用途：在无界事件流上做持续计算，重点解决时间、状态与重试三类难题，与 kafka-expert（传输层）、airflow-expert（批编排）互补。
主要能力：区分事件时间、摄入时间与处理时间，业务聚合应基于事件时间；用水位线（watermark）在无界流上产出有限结果，需权衡迟到容忍度，并处理空闲分区以免水位线停滞；支持滚动、滑动、会话及全局加触发器窗口，注意滑动窗口会成倍放大状态；说明至多一次、至少一次、恰好一次三种投递语义，恰好一次需检查点状态加事务性或幂等 sink，实践中常用至少一次加按业务键幂等的 sink。
使用方式：Flink 可用 Table API/SQL 定义 Kafka 源表与 WATERMARK，做 TUMBLE 聚合；通过 enable_checkpointing 配置检查点模式、超时与外部化检查点，取消时保留检查点以便恢复。Spark Structured Streaming 为微批模式，用 readStream 读 Kafka、withWatermark 设水位线、writeStream 指定 checkpointLocation 与输出模式（append/update/complete）。CDC 用 Debezium 读取数据库 WAL，示例配置含 PostgresConnector、pgoutput、slot.name、table.include.list、snapshot.mode 等。
适用场景：实时聚合、用户活动会话分析、数据库变更同步等。
限制与注意：复制槽会保留 WAL，连接器停止可能占满主库磁盘，需监控槽延迟；decimal.handling.mode 默认 base64，需设为 string；初始快照可能很重；删除会发出 tombstone，忽略 null 的消费者会漏删；状态需设 TTL、按规模选后端、部署前打 savepoint 并做状态模式版本化；迟到数据应走侧输出而非静默丢弃，长期正确性建议配合批对账；避免处理时间窗口、无界状态、共享检查点目录、无批对账的流式账本，以及本可用五分钟批处理却上流式的情况。
参考：Apache Flink、Spark Structured Streaming、Debezium 文档，以及《Streaming Systems》《Designing Data-Intensive Applications》第 11 章。