字节抖音前端一面:Electron 迁 QT 的 CSS 下沉与手写定时器
- 轮次
- 一面
- 结果
- 一面通过
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
- 自我介绍,介绍竞赛、三段实习以及个人自研 AI Agent 项目。
- 深挖腾讯 PC-QQ Electron 迁移 QT 的 CSS 下沉项目:讲清楚项目背景、旧方案存在什么问题、自己设计的新整体方案、底层渲染架构、IPC 通信流程。
- 本地测试得到的性能收益是多少,性能专项优化做了哪些工作?
- Vue 前端 + SpringBoot 后端的全栈项目,如果要部署上线,完整流程是什么?
- Nginx 反向代理原理,一台服务器如何承载多个不同域名的服务?
- 手写编码:不使用原生 setTimeout,基于 Date.now + requestAnimationFrame 实现简易 setTimeout 与 clearTimeout。
- 反问环节:团队业务、AI Agent 落地场景、团队人员规模、校招生的发展方向。
《参考解析》
Electron 迁 QT 的项目讲法:这类项目面试官想听的是「你为什么动、怎么拆、代价是什么」,不是「我参与了迁移」。按四段讲:背景与问题——Electron 把 Chromium 和 Node 各带一份,安装包大、常驻内存高,多进程模型在低配 Windows 上启动和切页都吃亏,老方案的样式散落在各业务页面里,主题切换要改一堆 CSS;方案——把通用 UI 能力下沉成统一的样式层(设计 token → 一套受控的 CSS 子集 → 编译成 QT 侧可消费的样式表/属性),业务只描述「是什么组件、什么状态」,不再直接写裸样式;渲染架构——UI 线程、布局、绘制、合成各自负责什么,哪些控件走原生、哪些保留 Web 容器,跨进程边界在哪;IPC——主进程与渲染进程之间传什么(命令、事件、状态同步)、用什么通道(命名管道/共享内存/消息队列)、如何做序列化、超时、背压和错误回传。最后补一句取舍:哪些模块迁、哪些暂时保留,为什么这样切风险最低。
性能收益怎么报:不要只报一个「提升了 40%」,要报口径:测的是冷启动还是热启动、首屏可交互还是首帧、机器配置与系统版本、样本量和分位数(p50/p95)。常用指标是启动耗时、常驻内存、页面切换耗时、帧率与长任务数、安装包体积。方法上先做基线采集(同一台机器、同一批操作、多次取中位数),再做单变量优化,每项优化单独 A/B,避免把多个改动的收益混在一起;用 profiler 找真正的热点,而不是凭感觉换实现。性能专项可以按「启动阶段删依赖与并行初始化、渲染阶段减少布局与重绘、内存阶段查泄漏与大对象缓存、包体阶段做裁剪与懒加载」四类讲,每类给一个具体动作和对应指标。
Vue + SpringBoot 上线流程:前端 vite build 产出静态资源,按环境注入 VITE_ 变量,产物传 CDN 或放到 Nginx 的静态目录,index.html 配短缓存、带 hash 的资源配长缓存;后端打成可执行 jar,用 systemd 或容器运行,数据库迁移用 Flyway/Liquibase 在发布前执行,配置走环境变量或配置中心,密钥不进仓库。入口用 Nginx 做 TLS 终止和反向代理:/api 转发到后端 upstream,其余走静态目录,开 gzip/brotli、HTTP/2、WebSocket upgrade,配好超时与请求体上限。发布流程是 CI 构建 → 制品归档 → 预发验证 → 灰度/滚动发布 → 健康检查 → 观察日志与指标 → 出问题回滚上一版;监控至少要有接口错误率、延迟分位、机器资源与前端 JS 错误上报。
Nginx 多域名与反向代理:一台机器多个域名靠 server 块加 server_name 区分,HTTP 层看 Host 头,HTTPS 层靠 TLS 的 SNI 在握手阶段选证书,所以每个域名要有对应的 listen 443 ssl 与证书配置。反向代理的核心是 proxy_pass:把请求转发到 upstream 里的一组后端,proxy_set_header Host $host、X-Real-IP、X-Forwarded-For、X-Forwarded-Proto 把原始信息带给后端;上游可以做轮询、权重、最少连接、健康检查,失败重试与超时要显式配。静态资源单独 location 配缓存和 try_files,SPA 要把未命中的路径回落到 index.html;WebSocket 需要 Upgrade 与 Connection 头透传。多域名共用入口时还要注意默认 server 兜底、证书自动续期、以及限流与访问日志按域名拆分。
手写 setTimeout:核心是「自己维护一个任务表,用 rAF 的每帧回调检查到期时间」。数据结构用 Map<id, {callback, due, args}>,setTimeout(fn, delay) 生成自增 id、记录 due = Date.now() + delay,返回 id;启动一个 rAF 循环,每帧取 now,遍历任务表把 due <= now 的任务取出来执行并从表中删除;clearTimeout(id) 直接从表里删。几个坑要主动说:rAF 的粒度约 16.7ms,小于一帧的延时不可能精确;页面切到后台时 rAF 会暂停,定时器会整体延后,可以在 visibilitychange 时用原生 setTimeout 兜底或补算到期任务;回调里抛错不能打断整个循环,要 try/catch 后继续;回调中新增/删除任务要避免遍历时修改 Map,先收集再执行;长时间运行的循环在任务表为空时可以停掉 rAF,下一次 setTimeout 再启动,省电。如果面试官追问「为什么要用 rAF」,答「让回调对齐渲染帧、避免定时器在两次绘制之间插入造成抖动,同时能在主线程繁忙时自然降频」。
反问环节:问团队当前最核心的业务目标、AI Agent 在业务里的真实落地场景与衡量指标、团队规模和校招生的培养路径。反问不是走过场,选一两个你真正关心的点,顺着面试里聊到的技术栈追问,比泛泛问「团队氛围怎么样」更能留下印象。