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
- 请先做个自我介绍。
- 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?
- 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?
- 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?
- 对下一份工作的预期是什么?
- 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
- 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。
- 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?
- 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?
- 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
- 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?
- 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?
- 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
- 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?
- 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?
- 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)?
- 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?
- 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?
- 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?
- 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)?
- 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
- 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?
- 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?
- 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?
- 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。