Kafka用于流式传输、Redis用于在线服务、Iceberg用于离线归档、向量数据库用于语义检索——能力不断叠加，却从未真正收敛。“多系统税”正在成为实时基础设施最大的隐性成本。Apache Fluss提供了一种根本不同的设计：一个流式优先、湖仓原生的列式存储底座，将事件传输、KV服务、列式分析与AI上下文收敛到统一存储之上，让“同步问题”不再需要解决。

企业实时基础设施的演进往往遵循相似路径：流式写入与CDC引入Kafka；流式分析引入Flink；实时数据处理与复杂事件处理暴露有状态Flink的脆弱性；实时机器学习与特征工程形成训练-服务偏差；实时AI系统与上下文工程引入会话记忆、实体记忆与向量知识库。每增加一类需求就增加一道一致性边界，最终形成多系统堆叠。多系统税的核心代价是工程投入不是在打磨模型上，而是在维护各系统之间的数据一致性上。

事件写入、快速KV服务、流式特征、历史存储、语义层、审计追踪——如果单一存储层能原生提供这六项能力，同步问题就不需要解决。这正是Apache Fluss的设计出发点。

Fluss集群由CoordinatorServer（协调层）、TabletServer（数据面，可水平扩展）、元数据存储三层组成。客户端获取路由元数据后直接与TabletServer交互，协调节点不参与数据路径。TabletServer管理一组Bucket，每个Bucket的Leader副本同时维护日志存储（仅追加的日志段）和KV存储（RocksDB LSM树，仅主键表具备）。

日志表存储不可变的、按Offset有序的事件流，默认Arrow列式格式使服务端可执行列投影与谓词下推。主键表是流/表对偶的体现：同一份数据同时以Changelog（事实源）和每主键最新行的KV视图（物化形式）两种形式暴露。写入到达时，两种视图在Leader上同步前进，以强一致性维护。主键表支持first_row、versioned、aggregation三种合并引擎。

Tier 1热层（本地实时写入）、Tier 2 Fluss原生远程（故障转移与训练读取）、Tier 3开放湖仓（Iceberg/Paimon/Lance，任何引擎可读）。分层服务将日志归档至Tier 3，Union Read使查询自动跨越热冷边界，列裁剪、谓词下推与分区裁剪在每层分别生效。

Fluss将状态外置到主键表，Flink作业简化为纯计算进程：恢复从分钟级降至秒级，弹性伸缩无需重新分配状态。Delta Join借助主键表实现无状态双流Join，基准测试显示CPU从106核降至14-16核，Checkpoint从90秒降至1秒。聚合合并引擎在Leader写入时执行读-改-写聚合，部分更新实现无需Join的数据打宽。

训练与服务从同一主键表读取（服务读当前KV状态，训练读时间点快照），训练-服务偏差从结构上消除。Fluss为LLM/Agent系统提供会话记忆（日志表）、实体记忆（主键表）、行为信号（聚合特征），向量记忆可配对Lance等引擎。虚拟表将同一物理表投影为多个逻辑视图，不复制状态。