一句话定义：批处理（Batch Processing）是把一段时间的数据攒成一批，到点一次性算完；流处理（Stream Processing）是数据一条条到达，边到边算。
打个生活化的比方
批处理像月底看信用卡账单：一个月里所有消费先记着，月底一起出汇总。流处理像每刷一笔，手机立刻弹一条通知——这笔钱刚花出去，结果就出来了。
两种方式没有高下，只有合不合适。账单你要的是“准”，通知你要的是“快”。
差别到底在哪
| 维度 | 批处理 | 流处理 |
|---|---|---|
| 延迟 | 分钟到小时，甚至按天 | 毫秒到秒 |
| 数据视角 | 全量、有界 | 增量、无界（不断到来） |
| 成本 | 可以错峰跑，机器闲时用 | 需要 7×24 常驻，通常更贵 |
| 容错 | 失败重跑整批，结果可复现 | 要处理乱序、迟到数据、断点续跑，靠窗口（window）和检查点（checkpoint） |
| 结果 | 确定、可重算 | 多为窗口内结果，或近似值 |
一句话概括取舍：批处理用“等”换准确和便宜，流处理用“贵”换即时。
AI 里的分工：离线训练 vs 实时特征
这两套东西在 AI 系统里是搭档，不是对手。
离线训练走批处理。推荐、风控、搜索排序的模型，通常拿几周甚至几个月的历史数据跑全量，几小时出一版完全可接受。批处理能反复重跑、结果可复现，这对调参和回溯问题很重要。
在线推理要流处理。用户刚点了什么、刚搜了什么，这类特征必须现算现用。比如“过去 5 分钟点击次数”“当前购物车金额”，如果等第二天批处理算出来，特征早就过期，模型等于拿旧地图导航。
这里有个容易踩的坑：训练-服务偏差（training-serving skew）。离线用批处理算特征、线上用流处理算特征，两边口径稍有不一致（比如时间窗口差一分钟、空值处理不同），模型线上表现就会莫名变差。所以特征平台通常要求同一份特征定义，两套引擎各算一遍，并做一致性校验。
工程上还有 Lambda 架构（离线层 + 加速层）和 Kappa 架构（全走流）的分野，近年“流批一体”的引擎也在减少两套代码的重复维护——具体支持程度以官方文档为准。
对普通职场人的意义
你每天的日报、月度经营分析、年终盘点，本质都是批处理；系统告警、支付风控拦截、外卖骑手位置更新，是流处理。
所以遇到“要不要上实时”的讨论，别先问技术栈，先问一句：这件事晚一小时知道，会不会误事？ 会，就流；不会，攒一批算更省事也更省钱。