面灵AI→

字节后端 / Agent 一面:数据库 Owner 视角的六个优化方向与直播间点赞设计

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

Java 基础

  1. 简单介绍一下单例模式。
  2. 什么场景适合使用单例模式?
  3. long 与 Long 用 == 和 equals() 比较,结果是否一样?

RabbitMQ 与 Redis

  1. RabbitMQ 如何避免消息丢失?
  2. 消费者应该什么时候 ACK?
  3. 如何解决缓存穿透?
  4. 你知道怎么实现分布式事务吗?
  5. Redis 相关追问:执行状态、Lua,以及 SET NX EX 分布式锁。
  6. 为什么抢锁和设置过期时间不能简单分两条命令执行?

MySQL 与数据库整体优化

  1. 行锁和表锁有什么区别?什么情况下触发?
  2. 如果你是数据库的 Owner,整个数据库性能比较差,你会怎么优化?
  3. 面试官追问:除了慢 SQL、机器问题,再扩展至少六个方向。
  4. 多个团队共用数据库时,如何治理长事务和上线操作?
  5. 除了归档、分区,还有什么办法处理大表?
  6. 数据库设计、表设计方面有哪些优化思路?
  7. 表设计之外,还能从哪些方向优化?

系统设计与 AI

  1. 一个直播 App 要给每个直播间增加点赞功能,用户点击后左上角展示点赞总数,请从前端到后端描述设计。
  2. 同一个用户是否可以连续点赞?(候选人主动澄清的需求)
  3. 大模型上下文窗口是不是越大越好?为什么?
  4. 知识组织方式与 Ontology,分别适合什么场景?

Coding、反问与个人经历

  1. 原地删除重复元素,每个元素最多保留两次。
  2. 团队具体负责什么业务?需要重点补哪些能力?
  3. 本场表现和改进建议。
  4. 岗位 Base 是否在上海?
  5. 四月份参加字节面试的流程和未继续推进的原因?
  6. 目前是否还在京东实习?在哪个城市?

《参考解析》

单例与包装类比较:单例的写法要能说出五种并知道各自的问题——饿汉(类加载即创建,简单但可能浪费)、懒汉加锁(线程安全但每次加锁慢)、双重检查加 volatile(防止指令重排导致拿到未初始化对象)、静态内部类(利用类加载机制,延迟且线程安全)、枚举(天然防反射与反序列化破坏,Effective Java 推荐)。适合单例的是无状态或全局唯一的基础设施:配置中心、连接池、日志器、缓存管理器、注册表;不适合的是有请求上下文或需要隔离的数据。long 与 Long 用 ==:两边都是 Long 时比较引用,超出 −128~127 缓存区间的值即使数值相同也不相等;一边是 long 时会发生拆箱,比较的是值;用 equals() 比较的是值,但对象为 null 时会 NPE。工程结论是统一用 Objects.equals 或先判空,别在包装类型上用 ==。

消息可靠性与 ACK 时机:RabbitMQ 丢消息有三个环节,对应三处保障——生产端开 publisher confirm 加 mandatory/return 回调确认到达 exchange 与 queue;Broker 侧把 exchange、queue、消息都设为持久化,并用 quorum queue 或镜像队列防单点;消费端关闭自动 ACK,改为业务处理成功后手动 ACK。ACK 太早(收到就确认)会在处理失败时丢消息,ACK 太晚会在消费者崩溃时重复投递,所以正确姿势是「处理完成再 ACK」,并让消费逻辑幂等(唯一键去重表、状态机判断、乐观锁版本号)。失败重试要有限次,超过阈值进死信队列人工或异步补偿,避免无限 requeue 打满队列。

缓存穿透与分布式锁:穿透是查不存在的数据,每次都打到数据库——解法是参数校验、布隆过滤器挡掉一定不存在的 key、把空结果缓存一个短 TTL、对异常高频的 key 限流;要区分击穿(热点 key 过期瞬间大量回源,用互斥锁或逻辑过期)与雪崩(大量 key 同时过期,用随机 TTL 与多级缓存)。分布式事务按一致性强度选:强一致用 2PC/XA(性能差、协调者单点),业务侵入小的用本地消息表或 RocketMQ 事务消息做最终一致,跨服务长流程用 Saga(每个步骤配补偿),TCC 适合资金类需要预留资源的场景;无论哪种都要保证幂等与补偿可重入。SET NX EX 的关键在原子性:分两条命令时,若 SETNX 成功后客户端崩溃,锁就永不过期,后续所有请求被死锁;Redis 2.6.12 起 SET key value NX EX seconds 一条命令完成「不存在则设置 + 设过期」。解锁要用 Lua 先比对 value(客户端唯一标识)再删除,防止误删别人的锁;业务时间不确定时用看门狗续期。

数据库 Owner 视角的优化要分层给:面试官要的是「六个以上互不重复的方向」,可以按这条线展开——① SQL 与索引:慢查询日志与 explain 定位,补联合索引、避免索引失效、消除回表;② 表结构:字段类型收窄、大字段拆出、适度反范式冗余减少 join、控制列数与行宽;③ 数据生命周期:冷热分离、历史归档、分区表、按时间分表;④ 架构层:读写分离、分库分表(选好分片键,避免跨分片查询与分布式事务)、引入缓存与异步削峰;⑤ 连接与参数:连接池大小、innodb_buffer_pool_size、刷盘策略、超时与重试;⑥ 治理与流程:上线评审、DDL 变更窗口与在线 DDL 工具、慢查询告警、长事务监控与 kill、多团队共用时的库表权限与配额。大表除了归档分区,还能做水平拆分、把历史数据迁到列存或 OLAP、用覆盖索引减少回表、把统计类查询从主库挪走。

直播间点赞的设计:前端做本地乐观更新与节流合并(点击立即 +1,几百毫秒内的连点合并成一次请求,失败回滚),总数用长连接或轮询增量拉取,不要每次点赞都请求全量。后端把计数放 Redis:INCR 或 HINCRBY 单 key 在峰值下会成为热点,按房间号分片成 N 个 key 求和,或把增量先写本地聚合再批量提交。落库异步化——消息队列削峰,消费端按房间维度批量累加,最终一致即可(点赞数允许短暂延迟)。幂等与防刷分两层:按用户与房间做去重或限频(同一用户连续点赞在业务上通常允许,但要限速),风控侧识别脚本与异常频率。容量评估要给数字:峰值 QPS、单 key 写入上限、批量落库的批次大小与延迟容忍度。

上下文窗口与知识组织:窗口不是越大越好。成本与延迟随 token 线性甚至超线性增长;长上下文存在「中间遗忘」(lost in the middle),关键信息放在中段时召回率下降;KV Cache 的显存占用随长度线性增长,直接压低并发;训练数据里长文样本的分布也影响效果。正确做法是按任务选长度,配合检索(只放相关内容)、摘要压缩、分段处理与结构化提示。Ontology(本体/知识图谱)适合实体与关系明确、需要多跳推理与强约束的业务(组织架构、商品类目、风控规则),可校验、可解释,但建设与维护成本高、覆盖不了非结构化文本;向量检索式的知识组织适合文档问答与语义模糊匹配,建设快、召回广,但缺乏精确推理。生产上常把两者混合:先用 ontology 做实体归一与约束,再用检索补充上下文。

原地删除重复元素(每个最多保留两次):有序数组用双指针,slow 指向下一个可写位置,fast 扫描;因为最多保留两次,比较 nums[fast] 与 nums[slow-2],不同就写入并前移。时间 O(n)、空间 O(1)。

int slow = 0;
for (int fast = 0; fast < nums.length; fast++) {
    if (slow < 2 || nums[fast] != nums[slow - 2]) {
        nums[slow++] = nums[fast];
    }
}
return slow;

边界要提:数组长度小于 2 时直接返回;题目若说「最多保留 k 次」,把 2 换成 k;若数组无序,先排序或改用哈希计数。这道题在字节出现频率很高,变体是「删除所有重复」与「保留一次」,建议三种一起练。