面灵AI→

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》

  1. 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?
  2. 这里划分了哪些微服务?
  3. 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?
  4. 这里是部署到了本地还是服务器线上?
  5. 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?
  6. 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?
  7. 了解过 redis 的流模式吗?
  8. 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?
  9. 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?
  10. 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?
  11. 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?
  12. 在 AI 时代下,一个工程师应该具备哪些能力?
  13. 在代码 review 时,你觉得应该怎么做有助于团队合作?
  14. 有人说 agent 就是 LLM + harness,你认同吗?
  15. B+ 树和 B 树的区别是什么?
  16. 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。