面灵AI→

Klook 后端一面:抢购高并发、Redis 扣减与 RAG 里的语义断裂

轮次
一面
时间
2026-10
来源
牛客网

《面试题目》

  1. 项目对抢购高并发有经验,抢购怎么做、怎么解决高并发?
  2. 做高并发时基于 IP 限流,公司里几百上千人同网段抢购,难道都封掉?
  3. Redis 里扣减完库存但用户没支付 / 钱不够 / 不想买,怎么处理?
  4. 把正确库存回传 Redis 时也有人同时在扣减,怎么处理 Redis 并发问题?
  5. 表格怎么 embedding 处理?
  6. RAG 里写数据的人和问问题的人表述不一致、文本匹配度不高怎么办?
  7. RAG 中商家信息写「不能吃花生」,用户问「我对某些东西过敏」,怎么让系统 get 到意思?
  8. 上面过敏源场景还有没有优化方案?
  9. HashMap 的槽怎么来的?怎么计算出来的?

《参考解析》

抢购的高并发

分三层答。入口层:静态资源上 CDN、活动页做成静态化、按钮置灰防重复提交,网关按「用户 + 设备 + 接口」限流,把绝大部分流量挡在业务之外。中间层:库存预热进 Redis,扣减用 Lua 脚本把「查库存 + 判断 + 扣减」合成一次原子操作,避免 check-then-set 的竞态;库存按活动拆成多段分片,降低单 key 热点。落库层:MQ 削峰,订单异步入库,用订单号做幂等键。

IP 限流误伤同网段

IP 是弱标识,公司出口、校园网、运营商 NAT 后面是成千上万人。改法是分层限流:默认按用户维度(登录 uid / 设备指纹)限,IP 只做「异常放大」的粗粒度阈值(比如单 IP 每秒超过正常人均十倍才拦),并且分级处置——先排队、再验证码、最后才拒绝。再加白名单与灰度,被误伤的用户能申诉。核心是把「限流」从封 IP 变成控制并发与排队。

Redis 预扣后用户不付款

标准做法是预扣 + 过期回补:扣减时同时写一条带 TTL 的占位记录(或把订单号写进活动的已售集合),订单超时未支付就由延时消息把库存加回去,加回时同样走 Lua 保证幂等(用订单号去重,避免重复回补)。再加一道对账:Redis 库存与 DB 已售数量定期核对,不一致就以 DB 为真修正,并把差异写告警。「钱不够 / 不想买」本质上是「未支付」的子集,处理路径相同。

库存回传时的并发

回补不是简单 INCR:它和正在进行的扣减会互相覆盖。用 Lua 把「校验占位记录存在 → 加回 → 删占位」做成原子操作;如果业务上允许多次回补,就用 SETNX 式的幂等键。更稳的做法是把库存的唯一真源放在 DB(带条件的 UPDATE ... WHERE stock > 0),Redis 只做流量过滤,回补以 DB 结果为准重刷缓存,避免两套账长期漂移。

表格的 embedding

表格不能整块丢进向量库。常见做法有三种:按行转成「表名 + 列名: 值」的自然语言句子后逐行 embedding(适合查询单条记录);把表结构和列名单独 embedding,让模型先选表再用 SQL 取数(text-to-SQL 路线,适合聚合查询);对小表做整表序列化 + 摘要 embedding(适合问答式检索)。工业上常是「schema 检索 + SQL 生成」为主、「行级语义」为辅,两种都存,按问题类型路由。

表述不一致与语义匹配

写库的人和提问的人用词不同,纯文本相似度必然掉。解法是混合检索:BM25 保证关键词命中,向量检索保证语义召回,再用交叉编码器重排;同时做 query 改写(同义词、缩写展开、指代消解)和索引侧的「问题化改写」——入库时让模型把一条事实改写成若干可能的问法一起向量化。领域词表(别名、品牌名、商品同义词)用词表兜底比纯模型可靠。

过敏原语义

「不能吃花生」和「我对某些东西过敏」之间没有字面重合,靠向量也不稳,正确做法是引入结构化的领域本体:把过敏原建成实体(花生、坚果、乳制品…),商品/商家信息抽取成「含有什么」的结构化字段,用户 query 先做意图识别(是否为过敏约束),再落到实体上做集合运算。这一步不是检索问题,是知识表示问题。优化方向:允许用户维护自己的过敏档案、对模糊表述(「有点过敏」)做风险分级并默认从严、给答案附上依据(哪条商品信息说了含花生)。

HashMap 的槽位

hash = h ^ (h >>> 16),即把高 16 位异或到低 16 位做扰动,让高位也参与定位;然后用 (n - 1) & hash 取槽,n 是容量且必须是 2 的幂,这样取模等价于按位与、更快。这也解释了为什么扩容是翻倍:元素要么留在原位,要么移动 oldCap 距离。冲突链长度到 8 且容量 ≥ 64 时链表转红黑树。