面灵AI→

百度全栈开发面经:MySQL 索引与隔离级别、Redis 大 Key 治理与 AI 写码

轮次
技术面
时间
2026-11
来源
牛客网

《面试题目》

  1. 请简单介绍一下 MySQL 的索引。
  2. 对比 B+ 树,如果索引改用红黑树或跳表来实现,它们各有什么优缺点?
  3. 你用 MySQL 做过项目,讲讲你们的数据量级大概是多少?建表时你会有哪些考虑?
  4. 如果都是百万级的量级,你觉得需要分库分表吗?
  5. 你们项目里数据库用的隔离级别是什么?
  6. MySQL 一共有哪几种隔离级别?分别讲一讲。
  7. 请解释一下幻读。
  8. 在 MySQL 默认的可重复读(RR)隔离级别下,还会存在幻读现象吗?
  9. 在可重复读级别下,快照读和当前读分别会不会出现幻读?
  10. 你们之前的项目需要用到缓存吗?
  11. 你认为一个项目在什么情况下需要缓存,什么情况下不需要?
  12. 如果要做一个排行榜,可以用 Redis 来实现吗?你会选择哪个数据结构?
  13. 当数据量级很大时,Redis 会出现「大 Key」的问题,这个你了解吗?
  14. 如果遇到大 Key 问题,你大概会怎么治理?
  15. 对 ZSET 来说,什么样的 Key 才算「大 Key」?你是怎么定义的?
  16. 还是以刚才的排行榜为例,出现大 Key 应该怎么办?
  17. Redis 集群遇到故障时,是怎么解决这个问题的?
  18. 比如某个主节点不可用了,要怎么提高它的可用性?
  19. 讲讲你的全栈开发经验,你平时是怎么做全栈开发的?
  20. 用 AI 写代码时,你是完全不看代码,还是会自己去做 Code Review?
  21. 如果纯用 AI 写代码,你怎么样保证自己的技术还能持续提升?
  22. 你会跟 AI 对话,从头开始审视它的方案吗?
  23. 有了 AI 之后,你觉得前后端的分界还明显吗?你自己更愿意做哪一端?
  24. 看你主要用的是 Java,我们这边是 Go 语言,你对 Go 有了解吗?
  25. 手撕摩尔投票法变体。大概的原理是什么?背后的数学原理讲一下。

《参考解析》

B+ 树作为索引结构的理由:B+ 树是多路平衡树,非叶子节点只存键、叶子节点存数据并用链表相连,因此树高很低(三层可支撑千万级),一次查询只需少数几次磁盘 IO,范围查询顺着叶子链表扫描即可。红黑树是二叉结构,树高随数据量对数增长,每次下降一层都可能是一次随机 IO,范围查询还要中序遍历,磁盘友好性差;它的优势在内存场景(如 Java 的 TreeMap)与插入删除的局部旋转代价可控。跳表用多层链表加随机层级实现近似对数查找,实现简单、范围查询友好、并发插入容易(Redis 的 ZSET 就用跳表),但同样的数据量下内存开销比 B+ 树大,且没有为磁盘页做优化。结论:磁盘存储选 B+ 树,内存有序集合选跳表,红黑树适合内存中的小规模有序结构。

百万级要不要分库分表:百万行对 MySQL 单表不算大,做好索引与查询优化即可;真正需要拆分的信号是单表数据量到千万级且增长快、单库连接数或写入成为瓶颈、或者单表体积影响备份与 DDL。分库分表会带来跨分片查询、分布式事务、全局 ID、扩容迁移等成本,应该先用读写分离、归档冷数据、加缓存、优化索引这些手段。回答时给判断依据,比直接说「要」或「不要」好。

隔离级别与幻读:四种级别是读未提交(能读到别人未提交的数据,脏读)、读已提交(只能读已提交,但同一事务两次读可能不同,不可重复读)、可重复读(同一事务内多次读一致,MySQL 默认)、串行化(加锁串行执行)。幻读指同一事务内两次范围查询返回的行数不同(别人插入了符合条件的新行)。RR 下靠 MVCC 快照读避免大部分幻读:快照读读的是事务开始时的 ReadView,看不到新插入的行;但当前读(SELECT ... FOR UPDATE、UPDATE、DELETE)读最新版本,需要用间隙锁(Next-Key Lock)锁住范围来阻止插入,否则当前读仍可能看到幻行。所以准确说法是:RR 的快照读无幻读,当前读靠间隙锁防幻读,但间隙锁在并发下会带来死锁风险。

什么时候需要缓存:读多写少、热点集中、下游查询成本高(复杂 join、跨服务调用)、能接受短暂不一致的场景适合加缓存;写多读少、强一致要求(账户余额、库存扣减的强一致部分)、数据量小到一次查询就够快、或者缓存命中率注定很低时,加缓存只会增加复杂度与不一致风险。判断指标是命中率、访问延迟收益、以及数据变更频率,不是「别人都加所以我也加」。

排行榜与 ZSET 大 Key:排行榜用 ZSET,ZADD 写分数、ZREVRANGE 取 TopN、ZREVRANK 查排名,复杂度都是对数级。ZSET 的「大 Key」通常指单个 key 的成员数过大(经验阈值几十万到百万级)或单个 value 体积过大(几 MB 以上),判据是「操作它会不会阻塞主线程」——ZRANGE key 0 -1 这种全量操作在几十万元素时就会明显卡顿。治理手段:按业务维度拆分(如按榜单周期、按地区分成多个 key)、只保留 TopN(用 ZREMRANGEBYRANK 定期裁剪尾部)、把历史榜单归档到数据库或对象存储、读取时限制返回条数并分页;监控上用 MEMORY USAGE 与慢日志定位。

Redis 集群故障与主节点不可用:Cluster 模式把数据分 16384 个槽,主节点故障由集群总线检测,多数主节点投票判定客观下线后,从节点选举提升为主并接管槽位,客户端按 MOVED/ASK 重定向;哨兵模式则由哨兵集群完成故障转移。提高可用性的做法:每主至少一从、跨机架或跨可用区部署、合理设置 cluster-node-timeout 与 min-replicas-to-write(防止脑裂时旧主继续写)、开启 AOF everysec 或 RDB 加从库持久化、客户端配置重试与只读从库分流。要注意故障转移期间的写失败与数据丢失窗口(异步复制),业务侧要能容忍并补偿。

AI 写代码与 Code Review:合理的分工是让 AI 生成样板、测试、迁移脚本与文档,自己负责设计、边界与评审。评审重点看四类:正确性(边界、空值、并发、错误处理)、安全性(注入、越权、密钥泄露)、与现有代码的一致性(命名、分层、复用)、以及可维护性(是否引入了不必要的依赖)。「纯用 AI 写」的风险不在于代码能不能跑,而在于你失去了对系统的理解,出问题时无法定位。保持技术成长的路径是:先自己写关键路径,再用 AI 对照;读 AI 的方案并追问为什么这样设计;定期重写一段自己熟悉的模块做对照练习。

前后端分界与 AI 的影响:分界在工程上仍然存在(职责、部署、性能模型不同),但边界在变模糊——全栈工具链让一个人能覆盖更多环节,AI 又能补齐不熟的语言与框架。选择做哪一端要看兴趣与长期积累:前端更贴近用户体验与交互,后端更贴近数据与稳定性。回答时说明自己的选择与理由,不必迎合岗位说「都可以」。

摩尔投票法:核心是「不同则抵消」——维护候选值与计数,遇到相同值计数加一,不同则减一,减到零换候选。正确性来自数学事实:若某元素出现次数超过一半,把它与其他元素两两配对抵消后,剩下的必然是它。时间复杂度 O(n)、空间 O(1)。变体常见两类:求出现次数超过 n/3 的元素(最多两个,用两个候选与两个计数,最后再验证一遍);以及带条件的抵消(如每次可抵消 k 个不同元素)。一定要补「最后验证候选的出现次数是否真的超过阈值」,因为投票只保证「可能存在」。