面灵AI→

集换社 后端一面:RTB 广告链路、Bitmap 优化与 AI 研发流程

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

背景与求职规划

  1. 请先做个自我介绍。
  2. 简历上的三段实习经历城市跨度很大,百度实习是在深圳吗?目前是否已经离开百度?
  3. 简历上的两段项目经历是公司的业务项目还是个人自研项目?
  4. 目前是否已经毕业(2027 届)?接下来的求职计划是寻找实习还是全职工作?按你的计划大概什么时候可以到岗?
  5. 对下一份工作的预期是什么?
  6. 对我们公司(集换社)有了解吗?之前有没有下载过集换社 App?

广告业务与系统架构

  1. 结合你在技术部的经历,介绍一下整个互联网广告(RTB)的业务全流程。
  2. 结合广告架构图,具体讲一下你主导的性能优化大概位于全链路的哪个位置?
  3. 数据仓库通常基于大数据存储、接口响应较慢,而广告在线展示的端到端延迟一般都在 100 毫秒以内,你们是怎么保证整体延迟时间的?所有的广告信息都放在内存和 Redis 里吗?
  4. 数据仓库与在线服务的大词表之间是如何进行交互和同步的?

性能优化与排查链路

  1. 在几段实习的过程中,哪一件事是你一开始不太懂、但做完之后特别有成就感的?
  2. 针对 Bitmap 这次较大幅度的优化,最开始是怎么突然想起来要改这个东西的?
  3. 以召回索引构建和查询的优化为例,你们当时是怎么发现瓶颈、一步步排查分析的?哪些环节是纯手动操作的(例如看完监控后是如何联想到大词表问题的),哪些情况下用到了 AI 去做分析调研?

AI 工程化与研发效能

  1. 平时在做这些性能优化时,是主动手动去分析代码,还是利用 AI Agent 辅助分析的?
  2. 如果现在让你重新走一遍这套优化链路,你认为自己对 AI 的使用还会再激进一点,还是保守一点?你们目前用的是什么模型?
  3. 假定给你提供比当前更好的模型(如 Opus 5.5 之类),整个链路你会考虑在哪些阶段引入 AI 的能力(除了看监控图表之外)?
  4. 假定所有需要的基础设施都已完备,现在想让你完全用 AI 的能力解决该性能优化问题并尽量减少人工干预,你会怎样让 AI 去做这件事?
  5. 在全自动化的 AI 研发流程中,你觉得人应该在哪些阶段参与?如果上线之前需要人工检查 AI 的产物,具体需要检查哪些部分?
  6. 如果你倾向于人工进行 Code Review,假定后续让你带一个项目,手下有一堆 AI Agent 每天产出 10 万行、甚至每月产出上百万行代码,Review 不过来了怎么办?
  7. 在工作中,除了写代码(Vibe Coding)和做业务分析之外,你还会用 AI 做什么(例如写邮件、发消息等日常事务为什么不考虑也用 AI)?
  8. 你自己在工作之外,平时是怎么使用 AI 的?有没有研究过用 AI Agent 自主编排一些完整的任务流程?

AI 趋势下的职业方向

  1. 面对当前 AI 的发展形势,你后续找工作的个人职业规划是什么样的?
  2. 如果极端一点,后续 AI 发展到连前后端全栈开发都能独立完成,你认为研发人员该如何应对?
  3. 既然提到未来可能向产品或全栈方向延伸,你对「产品」这条业务线有没有什么想法?
  4. 你有没有思考过 AI 对于整体研发流程的改造以及公司组织架构会带来什么变化?是否了解现在前沿的 AI Native 公司是怎么做的?

《参考解析》

RTB 全流程与百毫秒预算:一次广告请求的链路是媒体侧发起请求,经 SSP 或 ADX 把流量与用户上下文传给多个 DSP,DSP 完成召回、粗排、精排、出价与素材选择后返回候选,ADX 比价选出胜出方并计费,媒体渲染曝光,后续异步回传点击与转化。端到端 100 毫秒是硬约束,通常还要给网络留出余量,因此在线链路只能做内存级操作:倒排索引、特征与向量常驻内存或本地缓存,Redis 只承担跨实例共享的小块数据,任何一次同步查数仓都会超出时延预算。离线侧负责产出索引与特征,在线侧只做加载与版本切换,二者通过消息队列或对象存储解耦。

数仓与在线大词表的同步:离线产出的全量数据以文件或 KV 形式落地,在线服务启动时全量加载到内存,之后按增量日志或消息队列做更新;为不阻塞查询,通常采用双缓冲或版本号切换,新版本加载完成并校验(条数、校验和、抽样比对)后再原子切换指针,旧版本延迟释放。更新要保证幂等与顺序,按主键覆盖而不是追加,异常时能回滚到上一版本。词表规模大时还要考虑内存布局(紧凑结构、字符串池、位图)与加载耗时,避免每次发布都触发长时间不可用。

Bitmap 优化的收益与排查方法:广告定向本质是集合运算——把人群包、地域、兴趣、物料集合求交并差。用哈希集合存储时内存占用大、交并操作要逐元素比较;换成位图后,一亿用户只需约 12.5 MB,交并差变成按字与或非,复杂度从元素级降到机器字级,压缩位图(如 RoaringBitmap)还能在稀疏场景进一步省内存。优化的起点通常来自 profiling:火焰图显示集合运算占了大头 CPU,或者压测中 QPS 上不去、GC 频繁,再结合监控里的大词表规模与请求分布,才敢动数据结构。改造时要注意位图只适合稠密或可枚举的 ID 空间,ID 映射表本身的维护成本要一并算进去。

全自动 AI 研发中人的位置:人应守在三处——需求与验收标准的定义(要解决什么问题、什么算完成)、方案与风险的取舍(架构选择、数据安全、成本与合规)、以及上线的审批与线上异常的处置。实现、重构、补测试、写监控分析可以大幅交给 Agent。上线前的人工检查不适合逐行读,而应检查契约与不变量:接口签名与错误码是否变化、数据库迁移是否可回滚、权限与鉴权是否被绕过、关键路径是否有测试覆盖、灰度与回滚开关是否就位。

代码量超出人工 Review 能力时怎么办:靠流程而不是靠人力。第一层是自动化门禁:编译、静态检查、类型检查、单测、集成测试、依赖与密钥扫描,不通过不允许合入;第二层是分层评审,核心链路与公共组件强制人工,边缘业务抽检;第三层是用不变量约束生成,例如统一的错误处理、日志规范、鉴权中间件,把正确性下沉到框架,减少需要逐行判断的代码;第四层是灰度发布与自动回滚,把风险控制从「事前看懂每一行」转移到「事中快速发现与回退」。同时要求 Agent 产出附带变更说明、影响面与测试证据,便于抽检时快速判断。

AI 时代的职业方向:写代码的比重会下降,定义问题、拆解系统、评估结果与承担责任的比重会上升。可迁移的能力包括业务建模、系统设计与容量评估、数据与指标体系建设、以及把 AI 组织成可靠流程的工程能力。回答「研发人员如何应对」时,给出具体动作比表态有效:把 AI 用在真实项目里跑通端到端、积累评测与验收的方法、补足产品与业务理解。谈产品方向时,从自己熟悉的业务痛点出发,说明需求、目标用户与验证方式,避免空谈。

到岗时间是这类公司的硬门槛:面经中该候选人因无法快速到岗而挂。实习转正定薪的公司通常按批次补人,招聘方需要能立即入职的人。若确实无法提前到岗,应在面试早期说明可到岗时间与约束(毕业时间、论文、现实习交接),并给出可接受的折中方案(先远程兼职、按周入职、约定入职日期),让对方在流程早期判断是否继续,而不是等到最后才暴露。