面灵AI→

上海某小厂 Java 后端一面:RAG 分块 Bug、20 亿去重与 CPU 100% 排查

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

  1. 请做一下自我介绍。
  2. 智能客服(RAG 大模型项目)里你遇到过最深刻的 Bug 是什么?
  3. AI 辅助开发是否降低了对开发者基础能力的要求?
  4. 进程与线程的区别?
  5. 多线程上下文切换(Context Switch)的定义与底层本质是什么?
  6. 阻塞队列(BlockingQueue)及其应用场景?
  7. Redis 常见数据类型及核心业务场景?
  8. Redis 主从同步是如何工作的?
  9. 生产中分库分表的场景与分片键(Sharding Key)选择?
  10. 为什么 MySQL 的表必须建主键?
  11. 20 亿 QQ 号,如何快速去重?
  12. 千万级 Excel 数据如何极速解析并入库?
  13. 线上服务器突然运行极其缓慢、CPU 飙高到 100%,你的标准排查链路是什么?

《参考解析》

RAG 里最有价值的 Bug 是「检索到了但上下文残缺」。 固定长度切分会把结构化内容切断:一张 Markdown 表格被 500 字硬切,后半段切片只有数据行没有表头,向量检索命中后模型看到的是「M 码对应胸围 96」却没有列名,于是把尺码答偏。修法有两层:切分时按结构做语义切片(表格、列表、标题作为边界,表格整体不拆),以及给每个子切片注入所属标题与表头元数据。这个案例的说服力在于「现象 → 定位 → 根因 → 修复 → 验证」完整,并且暴露的是分块策略这个 RAG 里最容易被忽略的环节。

AI 辅助开发与基础能力。 结论是不会降低、反而提高了对基础的要求。AI 产出的是「看起来对的代码」,冗余、边界缺失、错误处理糊弄是常态,能不能识别出来取决于你有没有底层功底;架构取舍、并发与事务的边界、性能瓶颈的判断,AI 给不出你项目的上下文。用 AI 的正确姿势是把需求、约束、验收标准写清楚,产出后逐行审、跑验证,关键路径自己重写。

上下文切换。 不是「线程间传数据」。它是 CPU 从一个线程切到另一个线程时的状态保存与恢复:把当前线程的寄存器状态、程序计数器保存进内核的 TCB(或栈),再从目标任务的控制块恢复寄存器和 PC,切换页表(进程切换时还要换 CR3、刷新 TLB)。触发原因有:时间片用完、阻塞(IO/锁)、被更高优先级抢占、主动 yield。开销包括保存恢复现场、调度器开销、以及最贵的 CPU Cache / TLB 失效,所以线程数远超核数时切换开销会吃掉吞吐。

阻塞队列。 队列满时入队阻塞、队列空时出队阻塞,天然实现生产者-消费者。典型场景是线程池的任务队列(ThreadPoolExecutor 的 workQueue)、日志异步落盘、消息削峰、流水线解耦。实现上 ArrayBlockingQueue 用一把锁 + 两个条件队列;LinkedBlockingQueue 用 takeLock/putLock 两把锁做读写分离,吞吐更高但默认无界容易堆积导致 OOM;SynchronousQueue 不存储元素,直接交给消费者(newCachedThreadPool 用它);PriorityBlockingQueue 按优先级出队。用的时候队列必须有界并配拒绝策略。

Redis 数据类型与场景。 String 做缓存、计数器、分布式锁(SET NX PX);Hash 存对象字段、购物车;List 做简单队列与时间线;Set 做去重、共同好友、抽奖;ZSet 做排行榜、延时队列(score 存时间戳)、带权重的推荐;Bitmap 做签到与布尔统计;HyperLogLog 做 UV 估算;GEO 做附近的人;Stream 做消息队列。回答时把「结构特性 → 对应业务问题」连起来,而不是背名字。

Redis 主从同步。 首次全量:从节点连上主节点后发 PSYNC,主节点 bgsave 生成 RDB 发给从节点,期间的新写入暂存在 replication buffer,RDB 加载完后把 buffer 里的命令补发。之后进入增量:主节点持续把写命令传播给从节点。网络短暂断开重连时,如果 offset 还在 repl_backlog_buffer(环形积压缓冲区)范围内,就只补发缺失部分(部分重同步),否则再走全量。要提的坑:主从是异步复制,主节点故障可能丢最后一段数据;从节点只读;主从延迟会导致读到旧数据,强一致读要走主节点或用 WAIT 命令。

分库分表与分片键。 触发点通常是单表数据量到千万级、单库连接数或磁盘到瓶颈。水平拆分的分片键选择原则:分布均匀(避免热点)、大多数查询都带它(避免跨库)、业务上不可变(改分片键等于迁移数据)。用户中心常用 user_id 哈希取模;订单可以按 user_id 分(保证用户维度查询落在单库),同时用订单号基因法把分片信息编进订单号,避免按订单号查时全库扫描。跨片查询、分布式事务、全局唯一 ID、扩容重分布是主要代价,要在设计时就考虑。

必须建主键的原因。 业务上是唯一性约束与引用锚点;底层上 InnoDB 是索引组织表,数据按主键顺序存放在聚簇索引的叶子节点,没有主键时它会选第一个非空唯一索引,再没有就隐式生成 6 字节的 row_id。隐式 row_id 全局共享一个计数器,并发插入时容易在页中间产生随机插入导致页分裂,且无法用于业务查询;显式主键(推荐自增或有序 ID)能让插入集中在最右侧、减少页分裂,二级索引也能存更短的主键。

20 亿 QQ 号去重。 QQ 号是纯数字且范围有限(无符号 32 位约 43 亿),用位图:一个号码占 1 bit,43 亿 bit ≈ 512MB,单机内存即可放下,逐条 SETBIT 后统计置位数就是去重结果,时间 O(n)、空间 O(范围)。如果 ID 空间极大或稀疏,改用布隆过滤器(有误判、可接受时用)或「哈希分桶 + 每桶位图/排序去重」的多机方案;也可以外部排序后归并去重,但慢得多。答题时先算内存再选结构,是这个题的核心得分点。

千万级 Excel 解析入库。 解析端不能用 Apache POI 的 XSSFWorkbook 全量加载(整棵树进堆必然 OOM),改用 EasyExcel 或 POI 的 SAX 事件模式逐行流式读取,内存恒定在几十 MB;入库端用批量插入(JDBC addBatch + executeBatch,MySQL 加 rewriteBatchedStatements=true 让驱动合并成多值 INSERT),每批几千条;用固定大小线程池并发处理不同 sheet 或分片,但数据库连接池要限量;失败行单独落到错误文件而不是整批回滚;大文件可以先用 split 或按行偏移分段并行解析。整体是「流式读 → 批量写 → 限流 → 错误隔离」。

CPU 100% 排查。 top 找高 CPU 的进程 PID → top -Hp <pid> 找高 CPU 的线程 TID → printf "%x\n" <tid> 转 16 进制 → jstack <pid> | grep -A 30 <0xTID> 看该线程栈(多抓几次确认是否一直在同一段代码,区分死循环与正常热点)→ 结合 jstat -gcutil 排除频繁 Full GC(GC 线程也会吃 CPU)→ 如果是 IO 等待看 iostat/vmstat。线上更快的做法是 Arthas 的 thread -n 3 直接列出最忙线程的栈。定位到代码后再判断是算法问题、锁自旋、还是正则回溯。