华顺信安 Golang 开发实习:VibeCoding 笔试与 AI 编程面
- 轮次
- 笔试+面试
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
- 为什么用 Gin 框架来实现这里的网关,与其他相比有什么优势吗?
- 这里划分了哪些微服务?
- 这里使用的是 etcd,为什么要采用 etcd 来实现服务注册发现,和 Nacos 的区别是什么?
- 这里是部署到了本地还是服务器线上?
- 这里的 docker 在部署启动后,如果服务器宕机后重启,docker 是不会自动帮你把服务关掉的,这时候服务器重启后应该如何来查看这里的服务状态?
- 这里的 mysql 是部署在 docker 吗?如果我想在容器里的 docker 中的 mysql 执行 mysql 语句,应该怎么办?
- 了解过 redis 的流模式吗?
- 使用 AI 编程主要是三个阶段:需求分析、代码实现、代码评审与检查,你觉得自己的精力分配每个部分应该各占多少百分比?
- 在 AI 时代,你觉得应该如何利用 AI 来快速帮你提升自身的能力?
- 在代码 review 时,你觉得还有必要对项目的执行计划或者说选型架构进行检查吗?如果说在检查时出现了问题,你觉得应该怎么办,推翻前面的计划重新实现这个项目吗?
- 自动化 review 时,比如某一部分我们觉得应该使用某一个方案,但是 AI 认为另一个方案是对的,它可能会按照自己的判断来进行检查,导致实现与我们的预期不符,你觉得应该如何在 review 时解决这种问题?
- 在 AI 时代下,一个工程师应该具备哪些能力?
- 在代码 review 时,你觉得应该怎么做有助于团队合作?
- 有人说 agent 就是 LLM + harness,你认同吗?
- B+ 树和 B 树的区别是什么?
- 什么是回表?
《参考解析》
为什么用 Gin 做网关:答「性能 + 中间件生态 + 可控」,并说清什么场景不该自己写。 Gin 基于 net/http,路由是压缩前缀树(radix tree),匹配快;中间件是一条显式的 c.Next() 链,鉴权、日志、限流、恢复都好插;Context 对象池化复用、内存分配少,压测下 QPS 有优势;而且它不隐藏 HTTP 语义,排查问题直观。对比时要给出取舍:Echo/Fiber 更快(Fiber 基于 fasthttp,不兼容 net/http 生态,中间件与库要另找);Beego 大而全、约定重;gRPC-Gateway 只适合把 gRPC 暴露成 REST;真要做功能完整的网关(动态路由、熔断、插件、控制台),成熟方案是 APISIX / Kong / Envoy,自研 Gin 网关的优势只在「链路短、逻辑自己可控、和内部鉴权体系贴合」。回答里最好带一句自己项目真实碰到的点,比如「选 Gin 是因为要复用已有的 JWT 中间件和统一响应封装」。
etcd vs Nacos:先讲注册发现的机制,再讲一致性与生态的取舍。 注册发现的本质是「服务注册(写)+ 健康发现(探测)+ 客户端订阅(变更通知)」。etcd 是 Raft 强一致的 KV,靠租约(lease)续约、Watch 推变更,实例要自己起心跳:Grant 租约 → Put 带租约的 key → 定时 KeepAlive,租约过期自动摘除。它没有控制台、没有内置健康检查、没有配置分组,注册与发现逻辑要自己写。Nacos 面向服务治理:临时实例走心跳、持久实例走主动探活,支持 AP/CP 切换(Distro / Raft)、命名空间与分组、权重与元数据、配置中心,控制台完善,Java 生态友好。选 etcd 的典型理由是「已经在 K8s/Go 体系里、只想要一个可靠的 KV + watch」,选 Nacos 是「要有现成的注册中心与配置中心」。要能说出两个坑:watch 断连后必须重新拉全量再续 watch,否则丢变更;租约续约因为网络抖动失败会导致健康实例被误摘,所以 TTL 与重试要留余量。如果部署在 K8s 里,还要知道 Service + CoreDNS 本身就能做一层服务发现。
容器化部署与 MySQL 排障:把「重启策略」和「数据卷」讲出来。 服务器重启后容器起不来,根因几乎都是没有配 restart policy——docker run 默认 --restart no,生产要写 always 或 unless-stopped(后者在你手动 stop 后不会自动拉起),用了 compose 就在 restart: 里配,systemd 托管的话 systemctl enable 开自启。重启后查状态的标准动作:docker ps -a 看容器列表与 Exited (码)、docker inspect 看 ExitCode / RestartCount / OOMKilled、docker logs --tail 200 -f 看退出前日志、docker compose ps、docker stats 看资源;有 healthcheck 的话看 docker inspect --format '{{json .State.Health}}'。要在容器里的 MySQL 执行语句:docker exec -it <容器名> mysql -uroot -p(镜像不同客户端路径不同,MariaDB 是 mariadb),密码走 MYSQL_ROOT_PASSWORD 环境变量;生产更稳的做法是宿主机装客户端 mysql -h 127.0.0.1 -P 3306 -u…,或者 docker exec <容器> sh -c 'mysql -e "..."' 写进脚本。一定要顺带提「数据必须挂 volume」,否则容器重建数据就没了——这是面试官最想听的那一句。
Redis Stream 比 List 队列强在哪。 Stream 是 append-only 的消息日志,XADD 写、XREADGROUP 按消费组读、XACK 确认,天生支持多消费组(同组内分摊、跨组各读一份)、未确认消息表(PEL)以及 XCLAIM / XAUTOCLAIM 认领超时消息,还能按 ID 回溯与重放——这几样正好补上 LPUSH/BRPOP 队列「消息取走就没了、没有 ack、失败就丢」的短板,也补上 Pub/Sub 不持久化的问题。工程上要注意:XADD 时用 MAXLEN ~ N 近似裁剪,否则内存只增不减;消费失败不 XACK 会让 PEL 越堆越大,要监控并定期清理;它没有 Kafka 那种分区与跨分区顺序保证,量级大了还是该上专业 MQ。答这题时给一个具体用法(比如订单状态变更通知),并说清「为什么不用 List」就完整了。
AI 编程的三阶段分配、review 冲突与工程师能力。 精力分配的合理答法是「需求与验收标准最多、实现最少、review 与验证居中偏多」并说明理由:把接口、边界与验收标准写清楚,AI 才不会跑偏,返工成本远大于多花的那十分钟;实现交给 AI 提效最明显;评审与测试是人类最不能省的一环。代码评审不止看代码,还要看方案与选型是否仍然成立——发现问题时别急着重写,先判断是「方案错了」还是「实现偏了」:方案错就停下来重做设计(用一个小 spike 验证关键假设,成本可控),实现偏就局部修。AI 评审与自己的判断冲突时,靠可验证的证据裁决:写最小对照实现、跑基准或测试、列出双方方案满足与不满足的约束,把结论沉淀成仓库里的 ADR / 规范 / 提示词,下次不用重新吵。团队层面:小 PR、明确的评审清单、自动化门禁(lint、测试、安全扫描)顶掉机械检查,让人专注设计与边界。至于「agent = LLM + harness」,可以认同但补一句:LLM 提供能力上限,harness 决定它能不能被可靠地用起来——上下文管理、工具、状态与记忆、失败重试与校验、权限与可观测性,缺一项就只是个会说人话的模型。聊到「工程师要具备什么能力」时,落到五个词:问题定义与拆解、系统设计与取舍、验证与判断(会不会用测试和度量证明东西对)、领域与业务理解、以及把 AI 当工具用的工程习惯。
B+ 树与 B 树的区别,以及什么是回表。 B 树每个节点既存键也存数据,一个节点能放的键少、树更高;B+ 树只有叶子节点存数据(或数据指针),内部节点只存键,所以扇出更大、树更矮、磁盘 IO 更少;B+ 树的叶子节点用双向链表串起来,天然支持范围扫描和排序,B 树要中序遍历。另外 B+ 树所有查询都走到叶子,路径长度稳定,性能可预期。回表指的是:二级索引的叶子只存索引列和主键,如果查询要的列不全在索引里,就必须拿主键再回聚簇索引捞一次行数据——每行多一次随机 IO,代价高。对应的优化方向是覆盖索引(把要查的列都放进索引,EXPLAIN 里看到 Using index 就是没回表)、或把二级索引直接建成需要的列组合;EXPLAIN 的 type 出现 ALL、Extra 出现 Using filesort/Using temporary,通常就是该改索引或改写的信号。