面灵AI→

美的 后端开发二面:RabbitMQ 与 Kafka 对比、SQL 优化与 AI 落地场景设计

轮次
二面
时间
2026-11
来源
牛客网

《面试题目》

  1. 自我介绍。
  2. RabbitMQ 和 Kafka 的异同?
  3. 实习内容相关。
  4. MySQL 的 SQL 优化怎么做?有没有真实解决问题的经验?
  5. 场景题:如何将 AI 结合到企业实际应用中来?以美的为例,打造什么样的产品?怎么设计?解决什么问题?如何体现这个产品的价值?技术上包含哪些模块?
  6. 竞赛相关。
  7. 反问。

《参考解析》

RabbitMQ 与 Kafka 的异同:两者的定位不同,RabbitMQ 是通用消息中间件,Kafka 是分布式流平台。模型上,RabbitMQ 走 AMQP 的交换机—队列—路由键模型,支持 direct、topic、fanout、headers 四种路由,消费完即删除;Kafka 是分区日志,消息按 offset 持久化、按保留策略过期,消费者自己维护位点,天然支持重放。投递语义上,RabbitMQ 通过手动 ack 与 publisher confirm 做到「至少一次」,配合去重才能接近恰好一次;Kafka 在 0.11 之后支持幂等生产者与事务,可以在流处理场景做到精确一次。吞吐上 Kafka 靠顺序写盘、零拷贝与批量压缩做到十万级以上,RabbitMQ 单队列在万级,但延迟更低、路由更灵活。顺序性上 Kafka 只保证分区内有序,RabbitMQ 单队列有序但多消费者并发消费会打乱。选型结论要落到场景:业务解耦、任务分发、延迟队列、复杂路由选 RabbitMQ;日志采集、埋点、流式计算、需要回放与高吞吐选 Kafka。

SQL 优化的真实经验:回答要有「发现—定位—验证」的完整链条。发现靠慢查询日志(long_query_time 调低后观察)与 APM 的接口耗时;定位用 EXPLAIN 看执行计划——重点看 type(是否全表扫描)、key(实际用的索引)、rows(预估扫描行数)、Extra(是否 Using filesort、Using temporary);验证靠优化前后的执行时间与扫描行数对比,并观察线上 P99。常见手段:为等值 + 范围 + 排序的组合建联合索引并遵守最左前缀、避免在索引列上做函数运算或隐式类型转换、用覆盖索引减少回表、把 SELECT * 收窄到必要列、深分页改成基于游标的 WHERE id > ?、大事务拆小、用 EXPLAIN ANALYZE 确认优化器选择。要准备一个具体案例,说清慢在哪一步、改了什么、从多少毫秒降到多少。

以美的为例设计 AI 产品:这道题考的是「能不能把 AI 落到一个有行业约束的业务里」,空谈大模型能力会失分。可选的切入点是家电行业的三个真实痛点:售后(故障诊断与工单分派)、研发(产品说明书、标准文档、故障库的检索与问答)、制造(质检图像识别、设备预测性维护)。取售后做例子更完整:用户报修时用语音或文字描述现象,系统结合型号、历史工单、维修手册做检索增强问答,给出可能原因与处理步骤,判断是否需要上门并自动生成工单、按技能与地域派单;上门工程师侧提供故障树引导与配件推荐;后台沉淀「现象—原因—处置」的结构化知识,反哺检索库。技术模块拆成:知识库与文档解析(PDF、表格、图纸的切片与向量化)、检索与重排、对话与工单生成(工具调用写工单系统)、权限与审计(不同角色可见的数据范围)、评测与反馈(工单闭环结果回流为标注)。价值体现要落到可量化的指标:首次解决率、平均处理时长、上门率、备件周转、客服人力成本。风险与边界也要讲:模型给出错误处置建议的责任归属、必须人工确认的动作、数据脱敏与权限隔离。整套回答的结构是「选一个场景 → 业务流程 → 技术模块 → 指标 → 风险」,而不是罗列技术名词。

竞赛与实习怎么讲:面试官问这两项通常是在找「你解决过的最难的问题」。用 STAR 讲一个具体问题即可:背景是什么、你的判断是什么、做了什么、结果如何量化。避免把团队成果全部归到自己身上,被追问细节时容易露。