面灵AI→

超星一面 50 分钟:AI 工作流异常、OOM 排查与大表 count 的取舍

轮次
一面
时间
2026-10
来源
牛客网

《面试题目》

  1. 先做一下自我介绍。
  2. 介绍一下你的项目。
  3. 项目中某个功能的设计流程是怎样的?
  4. AI 工作流中途输出异常怎么解决?重试需要考虑哪些场景?
  5. 结构化输出是怎么做的?上下文怎么管理?
  6. 讲另一个功能的设计流程。
  7. OOM 的处理思路是什么?之前为什么出现、后来怎么做的?
  8. 任务状态怎么存?任务更新怎么做?中断怎么恢复?保留现场用了哪些字段?
  9. 编排功能和工作流都是怎么做的?
  10. 场景题:需要 count 一张大表,怎么做?
  11. 追问:如果 select 语句很复杂怎么应对?如果查询很频繁怎么应对?
  12. Redis 和数据库怎么确保一致?
  13. 追问:刚刚只说了查询很频繁的情况,那么如果 SQL 很复杂呢?

《参考解析》

AI 工作流中途输出异常。 先分类:模型返回格式不合规(JSON 截断、字段缺失、类型错)、模型拒答/空返回、上游超时或限流、以及「内容对但业务校验不过」。处理上分三层:① 节点级——每次模型调用都要求结构化输出(JSON schema / function calling),拿到后立刻校验,不合规就把「错误信息 + 期望格式」回灌给模型重试(限次数,比如 2 次);② 流程级——节点失败不直接让整条流程挂掉,而是进入「可重试 / 可跳过 / 需人工」三种分支之一,状态落库;③ 兜底层——重试耗尽后降级(用规则模板、返回部分结果、转人工),并把失败样本记下来做评测。重试要考虑的场景:幂等(重试不能重复产生副作用,用请求 ID + 唯一约束)、退避(指数退避 + 抖动,避免打爆上游)、可重试性(400 类参数错误重试没用,429/5xx/超时才重试)、以及预算(重试会翻倍消耗 token,要有总预算上限)。

结构化输出与上下文管理。 结构化输出优先用模型原生的 JSON mode / function calling / 约束解码,而不是「提示词里写请返回 JSON」然后正则抠;拿到后必须过 schema 校验(类型、必填、枚举、长度),并做业务校验(金额范围、ID 是否存在)。上下文管理的核心是「分层 + 按需」:系统提示(稳定)→ 会话摘要(压缩)→ 最近若干轮原文 → 当前任务输入;关键实体(订单号、金额、用户选择)单独存结构化字段,永不压缩;长文档用检索按需拉取片段,而不是整篇塞进去。

OOM 的处理思路。 先分清是 JVM 堆 OOM(java.lang.OutOfMemoryError: Java heap space)、元空间、直接内存,还是容器被 cgroup OOMKilled(进程直接消失、没有 Java 异常)。排查顺序:看 GC 日志与堆使用曲线(是缓慢上涨的泄漏,还是瞬时尖峰)、拿 heap dump 用 MAT 看支配树与最大对象、对照最近变更(新上线的大查询、缓存没设上限、批量任务一次拉全量)。常见根因与对策:一次性 select * 全表加载 → 改分页/流式;本地缓存无上限 → 换 Guava/Caffeine 带容量与过期;集合只增不减 → 加清理;大文件/大响应体 → 流式处理;线程池队列无界 → 有界 + 拒绝策略;容器内存限制小于 JVM 配额 → 用 MaxRAMPercentage 对齐。修复后要有回归:压测同样的流量看堆曲线是否平稳。

任务状态怎么存、中断怎么恢复。 状态用「状态机 + 版本号」:PENDING/RUNNING/PAUSED/SUCCESS/FAILED,每次更新带 version 做乐观锁(update ... where id=? and version=?),避免并发覆盖。要保留的现场字段:当前节点/步骤、已完成步骤的输出摘要或引用(结果存对象存储,库里存 key)、输入参数快照、重试次数、最后更新时间、失败原因、以及幂等键。中断恢复时按 id + version 读回状态,从「最后一个成功步骤」往后重放;对外部副作用(发消息、扣款、调第三方)要在执行前先落「意图」、执行后落「结果」,恢复时先对账再决定是否重做。

大表 count 怎么做。 三种思路按精度取舍:① 精确但要快——用覆盖索引(select count(*) from t 走最小的二级索引,减少回表;count(1) 与 count(*) 在 InnoDB 里等价,count(列) 还要判空);② 近似——explain 的 rows 估算、或维护统计表(定时任务累加、按分片存增量);③ 业务上不需要精确时用「缓存 + 定期刷新」,接受 TTL 内的误差。为什么 InnoDB 的 count(*) 慢:MVCC 下不同事务看到的行数不同,无法像 MyISAM 那样存一个总数,必须扫索引逐行判断可见性。

复杂 SQL 与高频查询。 复杂查询(多表 join、聚合):先看执行计划(是否走索引、有没有 filesort/临时表),能拆就拆成「先过滤出小结果集,再关联」;把聚合结果预计算成宽表或物化视图(定时或增量刷新);对「高分部」的数据单独维护统计字段,长尾部分走近似统计——这正是作者答的「分布统计 + 高频部分持久化」。高频查询:加缓存(本地 + Redis 两级)、读写分离、把热点数据放窄表、接口层做限流与合并请求。要强调「缓存只挡读,写的正确性仍要靠数据库」。

Redis 与数据库一致性。 常用 Cache Aside:读未命中回源并回填;写「先更新 DB,再删除缓存」,并配延迟双删(更新后延迟几百毫秒再删一次,覆盖并发读回填的旧值)。为什么不「更新缓存」而是「删除缓存」:并发写会把旧值写进缓存,删除更安全(下次读回源拿最新)。更强的一致性靠订阅 binlog 异步失效(Canal),把缓存失效从业务代码解耦,并加对账任务定期修复。极端要求强一致的场景,就不要让缓存参与判断(只做展示加速),或者用「版本号 + 读时校验」。

这场面试的启示。 时长预告不值钱——写着 15–30 分钟也可能面 50 分钟,项目要按「能被追问三层」的标准准备:功能设计 → 异常与边界 → 数据一致性/恢复。作者的答法有个好习惯:先给结论(用临时表或维护统计字段)、再补方案分层(Redis 挡第一波、明细表做真相),这种「先结论后分层」的表达在连续追问下不容易乱。