面灵AI→

网易云 全栈面经:缓存三大问题、事务失效与模型幻觉的成因

时间
2026-10
来源
牛客网

《面试题目》

  1. 自我介绍。
  2. 询问项目。
  3. 描述调用链路。
  4. 描述遇到的问题。
  5. 缓存击穿、雪崩、穿透分别是什么?怎么应对?
  6. 如果 Redis 里面的数据错误要回滚,但是现在有大量请求进来,怎么办?
  7. 看代码找问题:调用外部类导致事务失效。
  8. 模型产生幻觉的原因是什么?

《参考解析》

缓存穿透、击穿、雪崩的区别:三者都是「请求打到数据库」,但成因完全不同,答题时先把区别说清再给对策。

  • 穿透:查的数据根本不存在(比如恶意传一个不存在的 id),缓存里没有、数据库里也没有,每次请求都穿过缓存打库。对策是缓存空值(短 TTL)挡住重复的无效查询,加布隆过滤器在入口就判掉不存在的 key,以及对入参做合法性校验、对异常高的查询频率做限流。
  • 击穿:某一个热点 key 过期的瞬间,大量并发请求同时落到数据库上。对策是热点 key 不设过期(或逻辑过期,后台异步续期),或者用互斥锁(Redis SET NX)让只有一个请求去回源、其余等待,再加单飞(single-flight)在进程内合并同 key 的并发请求。
  • 雪崩:大量 key 同时失效(统一过期时间)或缓存服务整体不可用,请求全部涌向数据库。对策是过期时间加随机抖动打散、多级缓存(本地 + Redis)兜住第一波、缓存集群做高可用与多副本、以及对数据库侧做限流与降级(返回兜底数据而不是直接压垮)。

Redis 数据错了要回滚,但还有大量请求进来:这题的陷阱是「回滚」这个动作本身——Redis 不是事务数据库,没有回滚语义,你能做的是「修正值」并控制修正过程中不被旧值继续污染。分几步:

第一,止血:先确认错误的范围和影响面。如果只是某个 key 的缓存值过时(数据库是对的),直接删掉这个 key 让下次读回源即可,不需要「回滚」;如果是数据库本身写错了,那要先修数据库(走补偿事务 / 反向操作),再处理缓存。

第二,别在流量高峰直接重建:大量请求进来时立刻删 key 会导致缓存击穿。做法是先把 key 标成「正在修复」(逻辑过期:写一个带过期标记的值,读取方看到标记就回源并异步重建,或者返回降级数据),再用互斥锁让只有一个请求去执行重建,其他请求等待或读旧值。

第三,保证顺序与一致性:修复时先更新数据库、再删缓存(或写新值),并用版本号 / 时间戳防止旧请求把过期数据写回缓存(这是并发下的经典坑:A 读到旧库值 → B 修复了库 → A 把旧值写进缓存)。可以给写入带版本,缓存里存版本号,只有更高版本才能覆盖。

第四,善后:核对数据一致性(对账脚本扫一遍受影响范围)、补监控(这类错误应该有告警)、复盘为什么会产生错误数据(是并发写、还是代码逻辑错),因为防住产生比事后修更省。

「调用外部类导致 Spring 事务失效」怎么回事:Spring 的声明式事务是靠 AOP 代理实现的——只有通过代理对象调用的方法才会被事务拦截器包住。典型失效场景有一串:① 同类内部方法调用(this.methodB()),走的是原始对象不是代理,事务注解不生效;② 方法不是 public(Spring 的代理默认只拦 public);③ 异常被自己 catch 掉了没抛出去,事务管理器看不到异常就不会回滚(默认只对 RuntimeException 和 Error 回滚,受检异常要显式配 rollbackFor);④ 类没被 Spring 管理(自己 new 出来的);⑤ 数据库引擎不支持事务(MyISAM);⑥ 传播行为配置不当(REQUIRES_NEW 之外的嵌套)。

题目说的「调用外部类事务失效」通常指这几种变体:把需要事务的方法抽到另一个类里,但那个类没有被 Spring 注入(new 出来的),或者调用方持有的是自己 new 的实例而不是注入的代理;也可能是跨类调用时外层方法没有事务、内层方法有 @Transactional 但类的代理没生效(比如内部类、匿名类、或用了 CGLIB 代理却把类设成 final)。

修复路径:确保跨类调用走注入的代理对象而不是自己 new;需要同内部方法互调事务时,把自己注入自己(@Lazy 自引用)或拆到独立 Bean;把 catch 里的异常重新抛出,或显式 TransactionAspectSupport.currentTransactionStatus().setRollbackOnly();在 @Transactional(rollbackFor = Exception.class) 里声明要回滚的异常类型;用 AopContext.currentProxy() 或 TransactionTemplate 显式控制。

面试时的加分点是能说清「为什么失效」的机制——代理边界在哪里断掉,而不是背一堆场景。

模型产生幻觉的原因:分几个层面看,答的时候分层比罗列更清楚。

训练层面:预训练的目标是「预测下一个 token」,优化的是词序列的似然而不是事实正确性——模型学的是「什么话听起来像真的」,不是「什么是真的」。训练数据里本身有错误、过时信息、以及大量似是而非的表述,模型照单全收。知识还有截止时间,问它训练之后的事它就无据可依,只能顺着语言模式编。

推理层面:自回归生成是逐 token 采样,一旦前面出现一个偏掉的 token,后面的内容会围绕这个错误「自圆其说」——这就是为什么幻觉往往连贯、细节丰富、听起来特别可信。另外模型缺少「我不知道」的校准能力:它被训练成总要给出答案,而不是在没把握时拒答。

上下文层面:检索到的内容不对(RAG 召回错了)、上下文太长关键信息被淹没、或者提示词本身有误导,都会让它基于错误的依据生成。

对齐层面:RLHF 之类的对齐倾向于让回答「有帮助、符合用户期待」,这在一定程度上鼓励了「编一个答案」而不是「承认不知道」。

怎么缓解(这半段是拉开差距的地方):给模型可依据的材料(检索增强),并要求引用出处;把「无法确定时明说」写进指令;用结构化输出约束格式,再用程序校验;关键结论走交叉验证(多次采样比对、或用另一个模型审计);对事实性内容在生成后再做一次检索核对;以及最实际的——把高风险场景(金额、法条、医疗)放在人工复核环节里。