面灵AI→

超星 Java 开发一面:CSV 导入 OOM、线程池与 RAG 的排查链路

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

  1. 简单做一下自我介绍。
  2. 介绍一下 CSV 导入 OOM 的问题,以及你是如何解决的?
  3. 为什么一个 300MB 的 CSV 文件,最终会占用 1.2GB 左右的内存?
  4. 订单入库性能优化前是什么方案?为什么要进行多线程优化?
  5. 线程池最大线程数为什么设置为 32?是如何确定的?
  6. 假设有 10 万条订单,开启 20 个线程并发写入,其中一个线程失败、其他线程成功,如何保证数据一致性?
  7. Redis 时间窗口聚合是如何实现的?
  8. 如果 Redis 宕机了,还有一部分数据没有落库,应该怎么办?
  9. 预检分诊 Agent 支持上传哪些类型的文档?文档上传后的离线入库流程是什么?
  10. 上传文档后有没有进行数据清洗?文档 Chunk 是如何切分的?如果一个段落太长应该如何处理?
  11. 使用的 Embedding 模型是什么?是公司提供的还是自己部署的?
  12. 如果 RAG 检索效果不好,应该从哪些方面排查?
  13. 企业中有大量过期、相似的文档,如何避免检索到过期或重复内容?
  14. 预检分诊 Agent 是如何评估效果的?有没有构建测试集?
  15. 简历中提到累计服务 18000 名同学,这个数字是注册人数还是累计访问人数?
  16. 教务系统开发和维护过程中遇到过哪些问题?空闲教室数据为什么要定期爬取并存储到自己的数据库?
  17. 平时常用哪些 Linux 命令?如何动态查看日志最后 N 行?
  18. 平时如何使用 AI 辅助开发?具体流程是什么?有没有沉淀自己的 Skill 或提效工具?AI 生成的代码如何验证正确性?有没有做代码规范审查?
  19. 为什么两段实习经历的时间都比较短?
  20. 期望薪资是多少?

《参考解析》

300MB 的 CSV 为什么吃掉 1.2GB。 文件大小不等于内存占用,中间有多层放大:一是字符编码,UTF-8 的英文 1 字节、中文 3 字节,读进 String 后 Java 内部用 UTF-16 表示,中文会翻倍;二是对象头与字段开销,一行解析成对象后,对象头(12 到 16 字节)、字段对齐填充、String 对象的 char 数组与引用,会让一条记录的内存占用远大于它的字节数;三是集合扩容,ArrayList/HashMap 扩容时旧数组与新数组同时存在,峰值翻倍;四是解析框架的缓冲(如一次性 readAllLines、DOM 式解析、全量 split)。解决办法是流式处理:逐行读取(BufferedReader 或框架的流式 API)、边读边写、分批提交(例如每 1000 条一批),避免把所有记录留在内存里;同时用 -Xmx 与堆 dump 验证峰值。

线程池 32 的依据。 不能拍脑袋,要按利特尔法则 并发数 ≈ QPS × RT 估算:如果入库接口的 QPS 与单条写入的 RT 已知,就能算出需要的并发度;再考虑数据库连接池上限(线程数不应超过连接池可用连接数,否则线程只是在等连接)、CPU 核数与上下文切换成本。32 这个数如果是因为「压测到 32 时吞吐最高、再往上因锁竞争下降」,那就是有依据的;回答时要能说出压测方法与拐点。线程池还要配有界队列、拒绝策略与监控。

部分失败的一致性。 10 万条、20 个线程,一个线程失败其余成功,核心是「要么整体可见、要么可对账」。方案有三类:其一,按批事务,每批一个事务,失败批整体回滚并记录,已成功的批次保留,最后用总账对账(成功数 + 失败数 = 总数);其二,全部在一个事务里(不现实,10 万条长事务会锁表、undo 膨胀);其三,把「写库」改成「投递到消息队列 + 消费端幂等写入」,失败重试与死信兜底,天然支持部分失败。工程上还要用业务唯一键做幂等(订单号唯一索引),避免重试造成重复;失败明细要落表,支持人工或定时补偿。

Redis 时间窗口聚合与宕机兜底。 常见实现是 ZSET(score 用时间戳,按范围计数并定期清理)或 INCR + EXPIRE 的分桶计数(每分钟一个 key,查询时合并窗口内的桶)。关键点是原子性:读改写要用 Lua 脚本或事务,避免并发丢计数;窗口边界要对齐。Redis 宕机导致未落库的数据丢失,防线要放在「先落库再聚合」或「双写 + 对账」:聚合结果只是展示用的派生数据,原始事件必须落持久化存储(数据库或消息队列),重启后可以从原始数据重算窗口。如果业务要求不丢,就不能把 Redis 当唯一存储。

RAG 的入库与切分。 入库流程是:上传 → 解析(PDF/Word/HTML 提取文本,保留页码与标题层级)→ 清洗(去页眉页脚、乱码、重复段落)→ 切分(按语义或标题层级,chunk 大小几百 token,带重叠)→ 向量化 → 写入向量库并保存元数据(来源、版本、生效时间、权限)。段落太长时按句子边界二次切分并保留父子关系(子块检索、父块返回),避免把一句话切断。切分质量直接决定检索效果,比换模型更重要。

检索效果不好的排查顺序。 先看「召回有没有命中正确文档」:把问题与期望文档拿出来单独测检索,如果连正确文档都召不回,问题在切分、Embedding 或检索参数(topK、相似度阈值、混合检索)。再看「命中了但答错」:上下文里有没有正确段落、是否被无关段落淹没、模型是否忽略上下文。最后看「问题本身」:是否需要多跳检索、是否需要查询改写。常见改进:混合检索(向量 + 关键词 BM25)、重排序(cross-encoder rerank)、按元数据过滤(时间、部门、权限)、查询改写与 HyDE、父子块与摘要索引。

过期与重复文档。 治理分三步:入库时做去重(内容哈希、相似度阈值),同一主题的新版本覆盖旧版本并把旧版本标记失效(软删除,保留审计);检索时按元数据过滤(status = active、生效时间),并在 prompt 里要求优先使用最新版本;定期做全量体检(相似簇报告、失效文档清理)。只靠向量相似度去重不够,语义相近但结论相反的两份文档都会被召回,必须有版本与来源的显式管理。

评估与指标口径。 RAG 的评估要分检索与生成两段:检索看召回率、MRR、命中率;生成看答案正确性、引用是否可追溯、拒答是否合理。测试集从真实问题里采样,覆盖常见、边界、无法回答三类。面试官追问「18000 是注册还是访问」是在核对数据口径,回答要明确统计方式与时间范围,不确定就说不确定——夸大数字比数字小更致命。

Linux 与 AI 辅助开发。 动态看日志用 tail -f、tail -n 200、grep -C、less +F,排查时配合 grep 过滤关键字、awk 提取字段、journalctl -u 看服务日志。AI 辅助开发的流程是:先写清需求与约束,让模型出方案或骨架,自己实现关键逻辑,再用编译、单测、lint 与 code review 验证;沉淀下来的提效工具可以是提示模板、代码片段、脚本或 Skill。AI 生成代码的验证重点是边界、错误处理与依赖版本,规范审查靠 lint 与 CI 而不是靠人盯。