一面

• 自我介绍
• 找工作优先南京？
• 为什么想做toC业务而不是toB？
• 挑一个项目比较有挑战性的地方介绍？讲了rag企业知识库的背景
• 做这个项目有什么收获？拓宽了技术栈 es kafka
• kafka使用的详细场景介绍下？对用户上传文档——文档向量化解析两个操作进行异步解耦，优化用户体验
• 文件上传这一块的并发量大概是多少？随便编了一个QPS在100左右
• 异步操作为什么选择消息队列而不是其他方案？为什么使用kafka而不是其他消息队列？
  • 像redis，zookeeper也可以实现简单的消息队列（pub/sub），但无法支持更复杂的功能（如重试机制、持久化等）
  • 选择kafka而不是mq的原因一方面是自己想学习这方面技术，另外也是rocketmq相比kafka更适合这个场景（这里追问为什么适合 不了解），也能保证高可用和高性能、消息不丢这种
• 追问：那你运用到了kafka，是怎么保证消息不丢的？
  • 生产者设立确认机制，设置acks=all，保证消息写入broker所有节点
  • broker设置replica副本数为3，保证持久性
  • 消费者建立确认机制
• kafka具体是怎么使用的？
  • 代码实现就是定义了生产者和消费者
  • 生产者部分：当用户分片上传文档且minIO合并操作完成后发送一条消息给topic a
  • 消费者部分：订阅该topic，有消息时获取消息内的对应信息，然后执行文档向量化操作
• 文档向量化操作是什么，详细解释下？
  • 正常关键词检索只需要比对原始上传文档和用户查询词即可，但无法实现语义查询（如查询“雪糕”返回“冰淇淋”）
  • 对上传合并后的文档执行分块chunk操作，然后对每个chunk执行向量化service，并将对应向量存到es中，当用户输入query的时候计算输入query的向量，然后进行向量相似度比对，语义越相近比对分数越高，搜索排名越靠前，最后返回topK条结果
• 向量化服务是你们自己实现的还是调用了已有的服务？
  • 向量化本地也可以实现（？不太确定），但考虑到机器计算成本和执行效率，最后还是采用调用第三方embedding api完成，所谓的向量实际就是计算得到的固定长度（维度）的float数组
• 那你这个向量的存储是实时的吗，还是每次用户查询都要现算？
  • 针对用户query的向量化是每次查询实时计算的，但是用户上传的知识库向量化是异步在后台完成的
• 那向量化api具体的响应时间是多少？
  • 这个根据向量的输入token长度决定，长度为几十的token通常几百毫秒左右，但针对长文本（如十几兆的txt）等可能会有所增加，具体时间不清楚
• 那你的整个用户提问——检索——生成总服务的qps大概是多少？
  • 会根据知识库规模增大而提升，如果只有十几个小型知识库 那么qps可以达到100左右，如果是成百上千条文档，那么性能瓶颈就会体现在es的检索部分，qps下降至几十左右
• 你是如何定位并发现这块的性能瓶颈的？具体是怎么做的
  • 我们邀请了几百个用户使用，根据他们的使用反馈进行迭代测试
  • 有用户反馈初期知识助手检索问答很快，使用人数增加后响应时间变慢
• 那你是如何考虑优化的？
  • 优化方向主要是技术替换，使用专业的向量数据库替换es（如faiss）
  • 或者对代码检索逻辑进行改进，比如把检索方法从knn替换成hnsw（不知道es原生是否支持）
• 笔试成绩是49.59分，排名41,39%，编程ac了1道剩下两道部分通过， 怎么看？
• java的学习方式
• Spring最大的特点是什么？这里扯了springboot的特点，约定大于配置，IoC和DI，AOP，快速启动starter等等
• 追问：什么场景需要AOP？可以抽离出公共逻辑的场景（如记录日志）等
• 追问：如果一个方法上定义了两个AOP，那么他们的执行顺序是什么？不太了解，随便扯了下around beforeall before afterall after，一般顺序是beforeall- before-around-after-afterall，可能还有只执行一次的
• 追问：那如果我两个AOP都是@Around呢，具体的执行顺序是什么？不清楚，可能根据方法名或者扫描的顺序决定，也可能跟@Order定义的优先级有关（不了解）
• Full gc问题怎么解决？
  • 讲了排查思路 先硬件再软件，看运维平台指标和告警，去服务器看日志信息，执行jstus命令和jdump命令定位具体方法，然后优化对应语句（try-with-resouce,finally及时释放资源），扩容（将机器内存从8g->16g）等多种方法
• mysql中什么场景下会出现死锁？
  • 讲了死锁产生的四个条件（互斥 请求和保持 不剥夺 环路等待） 引申到mysql中就是比如两个事务互相持有对方需要的资源并构成了请求链
• 那怎么去解决死锁呢？
  • 对于上面所讲的例子只需要调整请求资源的顺序就可以了

反问，具体业务（贷款？） toBtoC都有  技术栈都比较符合

二面是HR面，比较奇怪

• 自我介绍
• 一面的体验
• 什么渠道了解我们公司的
• 本科和硕士转专业，为什么做java？
• 离职了对吧？当时怎么获得实习机会的
• 实习的核心工作？两个组
• 比较大的困难？举了需求case
• 除了问别人还有哪些渠道或者方法？wiki，ai
• 有实习转正吗？有 考虑北京不想去
• 有对象吗
• 选择平台关注的信息？地域>薪资>其他
• 有投递其他公司吗？
• 除了地域 其他比如导师 成长空间 技术栈更看重哪个？起点 技术

反问：部门业务（进去再划分） 培养机制 催尽快进度

三面主管面

• 自我介绍
• 熟悉哪个项目 ai
• 业务角度：介绍下面向的目标用户？所有企业员工
• 怎么衡量这个系统的好坏？主观评价（用户点赞点踩反馈） + 客观指标（准确度 + 召回率）
• 具体的准确率指标是多少？准确率0.9，召回率0.74
• 具体的项目架构是什么，微服务还是什么？Springboot单体前后端分离项目
• 你觉得最大的难点是什么？分片上传
• 你提到了分片上传和断点续传，这两者的关系是？分片上传是实现断点续传的一种方式，但不唯一
• 追问：除了分片还有哪些方式实现断点续传？不知道
• 追问：假设有两种实现方式，一种用redis缓存各分片上传状态，另一种直接记录当前上传进度点，你觉得这两种方式各自的优缺点和适用场景？第一种不适合分布式场景，第二种实现可能简单
• 还有哪些难点？讲了kafka异步，超大文件上传解析如何保证不oom
• 如果企业级商用，你觉得还有哪些地方需要改进？重新做技术选型，
• 如何写出好的代码？命名规范，遵守开发手册，考虑更多边界情况（空值等），自己测试
• 挑一个你觉得熟悉的中间件讲一下：mysql
• 你提到了索引，除了满足最左匹配原则外还应该满足什么？多使用联合索引，避免索引列执行函数操作，注意隐式转换
• 追问：为什么不能在索引列上执行函数操作？可能会创建临时表，不清楚
• 场景：假如我有同一张表，一个在测试环境可以走索引，另一个在生产环境发现没有走索引，你觉得可能的原因是？可能跟数据的规模量有关，mysql的服务层的优化器会根据io消耗和cpu消耗选择最终的执行计划，可能因为生产环境数据量太多，走索引反而不如全表扫描耗时短

同一条 SQL 在测试环境走索引，在生产环境不走索引，通常是因为成本优化器根据两环境的统计信息和数据分布，做出了不同的执行计划选择。

生产环境的数据量更大、数据分布不同、索引选择性变差，优化器可能认为“索引扫描 + 回表”成本更高，而“全表扫描”更便宜，从而不走索引。

除此之外，还有很多常见原因会导致索引失效，包括：

1）统计信息不同或过期

InnoDB 使用采样统计，两环境数据分布不一样，可能导致优化器误判索引选择性。可以通过 ANALYZE TABLE 更新统计信息。

2）SQL 写法在生产环境触发了索引失效

• 隐式类型转换（如 int 列用字符串比较）
• 在索引列上使用函数或表达式
• 前缀模糊搜索 %xxx
• 字符集 / 排序规则不同

3）索引本身的质量不同

• 索引碎片严重
• 索引选择性非常差（比如 sex、status）

4）数据库配置或版本不同

不同的 MySQL 版本或优化器参数可能影响执行计划。

**总结一下：**差异通常来自 SQL 写法、统计信息不一致、数据分布不同、索引选择性差，以及优化器参数不同。实际排查时通常先看 EXPLAIN、检查统计信息、执行 ANALYZE TABLE，并对比两环境的表结构和执行计划。

• 追问：如果用mysql存18位身份证号，现在需要对后六位执行查询操作，有哪些方法？将身份证号细分为地区+出生日期+xx+后六位 执行查询
• 追问：如果不拆分表项应该怎么做？ 用”%like”但效率低，可以用mysql倒排索引  后面想了下或许可以reverse配合like做
• 手撕：两个有序数组a[1,3,5,6]，b[2,3,5,7],求两个数组中的共同元素数组c[3,5]

说了三种方法，hashset, hashmap（这两种都没用到有序特性），双指针

• 追问：双指针这种思路在编写时需要注意什么情况？ 注意单个数组是否有重复元素，以及遍历结束条件判断等
• 追问：双指针方法的复杂度是多少？假设数组长度分别为n和m，时间复杂度O(m+n) 空间复杂度O(1)
•  
• 场景：假设有很大量级的数据（如数字），内存中无法全部放下，如何快速判断？ 借助堆排序，或者说分段的思想，将总数据分块，然后对每个分块数据用一个指针比较
• 追问：你说的这种方法是指对分块数据遍历吗，这种情况必须要求原数据有序吧？确实 ，如果无序的话可以借助bitmap思想，假设有一亿数据，就设置2^10*10^9bit 每位0 1 表示元素是否存在
• 追问：那如果不是数字而是字符类型呢？用布隆过滤器的思想，设定多个hashmap计算对应为是否为1，这也是布隆和bitmap的区别，布隆不要求字符类型必须为数字
• 追问：你说的这种方法有误判率，还有没有更好的方案？不知道
• 聊聊jvm，你对不同垃圾回收器（如g1 cms）的理解，和你认为以后gc的发展趋势？没答上来，后期反问提示要根据微服务内容和大内存机器，以及STW来思考
• 聊聊你的优缺点
• 聊聊自己觉得具备内驱力的一件事

反问，金融方向，早期用美团中间件现在自研 后期等hr通知