百度后端实习二面:事务消息、Agent 并发指令与位图偏移量
- 轮次
- 二面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- MySQL 事务更新凭证状态、后续发送 Kafka 消息,如果消息发送失败或进程宕机,重算任务会不会丢失?如何保证消息可以触发重算?
- 同一个账户先后发生两次变更,一个协程拿到 Redis 锁正在处理,第二个协程拿不到锁,是直接丢弃、阻塞、等待还是重新入队列?
- 如何防止旧数据覆盖新数据?
- 该服务是多实例部署,内存索引在 Go 里用的是什么数据结构?
- 内存索引大概存储多少账户,内存占用多大?
- 这个飞书 Agent 主要是做什么的?
- 同一个飞书话题会话中,Agent 正在处理 A 指令,另一个同学 B 下发第二条补充指令,Agent 如何处理?
- 同一个人,在同一个会话连续多次下发指令、不断修改需求,Agent 如何处理?
- 做双路比对时,浮点数、时间戳、JSON 数据出现不一致,容差比较是怎么配置、怎么实现的?特别是 JSON 数组元素顺序不一样但内容相同的场景。
- 框架的白名单拦截逻辑放在哪一层?
- 点赞点踩是针对整条回答吗?
- 如果一条回答引用了多个知识片段,用户因为其中某一个片段错误对整条回答点踩,如何把点踩反馈权重分摊到各个知识片段?
- 文件补丁和目标版本绑定、文件发生变化自动让审批失效,为什么不能只依靠行号做校验?
- 人工审批等待期间,用户在 IDE 里修改并保存文件,怎么检测到变更、自动让审批失效?
- UserID 是雪花算法生成的极度稀疏大数值,直接用于 Redis Bitmap 的偏移量做 setbit 操作,会产生什么后果?
- 你这边有什么想要问我的问题?
- AI 辅助编码,你生成代码占比大概多少?
- AI 生成的代码,如何保障代码稳定性?
《参考解析》
事务与消息的一致性。 直接「先提交事务再发消息」存在窗口:commit 成功、发消息前进程挂掉,消息就永久丢了。常见解法有三条。本地消息表(outbox):在同一个数据库事务里写业务表和一条待发消息记录,事务提交后由独立投递器轮询未发送记录投递 Kafka,成功后标记;投递失败可重试,天然不丢。事务消息:RocketMQ 的半消息 + 回查机制,本质也是让 broker 回查本地事务状态。CDC:订阅 binlog 把变更投递到消息队列。消费端必须幂等(业务唯一键 + 状态机),并用定时对账任务兜底,扫「状态已变但下游未重算」的数据补发。
锁竞争的处理。 三种都不该无条件用。正确做法是先判断业务语义:如果是同一账户的增量变更,应该把变更事件投递到一个按账户 ID 分区的队列,由单消费者串行处理,锁只是优化而非正确性来源;如果必须同步处理,就设一个短超时(如 200ms)的重试,超时后返回「处理中」让上游重试,绝不能长时间阻塞占用连接。直接丢弃会丢变更,无限阻塞会拖垮线程池,无条件重入队列可能造成惊群和顺序错乱。配合版本号做 CAS 更新,重复处理也能被识别。
防旧覆盖新。 数据行加版本号或单调递增的 seq,更新时 WHERE version = ?,影响行数为 0 就说明已被改过,重新读取再决策;也可以带更新时间做「只允许新时间戳写入」。缓存侧用「先更新库、再删缓存」并给缓存设 TTL,延迟双删处理并发读写;消息侧用分区内有序 + 消费端按版本号丢弃过期事件。核心是让「新旧」有可比较的依据,而不是依赖执行顺序。
内存索引的数据结构与容量。 Go 里常用 map[uint64]*Account,高并发读多写少时用 sync.Map 或分片锁(把 key 哈希到 N 个 map,各自一把 RWMutex)降低争用;需要范围查询就用跳表或有序切片。容量要能算出来:map 每个桶加指针有额外开销,一条「key 8 字节 + 指针 8 字节 + 结构体本身」按几十到上百字节估,百万级账户大致在百 MB 量级,评估时要按峰值账户数和结构体字段对齐后的实际大小算,并留出扩容时的双倍瞬时内存。
会话内并发指令。 同一话题里 A 没处理完又来 B,要做的是「串行化 + 可打断 + 可合并」:按会话 ID 维护一个任务队列,同一个会话同时只有一个在执行,新指令入队;如果新指令是对当前任务的补充或修正,就把当前任务标记为需要重规划,在下一个安全点(一次工具调用返回后)读取最新指令重新规划,而不是硬跑完旧任务;如果是明确的新任务,则排队并在回复里告知前面还在处理。多次改需求同理,保留一份「当前生效的需求快照」,每次改动更新快照并记录版本,执行时以最新版本为准,同时把变更写进上下文避免模型拿旧需求继续做。
双路比对的容差。 配置要按字段类型分开:浮点数用相对误差加绝对误差双阈值(abs(a-b) <= max(eps_abs, eps_rel * max(abs(a),abs(b)))),金额按最小货币单位比较;时间戳先统一单位(秒/毫秒)与时区,再允许一个时间窗;JSON 要做规范化——对象 key 排序后逐键递归比较,数组则视语义选择「排序后比较」或「按业务主键匹配后比较」,并允许字段白名单忽略(如 requestId、时间戳字段)。容差阈值应该配置化、随场景不同(金额严格、展示类宽松),并输出差异明细方便定位。
点踩权重分摊。 整条回答点踩只能说明「这条回答里至少有一处错」,直接平均分给所有引用片段会误伤正确片段。可行的做法:按片段对回答的实际贡献加权(被引用的句子长度、被引用的次数、检索得分归一化),把负反馈按权重分配;同时保留「用户是否指定了错误片段」的入口,指定了就 100% 归到那一片段;再结合显式反馈(单片段点赞/点踩)做校准。长期看要用「同一片段被多次独立点踩」的统计量,避免单次误判就下调知识库权重。
为什么不能只靠行号校验。 行号是位置而非内容:用户在审批等待期间在上面插入或删除几行,行号会整体偏移,原本要改的那段代码可能已经变了但行号还对得上,补丁应用后改错地方;同一行号在不同版本里也可能是完全不同的内容。可靠的做法是记录目标片段的内容哈希 + 上下文指纹(前后各若干行的哈希),应用前重新计算并比对,不匹配就拒绝并要求重新生成;再加文件级版本号或 git blob hash 做整体校验。
文件变更的检测。 服务端可以监听文件系统事件(inotify/FSEvents)或让客户端在保存时上报文件哈希与 mtime;更简单可靠的是在审批记录里存「文件内容哈希」,审批通过时重新读文件算哈希比对,不一致就让审批失效。IDE 插件侧可以在保存事件里主动通知服务端。检测到变更后要把审批置为失效、通知发起人,并让 Agent 基于新内容重新生成补丁,而不是拿旧补丁硬套。
雪花 ID 做 Bitmap 偏移量的后果。 Bitmap 的内存占用由最大偏移量决定,而不是由元素个数决定。雪花 ID 是 64 位、时间戳在高位,生成的数值极大且极度稀疏,SETBIT key <userID> 1 会按 userID/8 字节去分配,一条记录就能让 Redis 分配几十 TB 级别的空间,直接打爆内存或触发 Redis 的字符串长度上限报错。正确做法是不要用业务大 ID 直接做偏移:可以换成自增的稠密编号再映射,或者用布隆过滤器、分片 Bitmap(按 ID 高位分桶、桶内取低位)、Roaring Bitmap 这类压缩位图。