Redis 队列与缓存问题排查：任务卡住、连接失败、内存告警
作者：夸父
逐日 AI 的任务队列跑在 Redis（BullMQ）上。本文排查三类高频问题：任务卡住不动、连接失败、内存告警，以及重启 Redis 前必须知道的事。
任务卡住：三层排查
第一层：worker 活着吗。pm2 list 看 zhuri-worker 状态——worker 是消费队列的角色，它挂了队列就"堵住"。拉起后未完成切片自动续跑（任务状态持久化在 Redis）。
第二层：Redis 可达吗。redis-cli ping 返回 PONG 才算通。连接失败常见原因：Redis 没启动、密码不对（requirepass 配置与 .env 不一致）、绑定地址限制（只允许 127.0.0.1 而应用在远程）。
第三层：队列里有毒丸吗。某个任务反复失败阻塞了队列——BullMQ 的失败任务有重试上限，超限进入 failed 集合。查看 failed 任务的原因（通常是模型 API 报错，对照 API 报错排查），修掉原因后重提交。
连接失败：三个配置位
ECONNREFUSED：Redis 没起或端口不对；NOAUTH：密码缺失或不符；max retries reached：网络抖动或 Redis 过载——前两个改配置，第三个看 Redis 的负载（info stats）。
内存告警：容量规划
Redis 跑队列的内存占用与任务量相关：批量日（几百个切片任务）内存会上一个台阶。配置 maxmemory + 监控 used_memory（见数据库维护的每周例行），达到 70% 就扩容或清理——队列场景禁止用 allkeys-lru 淘汰策略（会把等待中的任务挤掉），用 noeviction + 及时扩容。
常见问题
任务一直显示"排队中"不动？
按顺序查：worker 进程是否存活（pm2 list）、Redis 是否可达（redis-cli ping）、队列里是否有被阻塞的任务（ BullMQ 面板或 LLEN 查看）。多数是 worker 挂了或 Redis 连接断开——pm2 restart worker 拉起。
重启 Redis 会丢任务吗？
取决于持久化配置：开启 AOF（appendonly yes）后重启不丢队列数据；未开持久化的 Redis 重启即清空——未完成的切片任务需要重新提交（已完成的不受影响，结果在数据库里）。