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
- 简单介绍一下单例模式。
- 什么场景适合使用单例模式?
long与Long用==和equals()比较,结果是否一样?
RabbitMQ 与 Redis
- RabbitMQ 如何避免消息丢失?
- 消费者应该什么时候 ACK?
- 如何解决缓存穿透?
- 你知道怎么实现分布式事务吗?
- Redis 相关追问:执行状态、Lua,以及
SET NX EX分布式锁。 - 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
- 行锁和表锁有什么区别?什么情况下触发?
- 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?
- 面试官追问:除了慢 SQL、机器问题,再扩展至少六个方向。
- 多个团队共用数据库时,如何治理长事务和上线操作?
- 除了归档、分区,还有什么办法处理大表?
- 数据库设计、表设计方面有哪些优化思路?
- 表设计之外,还能从哪些方向优化?
系统设计与 AI
- 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。
- 同一个用户是否可以连续点赞?(候选人主动澄清的需求)
- 大模型上下文窗口是不是越大越好?为什么?
- 知识组织方式与 Ontology,分别适合什么场景?
Coding、反问与个人经历
- 原地删除重复元素,每个元素最多保留两次。
- 团队具体负责什么业务?需要重点补哪些能力?
- 本场表现和改进建议。
- 岗位 Base 是否在上海?
- 四月份参加字节面试的流程和未继续推进的原因?
- 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。