 建临时表：
CREATE TEMPORARY TABLE tmp_ids (id BIGINT PRIMARY KEY) - 分批插入 ID：
INSERT INTO tmp_ids VALUES (100001), ..., (200000)（每次 ≤ 5 万） - 聚合走索引：
SELECT user_id, COUNT(*) FROM orders JOIN tmp_ids USING (id) GROUP BY user_id
这样每次聚合只处理几万行，内存峰值稳定在 50–200MB 区间，可控且可并行。
一款AI工具，主要用于将编码任务调度到本地 OpenAI Codex CLI，支持后台执行、状态轮询以及可交互式回答的澄清问题。适用于 OpenClaw 需要……，适合需要提升相关任务效率的用户。
JDBC 流式读取只救客户端，不救数据库
加 setFetchSize(500) 或 MySQL 连接串加 ?useCursorFetch=true&defaultFetchSize=500，只是让 JDBC 驱动不把全部结果一次性 load 到 JVM 堆里。但数据库服务端仍要算完全部分组、生成完整结果集，再逐批发——服务端内存照样可能爆。
- MySQL：该参数对
INSERT ... SELECT或 CTE 聚合无效 - PostgreSQL：必须显式声明游标：
DECLARE agg_cursor CURSOR FOR SELECT ... GROUP BY ... - 真正压垮服务端的是聚合逻辑本身，不是传输方式
别忽略这三个硬限制
很多调参失败，是因为没看清底层约束：
- MySQL 8.0+ 的 CTE 聚合结果默认不可下推物化，
WITH t AS (SELECT ...) SELECT COUNT(*) FROM t GROUP BY x仍可能 OOM，得加MATERIALIZED提示 - PostgreSQL 的
HASHAGG在work_mem不足时 fallback 到SORTAGG，但它仍需内存排序，不是自动落盘 - 窗口函数（如
ROW_NUMBER() OVER (ORDER BY x)）无法下推 WHERE，必须先用子查询过滤再开窗，否则全量排序必爆
最易被忽略的点：分组键的基数和单组数据量，远比总行数更能决定是否 OOM；而这个维度，EXPLAIN 看不出来，得靠 SELECT COUNT(DISTINCT key) 和业务分布预判。
