阿里云AI应用开发一面:代码找错与RAG八股
- 轮次
- 一面
- 结果
- 已挂
- 时间
- 2026-09
- 来源
- 牛客网
《面试题目》
代码题(前两题可以用 AI 辅助)
- Java 代码找错:用
notify和wait实现了一个栈,有生产者和消费者。 - 100 块的红包,10 个人分,每个人分到的金额不能超过 90 块,实现一个算法。
- 爬楼梯。
面试问题
- 自我介绍
- 什么叫大模型幻觉?
- 有什么方法可以减少或者避免大模型幻觉?
- RAG 是什么?一次完整的 RAG 包含哪些流程?
- 假设你是一个负责人,同事 A 和同事 B 都开发了一套 RAG,你怎么选择?从哪些层面考虑?
- MCP 是什么?
- 设计一个商品页面的增删改查,商品很多,要支撑几十亿到几百亿商品的增删改查,设计库和表的过程中你会考虑什么?
- 平时用什么 AI coding 工具?
反问:组里干什么(短信验证码、语音模型给用户打电话)?什么技术栈(Java 那一套)?
《参考解析》
wait/notify 实现栈的常见错误:① wait() 必须放在 while (!条件) 里而不是 if 里——被唤醒后条件可能已经被别的线程改掉,JDK 也允许虚假唤醒,用 if 会直接走错分支;② 必须持有同一个对象的 monitor(同一个 synchronized 锁)才能调 wait/notify,否则抛 IllegalMonitorStateException;③ 生产者和消费者共用一个条件队列时用 notify() 只唤醒一个线程,可能唤醒的是同类线程导致双方都睡死,规范做法是 notifyAll(),或者用 ReentrantLock 的 notFull / notEmpty 两个 Condition;④ 修改状态和通知的先后顺序、异常路径下的锁释放、以及栈满/栈空的判断条件都要写对;⑤ 工程上根本不该手写,直接用 ArrayBlockingQueue / LinkedBlockingQueue。
红包算法(100 元 / 10 人 / 单人 ≤ 90):先做可行性判断——总额 100 落在 [10 × 最小额, 10 × 90] 区间内,有解。常用两种做法:① 二倍均值 + 上限修正:每次随机区间取 [0.01, min(剩余均值 × 2, 90, 剩余金额 − 0.01 × 剩余人数)],最后一人拿剩余;这个写法天然保证每人 ≥ 0.01 且不超过上限。② 先切分后修正:按二倍均值切出 10 份,把超过 90 的部分回收再分配给未达上限的人,直到收敛。实现上必须用「分」做整数运算避免浮点误差,并且每一步都校验「剩余金额 ≥ 剩余人数 × 0.01」,否则后面必然出现负数或无解。可以补一句产品视角:真实红包还会要求方差可控(不要出现一人 90 其余人分 10)和并发安全(用 Redis 原子扣减预分配总额)。
大模型幻觉与缓解:幻觉指模型生成了流畅但不真实、无出处的内容,来源包括预训练语料中的噪声与长尾知识缺失、解码采样的随机性、以及「必须回答」的指令压力。缓解手段分四层:检索层——RAG 引入外部事实并要求给出引用;工具层——用检索/计算/代码执行做事实核验,让模型「查了再说」;解码层——降低温度、约束解码、self-consistency 多次采样投票;训练层——SFT/RLHF 教会模型说「不知道」,做事实性对齐;产品层——展示引用来源、给出置信度、关键场景人工复核。要强调这些手段只能降低概率,不能根除。
RAG 的完整流程:离线侧是文档接入(PDF/HTML/表格的解析与版面还原)→ 清洗去噪 → 切分(按标题层级/语义切,保留重叠窗口)→ 生成 embedding → 写入向量库并带上元数据;在线侧是 query 改写与扩展 → 多路召回(向量 + BM25 关键词混合)→ 重排(cross-encoder 精排、去重、多样性)→ 上下文拼装(截断、加引用标记)→ LLM 生成 → 后处理(引用校验、无依据则拒答)。工程上还要有增量更新、权限过滤(不同用户可见文档不同)、缓存,以及一套评测集(检索命中率、答案忠实度、拒答率)。
怎么在同事 A、B 的两套 RAG 之间选:从五个层面打分:效果(离线评测集 + 人工盲评 + bad case 分布)、成本(单次查询的模型/向量库/重排开销,含 token 单价)、性能(端到端 P95 延迟、吞吐、并发下的稳定性)、工程(可维护性、增量更新与数据同步、可观测性、与现有工具链的契合度)、风险(数据安全与权限、供应商锁定、幻觉兜底策略)。落地方式是先定义权重和评测集,再跑线上 A/B 实验用真实业务指标(解决率、人工转接率、满意度)决定,而不是靠 demo 观感拍板。
MCP:Model Context Protocol,一套把「模型如何调用外部工具与数据」标准化的开放协议。结构是 client-server:宿主应用(IDE、Agent 框架)里的 MCP client 通过 stdio 或 HTTP+SSE 连接到 MCP server,server 暴露三类能力——tools(可调用的函数,带 JSON Schema 描述参数)、resources(可读取的数据/文件)、prompts(预置提示模板)。价值在于把原来 M×N 的适配工作变成 M+N:工具提供方写一次 server,所有支持 MCP 的宿主都能用,同时权限边界更清晰、便于审计。
几十亿商品的库表设计:先定访问路径再定存储——按商品 ID 查详情、按卖家查列表、按类目/关键词搜索,这三条路径的 QPS 与延迟要求不同,通常对应不同系统(分片 MySQL 存商品主数据 + 缓存 + 搜索引擎承载检索)。具体考虑:① 分片键选择,按商品 ID 哈希能保证均匀但按卖家查会跨片,按卖家 ID 分片则热点卖家会倾斜,常用折中是商品 ID 分片 + 卖家维度建异构索引表(用 binlog 同步);② 全局唯一 ID(雪花算法/号段模式)与路由表;③ 冷热分离与大字段外置,详情/富文本/图片走对象存储,宽表只留列表与检索字段;④ 读写分离 + 多级缓存(本地缓存 + Redis),热点商品单独做本地缓存防击穿;⑤ 写入异步化:binlog → MQ → 搜索引擎,保证最终一致;⑥ 扩容与变更:预分片、在线 DDL、双写 + 数据校验 + 灰度切流。答题时先说清「先问清查询模式,再谈分片」,比直接背分库分表方案更得分。