很多团队设置了 maxmemory-policy，就以为 Redis 会像一个精确缓存那样自动保留最有价值的数据。这个理解有风险：Redis 的 LRU/LFU 都是近似算法。
当 used_memory 超过 maxmemory，Redis 会根据策略选择候选 key。候选不是全量排序，而是采样；策略也要区分 allkeys、volatile 和 noeviction。
先把机制边界说清楚
这一篇讨论内存达到上限后的淘汰决策，不讨论过期删除。过期是 key 的生命周期，淘汰是内存压力下的牺牲选择。
整体路径
上面这张图先把主线铺开：策略决定候选池，采样决定被淘汰对象。读 Redis 这类系统，最重要的是别只停在命令接口，要继续追问它在内存里是什么形状、在主线程上走多远、失败时会留下什么状态。
底层机制
allkeys-*可以从所有 key 中淘汰，适合纯缓存实例。volatile-*只淘汰设置了 TTL 的 key，适合缓存和非缓存混用时的有限保护。- LRU 和 LFU 都通过元信息和采样近似实现，不维护全局精确链表。
noeviction会在内存不足时让写命令报错，读命令仍可继续。
这些机制放在一起看，就能把「这个命令能不能用」改成「这个命令在当前数据规模下还便不便宜」。Redis 的很多坑，不是命令本身错了，而是数据规模和访问方式已经越过了它的舒适区。
取舍与边界
淘汰策略不是兜底神器。把缓存数据和准持久数据混在同一个实例里，再指望策略自动理解业务优先级，迟早会翻车。
典型问题：用机制化例子排查
- 纯缓存实例优先
allkeys-lfu或allkeys-lru，业务状态数据尽量独立实例。 - 使用
volatile-*时确保应被淘汰的 key 都设置了 TTL。 - 监控 evicted_keys、hit rate 和内存曲线，淘汰增加说明容量或热点模型已变化。
- 不要用淘汰策略掩盖大 key、热 key 和缓存雪崩问题。
收束：一句判断
淘汰策略能帮你降级，但不能替你做数据分级。
关于十三Tech
我是十三，All in AI Agent 方向的架构师，专注 AI 工程实践。
我相信 AI 是程序员的最佳搭档，也希望帮助每一位开发者更好地驾驭 AI。
如果你想继续跟完这套「图解 Redis」，欢迎关注公众号 「十三Tech」。后续会继续按数据结构、底层机制、持久化、高可用和实战排查这条线更新。
