diff --git a/后端学习/力扣Hot 100题.md b/后端学习/力扣Hot 100题.md
index 6631f30..b199544 100644
--- a/后端学习/力扣Hot 100题.md
+++ b/后端学习/力扣Hot 100题.md
@@ -2079,9 +2079,9 @@ public boolean canFillBackpack(int[] weights, int capacity) {
dp[j] 表示从数组中选取若干个数，使得这些数的和正好为 j 的方法数。
状态转移：
-对于数组中的每个数字 numnumnum，从 dp 数组后向前（逆序）遍历，更新：
+对于数组中的每个数字 `num`，从 dp 数组后向前（逆序）遍历，更新：
-dp[j]=dp[j]+dp[j−num]
+`dp[j]=dp[j]+dp[j−num]`
这里的意思是：
@@ -2102,7 +2102,7 @@ dp[j]=dp[j]+dp[j−num]
#### 0/1背包（一）
-描述：有n件物品和一个最多能背重量为w 的背包。第i件物品的重量是weight[i]，得到的价值是value[i] 。**每件物品只能用一次**，求解将哪些物品装入背包里物品价值总和最大。
+描述：有n件物品和一个最多能背重量为 w 的背包。第 i 件物品的重量是 weight[i]，得到的价值是 value[i] 。**每件物品只能用一次**，求解将哪些物品装入背包里物品价值总和最大。
@@ -2116,18 +2116,18 @@ dp[j]=dp[j]+dp[j−num]
**2. 确定递推公式**
-考虑dp\[i][j]，有两种情况：
+考虑 `dp[i][j]`，有两种情况：
-- **不放物品i**：背包容量为j，里面不放物品i的最大价值是 dp\[i - 1][j]。
-- **放物品i**：背包空出物品i的容量后，背包容量为 j - weight[i]，dp\[i - 1][j - weight[i]] 为背包容量为j - weight[i]且不放物品i的最大价值，那么dp\[i - 1][j - weight[i]] + value[i] （物品i的价值），就是背包放物品i得到的最大价值
+- **不放物品i**：背包容量为 `j` ，里面不放物品 `i` 的最大价值是 `dp[i - 1][j]`。
+- **放物品i**：背包空出物品i的容量后，背包容量为 `j - weight[i]`，`dp[i - 1][j - weight[i]]` 为背包容量为`j - weight[i]` 且不放物品i的最大价值，那么`dp[i - 1][j - weight[i]] + value[i]` （物品i的价值），就是背包放物品i得到的最大价值
递归公式： `dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);`
**3. dp数组如何初始化**
-（1）首先从dp\[i][j]的定义出发，如果背包容量j为0的话，即dp\[i][0]，无论是选取哪些物品，背包价值总和一定为0。
+（1）首先从 `dp[i][j]` 的定义出发，如果背包容量 `j` 为0的话，即 `dp[i][0]` ，无论是选取哪些物品，背包价值总和一定为0。
-（2）由状态转移方程 `dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);` 可以看出i 是由 i-1 推导出来，那么i为0的时候就一定要初始化。
+（2）由状态转移方程 `dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);` 可以看出`i` 是由 `i-1` 推导出来，那么 `i` 为0的时候就一定要初始化。
此时就看存放编号0的物品的时候，各个容量的背包所能存放的最大价值。
@@ -2156,7 +2156,7 @@ for(int i = 1; i < weight.size(); i++) { // 遍历物品
**代码：**
-```
+```java
public int knapsack(int[] weight, int[] value, int capacity) {
int n = weight.length; // 物品的总个数
@@ -2202,11 +2202,11 @@ for(int i = 1; i < weight.size(); i++) { // 遍历物品
1.状态转移只依赖于之前的状态（例如上一行或上一个层次），而不是当前行中动态更新的状态。
-- 例如在 0/1 背包问题中，二维 dp\[i][j] 只依赖于 dp\[i-1][j] 和 dp\[i-1][j - weight[i]]。
+- 例如在 0/1 背包问题中，二维 `dp[i][j]` 只依赖于 `dp[i-1][j]` 和 `dp[i-1][j - weight[i]]`。
2.存在确定的遍历顺序（例如逆序或正序）能够确保在更新一维 dp 时，所依赖的值不会被当前更新覆盖。
-- **逆序遍历**：例如 0/1 背包问题，为了防止同一个物品被重复使用，需要对容量 j 从大到小遍历，确保 dp[j - weight] 的值还是上一轮（上一行）的。
+- **逆序遍历**：例如 0/1 背包问题，为了防止同一个物品被重复使用，需要对容量 j 从大到小遍历，确保 `dp[j - weight]` 的值还是上一轮（上一行）的。
- **正序遍历**：在一些问题中，如果状态更新不会导致当前状态被重复利用（例如完全背包问题），可以顺序遍历。
@@ -2219,12 +2219,12 @@ for(int i = 1; i < weight.size(); i++) { // 遍历物品
使用一维 dp 数组 `dp[j]` 表示「在当前考虑的物品下，背包容量为 j 时能够获得的最大价值」。
**2.确定递推公式**
-当考虑当前物品 i（重量为 weight[i]，价值为 value[i]）时，有两种选择：
+当考虑当前物品 `i` （重量为 `weight[i]`，价值为 `value[i]`）时，有两种选择：
- **不选当前物品 i：**
- 此时的最大价值为 dp[j]（即前面的状态没有变化）。
+ 此时的最大价值为 `dp[j]`（即前面的状态没有变化）。
- **选当前物品 i：**
- 当背包容量至少为 weight[i] 时，如果选择物品 i，剩余容量变为 j - weight[i]，则最大价值为 dp[j - weight[i]] 加上 value[i]。
+ 当背包容量至少为 `weight[i]` 时，如果选择物品 `i` ，剩余容量变为 `j - weight[i]`，则最大价值为 `dp[j - weight[i]]` 加上 `value[i]`。
因此，状态转移方程为：
$$
@@ -2234,7 +2234,7 @@ $$
`dp[0] = 0`，表示当背包容量为 0 时，能获得的最大价值自然为 0。
-对于其他容量 dp[j]，初始值也设为 0，dp数组在推导的时候一定是取价值最大的数，如果题目给的价值都是正整数那么非0下标都初始化为0就可以了。确保值不被初始值覆盖即可。
+对于其他容量 `dp[j]` ，初始值也设为 0，dp数组在推导的时候一定是取价值最大的数，如果题目给的价值都是正整数那么非0下标都初始化为0就可以了。确保值不被初始值覆盖即可。
**4.一维dp数组遍历顺序**
@@ -2242,7 +2242,7 @@ $$
内层遍历背包容量（**逆序遍历**）： 遍历容量从 capacity 到当前物品的重量，进行状态更新。
-- 逆序遍历的目的在于确保当前物品在更新过程中只会被使用一次，因为 dp[j - weight[i]] 代表的是上一轮（当前物品未使用前）的状态，不会被当前物品更新后的状态覆盖。
+- 逆序遍历的目的在于确保当前物品在更新过程中只会被使用一次，因为 `dp[j - weight[i]]` 代表的是上一轮（当前物品未使用前）的状态，不会被当前物品更新后的状态覆盖。
@@ -2308,7 +2308,7 @@ dp\[i][j] 表示从下标为[0-i]的物品，每个物品可以取无限次，
**2. 确定递推公式**
- **不放物品i**：背包容量为j，里面不放物品i的最大价值是dp\[i - 1][j]。
-- **放物品i**：背包空出物品i的容量后，背包容量为j - weight[i]，dp\[i][j - weight[i]] 为背包容量为j - weight[i]且不放物品i的最大价值，那么dp\[i][j - weight[i]] + value[i] （物品i的价值），就是背包放物品i得到的最大价值
+- **放物品i**：背包空出物品i的容量后，背包容量为`j - weight[i]`，`dp[i][j - weight[i]]` 为背包容量为`j - weight[i]`且不放物品i的最大价值，那么`dp[i][j - weight[i]] + value[i]` （物品i的价值），就是背包放物品i得到的最大价值
递推公式： `dp[i][j] = max(dp[i - 1][j], dp[i][j - weight[i]] + value[i]);`
@@ -2318,17 +2318,18 @@ dp\[i][j] 表示从下标为[0-i]的物品，每个物品可以取无限次，
```java
for (int i = 1; i < n; i++) {
- for (int j = 0; j <= capacity; j++) {
- // 不选物品 i，价值不变
- dp[i][j] = dp[i - 1][j];
- // 如果当前背包容量 j 能放下物品 i，则考虑选取物品 i（完全背包内层循环正序或逆序都可以，但这里通常建议正序）
- if (j >= weight[i]) {
- // 注意：这里选取物品 i 后仍然可以继续选取物品 i，
- // 所以状态转移方程为 dp[i][j] = max(dp[i - 1][j], dp[i][j - weight[i]] + value[i])
- dp[i][j] = Math.max(dp[i][j], dp[i][j - weight[i]] + value[i]);
- }
- }
+ for (int j = 0; j <= capacity; j++) {
+ // 不选物品 i，价值不变
+ dp[i][j] = dp[i - 1][j];
+ // 如果当前背包容量 j 能放下物品 i，则考虑选取物品 i（完全背包内层循环正序或逆序都可以，但这里通常建议正序）
+ if (j >= weight[i]) {
+ // 注意：这里选取物品 i 后仍然可以继续选取物品 i，
+ // 所以状态转移方程为 dp[i][j] = max(dp[i - 1][j], dp[i][j - weight[i]] + value[i])
+ dp[i][j] = Math.max(dp[i][j], dp[i][j - weight[i]] + value[i]);
}
+ }
+}
+
```
**3. dp数组如何初始化**
@@ -2338,13 +2339,13 @@ for (int i = 1; i < n; i++) {
```java
for (int j = 0; j <= capacity; j++) {
- // 当 j 小于第 0 个物品重量时，无法选取，所以价值为 0
- if (j < weight[0]) {
- dp[0][j] = 0;
- } else {
- // 完全背包允许多次使用物品 0，所以递归地累加
- dp[0][j] = dp[0][j - weight[0]] + value[0];
- }
+ // 当 j 小于第 0 个物品重量时，无法选取，所以价值为 0
+ if (j < weight[0]) {
+ dp[0][j] = 0;
+ } else {
+ // 完全背包允许多次使用物品 0，所以递归地累加
+ dp[0][j] = dp[0][j - weight[0]] + value[0];
+ }
}
```
@@ -2362,12 +2363,32 @@ for (int j = 0; j <= capacity; j++) {
压缩成一维，即`dp[j] = max(dp[j], dp[j - weight[i]] + value[i])`
-- 根据题型选择先遍历物品或者背包，**如果求组合数就是外层for循环遍历物品，内层for遍历背包**。**如果求排列数就是外层for遍历背包，内层for循环遍历物品**。
- **组合不强调元素之间的顺序，排列强调元素之间的顺序**。
+- 根据题型选择先遍历物品或者背包，
+ **如果求组合数就是外层for循环遍历物品，内层for遍历背包**。
+ **如果求排列数就是外层for遍历背包，内层for循环遍历物品**。
+ **组合数**（顺序不同的序列视为相同）**排列数**（顺序不同的序列视为不同）排列数大于等于组合数！！！。
- 内层循环正序，不要逆序！因为要利用已经更新的dp数组，允许同一物品重复使用！
注意，完全背包和0/1背包的一维dp形式的递推公式一样，但是遍历顺序不同！！
+```java
+public int completeKnapsack(int[] weight, int[] value, int capacity) {
+ int n = weight.length;
+ // dp[j] 表示容量为 j 时的最大价值，初始化为 0
+ int[] dp = new int[capacity + 1];
+
+ // 遍历每件物品
+ for (int i = 0; i < n; i++) {
+ // 完全背包：正序遍历容量
+ for (int j = weight[i]; j <= capacity; j++) {
+ // 如果拿 i 号物品，更新 dp[j]
+ dp[j] = Math.max(dp[j], dp[j - weight[i]] + value[i]);
+ }
+ }
+ return dp[capacity];
+}
+```
+
#### 多重背包
diff --git a/杂项/mermaid画图.md b/杂项/mermaid画图.md
new file mode 100644
index 0000000..5815658
--- /dev/null
+++ b/杂项/mermaid画图.md
@@ -0,0 +1,152 @@
+# mermaid画图
+
+```mermaid
+graph TD
+ A[多智能体随机网络结构分析] --> B[多智能体协同学习与推理]
+
+ A --> A1["谱参数实时估算"]
+ A1 --> A11["卡尔曼滤波"]
+ A1 --> A12["矩阵扰动理论"]
+ A1 --> A13["输出：谱参数"]
+ A --> A2["网络拓扑重构"]
+ A2 --> A21["低秩分解重构"]
+ A2 --> A22["聚类量化"]
+ A2 --> A23["输出：邻接矩阵、特征矩阵"]
+
+
+
+
+
+```
+
+```mermaid
+graph TD
+ B[多智能体协同学习与推理]
+ B --> B1["联邦学习、强化学习"]
+ B1 --> B11["谱驱动学习率调整"]
+ B1 --> B12["自适应节点选择策略"]
+ B --> B2["动态图神经网络"]
+ B2 --> B21["动态图卷积设计"]
+ B2 --> B22["一致性推理"]
+```
+
+```mermaid
+graph TD
+ %% 颜色和样式定义
+ classDef startEnd fill:#e6ffe6,stroke:#333,stroke-width:2px
+ classDef operation fill:#fff,stroke:#000,stroke-width:1px
+ classDef decision fill:#ffcccc,stroke:#000,stroke-width:1px
+ classDef update fill:#ccffcc,stroke:#000,stroke-width:1px
+
+ %% 节点定义（严格按图片顺序）
+ A([开始]):::startEnd
+ B[交易信息\n外部订单号]:::operation
+ C{判断是否为锁单订单}:::decision
+ D[查询拼团组队信息]:::operation
+ E[更新订单详情\n状态为交易完成]:::update
+ F[更新拼团组队进度]:::update
+ G{拼团组队完结\n目标量判断}:::decision
+ H[写入回调任务表]:::operation
+ I([结束]):::startEnd
+
+ %% 流程连接（完全还原图片走向）
+ A --> B
+ B --> C
+ C -->|是| D
+ D --> E
+ E --> F
+ F --> G
+ G -->|是| H
+ H --> I
+ C -->|否| I
+ G -->|否| I
+
+ %% 保持原图连接线样式
+ linkStyle 0,1,2,3,4,5,6,7,8 stroke-width:1px
+```
+
+```mermaid
+graph TD
+ A[用户发起退单请求] --> B{检查拼团状态}
+
+ B -->|拼团未完成| C1[场景1:拼团中退单]
+ C1 --> D1{是否已支付?}
+ D1 -->|未支付| E1[取消订单]
+ E1 --> F1[更新订单状态为2]
+ F1 --> G1[通知拼团失败]
+ G1 --> H1[退单完成]
+ D1 -->|已支付| I1[发起退款]
+ I1 --> F1
+
+ B -->|拼团已完成| C2[场景2:完成后退单]
+ C2 --> D2{是否超时限?}
+ D2 -->|未超时| E2[发起退款]
+ E2 --> F2[更新订单状态]
+ F2 --> H1
+ D2 -->|超时| G2[退单失败]
+
+ style A fill:#f9f,stroke:#333
+ style B fill:#66f,stroke:#333
+ style C1 fill:#fbb,stroke:#f66
+ style C2 fill:#9f9,stroke:#090
+
+```
+
+```mermaid
+flowchart LR
+ %% ===================== 左侧：模板模式块 =====================
+ subgraph Template["设计模式 - 模板"]
+ direction TB
+ SM["StrategyMapper
+ 策略映射器"]
+ SH["StrategyHandler
+ 策略处理器"]
+ ASR["AbstractStrategyRouter
+ 策略路由抽象类"]
+
+ SM -->|实现| ASR
+ SH -->|实现| ASR
+ end
+
+ %% ===================== 右侧：策略工厂与支持类 =====================
+ DASFactory["DefaultActivityStrategyFactory
+ 默认的拼团活动策略工厂"]
+ AGMS["AbstractGroupBuyMarketSupport
+ 功能服务支撑类"]
+
+ DASFactory --> AGMS
+ AGMS -->|继承| ASR
+
+ %% ===================== 业务节点链路 =====================
+ Root["RootNode
+ 根节点"]
+ Switch["SwitchRoot
+ 开关节点"]
+ Market["MarketNode
+ 营销节点"]
+ End["EndNode
+ 结尾节点"]
+ Other["其他节点"]
+
+ AGMS --> Root
+ Root --> Switch
+ Switch --> Market
+ Market --> End
+ Switch -.-> Other
+ Other --> End
+
+ %% ===================== 样式（可选） =====================
+ classDef green fill:#DFF4E3,stroke:#3B7A57,stroke-width:1px;
+ classDef red fill:#E74C3C,color:#fff,stroke:#B03A2E;
+ classDef purple fill:#7E60A2,color:#fff,stroke:#4B3B6B;
+ classDef blue fill:#3DA9F5,color:#fff,stroke:#1B6AA5;
+
+ class SM,SH,Root,Switch,Market,End,Other green;
+ class DASFactory red;
+ class AGMS purple;
+ class ASR blue;
+
+ style Template stroke-dasharray: 5 5;
+
+```
+
diff --git a/科研/mermaid画图.md b/科研/mermaid画图.md
deleted file mode 100644
index 1933395..0000000
--- a/科研/mermaid画图.md
+++ /dev/null
@@ -1,32 +0,0 @@
-# mermaid画图
-
-```mermaid
-graph TD
- A[多智能体随机网络结构分析] --> B[多智能体协同学习与推理]
-
- A --> A1["谱参数实时估算"]
- A1 --> A11["卡尔曼滤波"]
- A1 --> A12["矩阵扰动理论"]
- A1 --> A13["输出：谱参数"]
- A --> A2["网络拓扑重构"]
- A2 --> A21["低秩分解重构"]
- A2 --> A22["聚类量化"]
- A2 --> A23["输出：邻接矩阵、特征矩阵"]
-
-
-
-
-
-```
-
-```mermaid
-graph TD
- B[多智能体协同学习与推理]
- B --> B1["联邦学习、强化学习"]
- B1 --> B11["谱驱动学习率调整"]
- B1 --> B12["自适应节点选择策略"]
- B --> B2["动态图神经网络"]
- B2 --> B21["动态图卷积设计"]
- B2 --> B22["一致性推理"]
-```
-
diff --git a/项目/拼团交易系统.md b/项目/拼团交易系统.md
index 9ea7404..e19eb57 100644
--- a/项目/拼团交易系统.md
+++ b/项目/拼团交易系统.md
@@ -115,8 +115,6 @@ crowd_tags_job 人群标签任务
| create_time | 创建时间 |
| update_time | 更新时间 |
-
-
- 拼团活动表：设定了拼团的成团规则，人群标签的使用可以限定哪些人可见，哪些人可参与。
- 折扣配置表：拆分出拼团优惠到一个新的表进行多条配置。如果折扣还有更多的复杂规则，则可以配置新的折扣规则表进行处理。
- 人群标签表：专门来做人群设计记录的，这3张表就是为了把符合规则的人群ID，也就是用户ID，全部跑任务到一个记录下进行使用。比如黑玫瑰人群、高净值人群、拼团履约率90%以上的人群等。
@@ -313,7 +311,7 @@ EndNode.apply() → 组装结果并返回 TrialBalanceEntity
## 拼团结算
-
+
@@ -376,6 +374,51 @@ EndNode.apply() → 组装结果并返回 TrialBalanceEntity
+## 逆向工程：退单
+
+
+
+逆向的流程，要分析用户是在哪个流程节点下进行中断行为。包括3个场景；
+
+**已锁单、未支付**
+
+- **用户行为**：完成锁单后未发起支付。
+- **结果**：订单超时自动关单。
+- 补偿
+ - 若用户在临界时刻支付，则需执行“逆向退款”流程——退还支付金额并告知“优惠已过期，请重新参与”。
+ - 否则该订单自动失效，释放拼团名额给后续用户。
+
+**已锁单、已支付，但拼团未成团**
+
+- **用户行为**：完成支付，组团人数不足暂未成团。
+
+- 补偿策略
+
+ （可配置优先级）：
+
+ 1. **先退拼团，再退款，**
+ 2. **先退款，再退拼团**
+
+- 具体执行哪种方式，可由拼团活动策略决定——“优先保障个人”或“优先保障成团”。
+
+**已锁单、已支付，且拼团已成团**
+
+- **用户行为**：支付成功，且组团人数已凑齐。
+- 补偿流程
+ - 先退还用户支付金额；
+ - 再撤销对应的拼团完成量。
+- **注意**：已成团订单视为“已完成含退单”，仍然成团、不再开放新用户参与，确保团队成团状态一致。
+
+
+
+### 策略模板应用
+
+根据订单状态和拼团状态动态选择退单策略。
+
+
+
+
+
## 收获
### 实体对象
@@ -727,7 +770,7 @@ while 循环：
### 规则树流程
-
+!
**整体分层思路**
@@ -814,10 +857,10 @@ private Map discountCalculateServiceMap;
**字段类型**：`Map`
-- key—— Bean 的名字
+- key—— **Bean 的名字**
- 默认是类名首字母小写 (`mjCalculateService`)
- 或者你在实现类上显式写的 `@Service("MJ")`
-- **value** —— 那个实现类对应的实例
+- **value** —— 那个实现类对应的**实例**
- **Spring 机制**：
1. 启动时扫描所有实现 `IDiscountCalculateService` 的 Bean。
2. 把它们按 “BeanName → Bean 实例” 的映射注入到这张 `Map` 里。
@@ -1624,3 +1667,125 @@ List list = getFromCacheOrDb(
| 运维依赖 | **无**：不依赖外部组件 | **有**：需维护高可用的 Redis 集群，增加运维成本 |
目前本项目使用的是分布式限流，用Redisson
+
+
+
+### 日志系统
+
+#### 输出流向一览
+
+输出到3个地方：控制台、本地文件、ELK日志（服务器上内存不足无法部署！）
+
+| 日志级别 | 控制台 | 本地文件（异步） | Logstash (TCP) |
+| ----------- | ------ | ----------------------------- | -------------- |
+| TRACE/DEBUG | — | — | — |
+| INFO | ✔ | `log_info.log` | ✔ |
+| WARN | ✔ | `log_info.log``log_error.log` | ✔ |
+| ERROR/FATAL | ✔ | `log_info.log``log_error.log` | ✔ |
+
+> 注意：实际写文件时，都是通过 ASYNC_FILE_INFO/ERROR 两个异步 Appender 执行，以免日志写盘阻塞业务线程。
+
+#### ELK日志系统
+
+本地文件每台机器都会在自己 `/data/log/...` 目录下滚动输出自己的日志，互相之间不会合并。
+
+如果你希望跨多台服务器**统一管理**，就需要把日志推到中央端——ELK日志系统
+
+ELK=Elasticsearch（存储&检索）+ Logstash（采集&处理）+ Kibana（可视化）
+
+docker-compose.yml:
+
+```yml
+version: '3'
+services:
+ elasticsearch:
+ image: elasticsearch:7.17.28
+ ports: ['9201:9200','9300:9300']
+ environment:
+ - discovery.type=single-node
+ - ES_JAVA_OPTS=-Xms512m -Xmx512m
+ volumes:
+ - ./data:/usr/share/elasticsearch/data
+ logstash:
+ image: logstash:7.17.28
+ ports: ['4560:4560','9600:9600']
+ volumes:
+ - ./logstash/logstash.conf:/usr/share/logstash/pipeline/logstash.conf
+ environment:
+ - LS_JAVA_OPTS=-Xms1g -Xmx1g
+ kibana:
+ image: kibana:7.17.28
+ ports: ['5601:5601']
+ environment:
+ - elasticsearch.hosts=http://elasticsearch:9200
+networks:
+ default:
+ driver: bridge
+
+```
+
+kibana配置：
+
+```yml
+#
+# ** THIS IS AN AUTO-GENERATED FILE **
+#
+
+# Default Kibana configuration for docker target
+server.host: "0"
+server.shutdownTimeout: "5s"
+elasticsearch.hosts: [ "http://elasticsearch:9200" ] # 记得修改ip
+monitoring.ui.container.elasticsearch.enabled: true
+i18n.locale: "zh-CN"
+```
+
+logstash配置:
+
+```conf
+input {
+ tcp {
+ mode => "server"
+ host => "0.0.0.0"
+ port => 4560
+ codec => json_lines
+ type => "info"
+ }
+}
+filter {}
+output {
+ elasticsearch {
+ action => "index"
+ hosts => "es:9200"
+ index => "group-buy-market-log-%{+YYYY.MM.dd}"
+ }
+}
+```
+
+自己的项目：
+
+```java
+
+
+
+
+
+
+ ${LOG_STASH_HOST}:4560
+
+
+```
+
+```xml
+
+ net.logstash.logback
+ logstash-logback-encoder
+ 7.3
+
+```
+
+**使用**
+
+检查索引：curl http://localhost:9201/_cat/indices?v3
+
+打开 Kibana：浏览器访问 `http://localhost:5601`，新建 索引模式（如 `app-log-*`），即可在 Discover/Visualize 中查看与分析日志。
+