成都小厂 Agent 面经:从 MVCC 问到代码生成平台与 Token 缓存
- 轮次
- 一面
- 结果
- 已 OC
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 自我介绍,项目介绍。
- 乐观锁、悲观锁和 MVCC 分别解决什么问题?
- MySQL 索引在什么情况下会失效?有哪些索引优化方法?
- 使用 AI 辅助编程时,如何保证生成代码的质量和工程性?
- 什么是 Redis 缓存击穿?有哪些解决方案?
- 你的代码生成平台具体是怎么实现的?
- 为什么代码生成平台只生成前端,不考虑生成后端?
- 如何保证大模型生成的前端 UI 符合用户预期?用户只有模糊需求时怎么通过迭代优化?
- 代码生成平台为什么使用 RAG?
- 为什么选择 LangChain 作为 Agent 编排框架?
- DeepSeek 和 Qwen 等不同模型对工具调用、结构化输出的支持存在差异,如何兼容?模型要求输出 9 个字段、实际只返回 8 个怎么办?
- Agent 的短期记忆和长期记忆如何区分?
- 多轮对话是否考虑固定 Prompt 前缀?
- 是否考虑过大模型 Token 缓存命中率?如何降低多轮对话的 Token 成本?
- RocketMQ 和 Kafka 有什么区别?
- 二叉树的中序遍历是什么?不使用递归如何实现?
- 反问:团队业务、有没有 AI 额度。
《参考解析》
三种并发控制。 悲观锁默认冲突会发生,读或写之前先加锁(SELECT ... FOR UPDATE、行锁、表锁),优点是简单可靠,缺点是持锁时间长、并发度低、容易死锁。乐观锁假设冲突少,不加锁,更新时用版本号或时间戳做条件(UPDATE ... SET v = v + 1 WHERE id = ? AND version = ?),失败就重试,优点是并发度高,缺点是冲突多时重试成本高。MVCC 是数据库层面的多版本并发控制:每行记录带事务版本信息,读操作读取事务开始时的可见版本(快照读),写操作产生新版本,读写互不阻塞,解决了「读不加锁也能得到一致视图」的问题,但带来了版本链清理(purge)与长事务导致 undo 膨胀的问题。三者不是替代关系:MVCC 让普通读不用锁,写写冲突仍靠锁,业务层再按冲突概率选乐观或悲观。
索引失效的常见场景。 在索引列上做函数或运算(WHERE DATE(create_time) = ...)、隐式类型转换(字符串列用数字比较)、LIKE '%xxx' 前缀模糊、联合索引不满足最左前缀、OR 连接的列没有全部建索引、!= 或 NOT IN 导致优化器放弃索引、数据分布倾斜使优化器判断全表扫描更便宜、以及字符集不一致导致 JOIN 无法用索引。优化方法:把函数移到常量侧或建函数索引、联合索引按「等值在前、范围在后」排列、用覆盖索引减少回表、分页深翻用「延迟关联」或游标、统计信息及时更新、必要时用 EXPLAIN 验证而不是凭经验。
AI 辅助编程的质量保证。 分四层:输入层给足上下文(相关文件、接口约定、编码规范),让模型在约束内生成;生成层要求小步产出(一次一个函数或一个改动),便于 review;验证层必须跑编译、单测、lint 与类型检查,关键路径手动跑一遍;治理层建立团队规范(禁止直接提交未 review 的生成代码、敏感信息不进 prompt、依赖变更需人工确认)。工程性上还要看可维护性:命名、错误处理、日志、边界条件,这些是模型最容易偷懒的地方。
缓存击穿与穿透、雪崩的区别。 击穿是某个热点 key 过期瞬间大量请求打到数据库;解决方案是互斥锁重建(只让一个请求去查库,其余等待)、逻辑过期(不设物理 TTL,异步刷新)、热点数据永不过期 + 后台更新。穿透是查询不存在的数据,缓存与数据库都没有,解决方案是缓存空值(短 TTL)或布隆过滤器。雪崩是大量 key 同时过期或缓存整体不可用,解决方案是过期时间加随机抖动、多级缓存、熔断降级、集群高可用。
代码生成平台为什么先做前端。 前端的验收标准是可视的,生成结果能立即渲染、用户能直接判断好坏,反馈闭环短;后端涉及数据模型、事务、权限、部署,错误代价高且难以自动验证。用 RAG 的原因是把「设计规范、组件库文档、历史页面、业务术语」检索进上下文,让生成结果符合既有风格与约束,而不是每次从零猜。用户只有模糊需求时,靠「结构化澄清 + 多轮迭代」:先让用户选模板或参考图,生成第一版后让用户在预览上指哪改哪(局部重生成而不是整页重来),把每次修改沉淀成偏好。
多模型兼容与结构化输出。 差异主要在工具调用的协议(function calling 的字段格式、是否支持并行调用、是否支持强制指定工具)与结构化输出的可靠性(JSON mode、schema 约束)。兼容层要做三件事:统一内部工具描述格式,按模型能力做适配(不支持 function calling 的走提示词 + 解析);对输出做 schema 校验,缺字段时按策略处理(重试并明确指出缺哪个字段、用默认值补齐并标记、或降级为纯文本回答);对不同模型的错误码与限流做统一封装。模型要求 9 个字段只返回 8 个时,正确做法是校验失败后带着「缺 field_x」的反馈重试一次,仍失败则返回部分结果并标注缺失,而不是静默补默认值。
记忆分层与 Token 成本。 短期记忆是当前会话的上下文(对话历史、工具结果、任务状态),受窗口限制,需要压缩与裁剪;长期记忆是跨会话的知识(用户偏好、历史结论、领域知识),存在外部存储里按需检索。固定 Prompt 前缀的意义是命中提示缓存:系统提示与工具表放在最前且保持不变,可变内容追加在后面,缓存命中后这部分 token 按更低价格计费、首字延迟也更低。降低多轮成本的手段:压缩历史、把大段工具结果替换为摘要或引用、限制检索条数、对简单请求路由到小模型、把重复的静态内容前置以命中缓存。
RocketMQ 与 Kafka。 Kafka 为高吞吐设计,分区顺序写、批量发送、零拷贝,适合日志、流式数据、事件总线;它的消息模型是分区 + 消费组,顺序性只保证分区内,事务与延迟消息支持较弱。RocketMQ 在事务消息、延迟消息、消息重试与死信、消息过滤上更完整,适合业务系统里的订单、支付这类需要可靠投递与定时触发的场景。选择依据是「吞吐优先还是业务语义优先」。
中序遍历的非递归实现。 用显式栈模拟递归:从根开始一路向左把节点压栈,直到为空;弹出栈顶访问,然后转向其右子树,重复。时间复杂度 O(n),空间 O(h)。另一种写法是 Morris 遍历,利用叶子节点的空右指针做线索,空间 O(1),但会临时修改树结构,适合对空间敏感且允许改动的场景。