面灵AI→

爱诗科技 AI 全栈二面:集群限流、Redis 令牌桶与链表重排的场景追问

轮次
二面
时间
2026-11
来源
牛客网

《面试题目》

开场与项目

  1. 请简单做个自我介绍。
  2. 选一个你做过的项目,讲讲背景、开发思路和遇到的难点。

场景设计

  1. 设计一个工具:同一个需求经过多轮规划和修改,怎样把分散的记录关联到对应的需求或代码提交?
  2. 怎样从执行记录中找出资源消耗异常的任务,并验证重复操作是否是原因?

Java 基础与并发

  1. 你比较擅长哪些技术?
  2. Java 的 HashMap 底层是怎么实现的?
  3. Java 中有哪些线程安全的 Map?它们分别如何保证线程安全?

限流

  1. 服务 A 和服务 B 都有多个实例,如何限制整个 A 集群调用 B 的总 QPS?
  2. 如果用 Redis 实现令牌桶,Key 和 Value 怎么设计?怎么按指定速率补充令牌?需要定时任务吗?有没有更简单的 Redis KV 设计来限流?一条 Redis 命令能做到什么程度?
  3. 固定窗口限流为什么可能在窗口边界出现接近两倍上限的流量?

手撕

  1. 如何重排一个单向链表,使节点按首、尾、第二个、倒数第二个的顺序交替排列?例如把 1 → 2 → 3 → 4 → 5 改为 1 → 5 → 2 → 4 → 3。单向链表怎么处理尾端节点?请写出实现,并分析时间和空间复杂度。

收尾

  1. 你未来有什么职业规划?希望做哪类工作?
  2. 反问:如果有机会加入团队,这个岗位可以参与哪些工作?

《参考解析》

执行记录怎么关联回需求与代码提交:核心是给一次需求一个贯穿全链路的标识,而不是事后靠文本去猜。需求侧生成一个稳定的 requirementId,它随每一次规划、每一轮对话、每一次工具调用与提交一路透传:模型产出的计划带上它,工具调用的入参与出参记下它,代码提交在 message 或 PR 描述里带上它,CI 与部署记录再把它沿链路往下带。这样任何一条记录都能反查到需求,反之亦然。多轮修改会分裂出分支版本,因此还要记录 parentRunId 与计划版本号,形成一棵可追溯的树。文本层面的相似度匹配只能做补充手段——它能把历史数据临时对齐,但一旦命名或表述变化就会失效。

资源消耗异常的定位与归因:先建立可比的基线,再谈异常。按任务类型、模型、输入规模分组,统计 token 消耗、工具调用次数、墙钟耗时、重试次数的分位数(P50/P95/P99),单条记录超过同组 P99 或偏离自身历史中位数数倍即标记为候选异常。归因时看三点:一是输入侧是否有超长上下文或大文件;二是调用侧是否有重复调用、重试风暴、循环规划;三是输出侧是否有截断导致的反复续写。验证「重复操作是原因」要用对照而不是猜测:把同一任务的执行轨迹按工具与参数归一化后做频次统计,看是否存在同参数连续重复调用;有条件时重放该任务,观察去掉重复调用后消耗是否回落到基线;也可以对比同类任务在幂等缓存命中与未命中两种情况下的消耗差。

HashMap 的底层结构:JDK 8 是数组 + 链表 + 红黑树。put 时先由 hash(key) 扰动(高 16 位异或低 16 位)再对容量取模定位桶;桶空则直接放,非空则比较哈希与 equals,相同则覆盖,不同则尾插链表;链表长度达到 8 且容量不小于 64 时树化为红黑树,退化到 6 时链化。扩容阈值为容量乘以负载因子(默认 0.75),扩容翻倍并做高低位拆分,JDK 8 因此避免了 JDK 7 头插法在并发扩容下成环的问题。要能顺带说明:容量恒为 2 的幂是为了用位运算取模,扰动函数是为了让高位也参与定位、减少碰撞。

线程安全的 Map:Hashtable 用 synchronized 修饰整张表的方法,全表串行,基本已被弃用;Collections.synchronizedMap 是同一思路的包装器,遍历仍需外部加锁;ConcurrentHashMap 是正解,JDK 7 用分段锁(Segment 继承 ReentrantLock,锁粒度是段),JDK 8 改为 CAS + synchronized 锁单个桶头节点,并发度等于桶数量,扩容时多线程协助迁移。此外 ConcurrentSkipListMap 基于跳表,无锁读、有序,适合需要按 key 排序的并发场景。答题要点是讲清「锁的粒度从表降到段再降到桶」这条演进线索,以及为什么读操作在 JDK 8 可以完全无锁(volatile 保证可见性)。

集群总 QPS 的限流落点:单机限流只能保证每台机器不超,集群总量会随实例数线性放大,所以总量必须有一个共享的计数中心。常见做法是把限流器放到调用方与服务方之间的公共位置:网关层统一限流(最简单,但要确认所有调用都经过网关);或者用 Redis 做分布式计数器,每次调用前 INCR 并设置过期,超过阈值即拒绝,代价是每次多一次网络往返,可用本地批量预取额度降低开销;也可以用中心化的令牌桶服务按实例配额下发令牌,各实例本地消费。要说明取舍:Redis 方案强一致但有延迟与单点压力,本地预取方案吞吐高但存在配额浪费与短暂超发。

Redis 令牌桶的键值设计与补充方式:Key 形如 rate:{resource}:{windowStart} 或直接 bucket:{resource},Value 用 Hash 存 tokens 与 lastRefillMs——只存令牌数不够,因为不知道上次补充到什么时候。补充有两种做法:定时任务按固定间隔 HINCRBY 补令牌并 HDEL 过期桶,实现简单但要维护调度、且桶多时任务压力大;更常见的是惰性补充,每次请求时用 Lua 脚本读出 tokens 与 lastRefillMs,按 (now - lastRefillMs) * rate 算出应补数量、取 min(capacity, tokens + delta),判断是否够用后写回,同一个脚本内完成「算补充 + 判断 + 扣减 + 更新lastRefillMs」,天然原子,也不需要定时任务。

一条 Redis 命令能做到什么程度:INCR 加 EXPIRE 可以做最简的固定窗口计数——用一个按窗口命名的 Key,第一次 INCR 后设置过期时间,返回值为当前窗口内的请求数。它的问题是边界效应与「先自增再判断」的超发(并发下多个请求同时读到临界值),而且 INCR 与 EXPIRE 是两条命令,中间失败会留下永不过期的 Key。要更严谨就必须上 Lua 脚本或 Redis 7 的 EXPIRE NX,把判断与写入合成一次原子操作;令牌桶与滑动窗口这类需要读改写多个值的逻辑,一条原生命令做不到,Lua 是最小代价的方案。

固定窗口的边界问题:固定窗口把时间切成不重叠的桶,每桶独立计数。假设上限 100 次/分钟,用户在 12:00:59 用满 100 次、12:01:00 又用满 100 次,这两批请求都合法,但落在任意连续 60 秒内的实际速率达到 200 次——接近两倍上限。根治办法是滑动窗口:记录每个请求的时间戳或用多个小格(如 1 分钟切 6 个 10 秒格)做加权统计,或者直接用令牌桶 / 漏桶把速率平滑到任意时刻。工程上常用「固定窗口 + 每格细分」折中,用少量精度换取可控的内存与计算。

单链表首尾交替重排:三步走。第一步用快慢指针找中点,把链表切成前后两半(1→2→3 与 4→5,注意奇数个节点时前半多一个);第二步把后半段原地反转,4→5 变成 5→4;第三步把两段交替合并,每次从前半取一个、从后半取一个,串成 1→5→2→4→3。三个步骤都是原地操作,时间复杂度 O(n),空间 O(1)。边界要处理:空链表、单节点直接返回;偶数节点时后半段与前半段等长,合并到最后一次后半段为空即停;反转后要在合并时把每个节点的 next 重新指向,避免残留成环。面试时先说清三步,再动手写,比直接写更容易过。

项目复盘与职业规划:项目不要平铺直叙,按「背景—我的职责—关键决策—结果—复盘」讲,重点放在至少一个可被追问的决策点上(为什么选这个方案、替代方案是什么、踩过什么坑),面试官几乎一定会顺着这个点往下问。职业规划那题讲方向与匹配度,不讲职级时间表:说清你想在哪个技术方向做深(例如把 AI 应用侧的工程化做扎实),以及这个岗位能提供什么对应的场景。