在 Flink 中，KeyedState 与 OperatorState 各自的定位是什么？二者在使用场景和状态管理上如何协同配合？

回答思路

1. 【回答框架 1】KeyedState 与算子并行子任务上的键相关联，每个键对应一份独立状态。它只能用于 keyed stream，典型实现包括 ValueState、ListState、MapState 等。
2. 【回答框架 2】OperatorState 是算子级别的状态，不与键绑定，每个并行子任务维护一份状态。典型实现是 ListState，用于像 Kafka offset 这类需要均匀切分的场景。
3. 【回答框架 3】实际配合使用时，同一算子内可同时声明两类状态：用 KeyedState 处理按 key 维度的业务聚合，用 OperatorState 管理算子自身的运行元数据。Flink 对两类状态采用一致的快照与恢复机制。
4. 【回答框架 4】Checkpoint 触发时，Flink 会将 OperatorState 与 KeyedState 都写入持久存储；恢复时，KeyedState 按 key 重新分布到对应子任务，OperatorState 按算子并行度重新分配。
5. 【回答框架 5】选择依据：需要按 key 去重、累加等逻辑用 KeyedState；需要记录整个算子的全局进度或实现 source 分片分配则用 OperatorState。两者互补，共同完成有状态流处理。
6. 【关键点 1】KeyedState 按 key 隔离，OperatorState 按算子实例隔离
7. 【关键点 2】KeyedState 关联 keyed stream，OperatorState 可用于非 keyed 算子
8. 【关键点 3】Checkpoint 统一快照两类状态，恢复时各自按规则重分布
9. 【易错点 1】不能在非 keyed 算子中直接使用 KeyedState，需先做 keyBy
10. 【易错点 2】OperatorState 不能按 key 取值，只适合算子级元数据或分片信息
11. 【易错点 3】状态规模过大时需关注存储与 checkpoint 性能，但这里仅提示风险