面灵AI→

平安银行一面:微服务容错、消息一致性与 RAG 排查

轮次
一面
时间
2026-10
来源
牛客网

《面试题目》

  1. 在大型遗留系统中使用 AI Coding 有哪些优势和风险?如何检查 AI 生成代码的正确性,并确保修改不会影响现有业务?
  2. 在 Spring Cloud 中,A 服务调用 B 服务的完整流程是什么?如何处理超时、重试、熔断、降级和幂等问题?
  3. 如何确定数据库连接池的大小?你做过哪些 SQL、索引和多表关联查询优化?
  4. RocketMQ 事务消息是如何工作的?如果不使用事务消息,如何通过本地消息表保证业务数据与消息的最终一致性?
  5. Redis Lua 脚本有哪些优缺点?如何使用 Redis 和 Lua 正确实现分布式锁?
  6. 如何在 Spring Boot 中定义和配置全局线程池?线程池的核心参数应该如何确定?公式?
  7. 访问量排行榜为什么选择 Redis ZSet?如何通过 Pipeline 提升性能,如何处理 Pipeline 不保证原子性的问题?
  8. SkyWalking 如何在微服务之间传递 Trace ID,并将不同服务的调用串联成完整链路?
  9. 你说你的审核系统违规内容识别率提升,是如何计算和验证的?应该使用哪些指标评估内容审核效果?
  10. RAG 召回效果较差时,如何从数据清洗、文档切分、混合检索、重排和 Embedding 模型等方面排查?
  11. Agent 的上下文、状态、短期记忆和长期记忆分别是什么?记忆系统应该如何控制写入与召回?
  12. 你使用 Python 和开发 Skill 的经验如何?分别完成过哪些工作?

《参考解析》

AI Coding 在遗留系统里的边界:优势集中在机械性工作上——读懂老代码、补单测、生成样板与适配层、批量重命名和迁移、把散落逻辑整理成文档,能显著缩短上手时间。风险同样具体:模型没见过你们的隐式约定,容易改掉看似冗余实则兜底的逻辑;生成代码可能忽略事务边界、幂等和异常清理;还会自信地引用不存在的 API。控制手段是把它当实习生而不是作者:改动粒度尽量小、一次只做一件事,先补特征测试(characterization test)把现在的行为锁住再动代码;依赖编译、静态扫描和全量测试作为硬闸门;review 时重点看资源与事务边界、错误分支和并发假设;上线走灰度与可回滚,关键链路保留开关。能讲出「先建立测试护栏再让 AI 动遗留代码」,这题就答到位了。

Spring Cloud 一次调用的全流程与容错:调用方从注册中心(Nacos/Eureka)拿到 B 的实例列表,经负载均衡选一个实例,通过 Feign/RestTemplate 发出 HTTP 请求,服务端经网关或直连进入 B 的业务逻辑,响应按原路返回。容错要分层讲:超时分为连接超时与读超时,还要有整体调用超时(比如用超时线程或信号量兜住),超时值从下游 P99 推出来;重试只能用在幂等接口上,限制次数并加退避与抖动,否则会放大故障;熔断用 Sentinel 或 Resilience4j,按失败率与慢调用比例打开断路器,半开状态放少量流量试探;降级是熔断后的兜底,返回缓存值、默认值或友好错误,业务上要能接受;幂等靠调用方生成的幂等键加服务端唯一索引,先把「创建」变成带客户端 ID 的 upsert,再谈重试。链路追踪则是在入口生成 Trace ID 放进请求头(如 swtraceid),沿途透传,通过 agent 字节码增强记录 span。

连接池大小与 SQL 优化:连接池不是越大越好,数据库的并发处理能力受 CPU 核数与磁盘 IO 限制。常用估算式是「连接数 ≈ CPU 核数 × (1 + 平均等待时间 / 平均服务时间)」,即按 IO 等待比例放大,先按这个起点压测再调;HikariCP 还要设最小空闲、最大生命周期(小于数据库 wait_timeout,避免用到已被服务端断开的连接)、连接超时与泄漏检测。SQL 侧先定位慢查询(慢日志、APM、explain),优化顺序是:先看能不能加合适的联合索引并满足最左前缀和覆盖索引,再减少回表;多表关联控制表数量与驱动表选择,避免在 WHERE 里对大表做函数运算或隐式类型转换导致索引失效;深分页用游标(where id > last_id)替代 limit 大偏移;实在无法优化再考虑冗余字段、汇总表或读写分离。

RocketMQ 事务消息与本地消息表:事务消息解决的是「本地事务提交」与「消息发送」两个动作不在一个事务里的问题。流程是:生产者先发半消息(对消费者不可见),Broker 落盘后回 ACK;生产者执行本地事务,再按结果向 Broker 提交 commit 或 rollback;如果生产者此时挂掉或提交失败,Broker 会定时回查生产者的事务状态接口,由它按本地事务结果决定最终提交还是回滚。这样保证的是「本地事务成功则消息最终可见」。不用事务消息时的替代方案是本地消息表:在同一个本地事务里写业务数据 + 一条待发送消息记录,然后由定时任务或独立线程扫描未发送记录投递到 MQ,投递成功后更新状态,失败按退避重试。两种方案都要求消费端幂等(唯一索引或去重表),并配补偿与人工兜底,才能保证最终一致。

Redis 分布式锁与线程池参数:Redis 加 Lua 的优点是脚本在服务端原子执行、减少网络往返、可复用逻辑;缺点是脚本执行会阻塞其他命令(要短小)、集群下多 key 必须落在同一分片、调试与版本管理麻烦。正确加锁是 SET key value NX PX ttl,value 用唯一标识(如 UUID + 线程 ID),释放时用 Lua 比对 value 再删除,避免误删别人的锁;业务超过 TTL 要有续期(看门狗)或改为状态机;单实例主从切换存在丢锁窗口,强一致场景用 Redlock 或改走数据库乐观锁。线程池要先定用途再定参数:CPU 密集型核心线程数约为核数 + 1,IO 密集型约为核数 × (1 + 等待时间/计算时间),队列要有界并明确拒绝策略(CallerRunsPolicy 或落库重试),线程命名与监控(活跃数、队列积压)必备。ZSet 排行榜用跳表 + 哈希实现有序与 O(1) 取分,Pipeline 则把多条命令一次发送减少 RTT,但它不保证原子性,需要原子就上 Lua 或 MULTI/EXEC。

RAG 排查、Agent 记忆与审核指标:RAG 召回差要按链路逐段排查:数据清洗(噪声、OCR 错误、重复文档先去重)、切分(chunk 过大导致语义稀释、过小导致上下文断裂,按结构切并用重叠窗口)、检索(向量模型是否匹配语料语言与领域、是否需要混合 BM25 兜住关键词与编号)、融合与重排(RRF 融合、cross-encoder 重排取 Top N)、最后才是生成侧的 prompt 与引用约束。评估要分层看召回率与命中率,才能判断是检索问题还是生成问题。Agent 记忆可以分四层:上下文是本次推理窗口内的信息,状态是任务执行中的结构化进度,短期记忆是会话内的历史与实体,长期记忆是跨会话沉淀的用户偏好与知识;写入要设门槛(重要性与置信度、去重与冲突检测、超时过期),召回要按相关性 + 时效 + 权限过滤,并把冲突显式呈现而不是静默覆盖。内容审核效果不能只看「识别率」,要同时给出准确率与召回率、混淆矩阵与误杀率,说明标注口径与人工抽检样本量,附上线上灰度对比数据;只报一个提升百分比而不讲口径,面试官一定会继续追。