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》
- 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?
- 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?
- 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?
- 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?
- 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?
- 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?
- 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?
- 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?
- 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?
- 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?
- 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?
- 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。