面灵AI→

虾皮后端研发一二三面:数组与链表、HashMap 扩容并发,以及怎么判断哪些活能交给 AI

轮次
一二三面
时间
2026-10
来源
牛客网

《面试题目》

一面

  1. 实习相关。
  2. 对数组和链表的看法;队列和栈呢?
  3. 如何用数组实现队列?
  4. HashMap 是如何实现的;为什么会发生哈希冲突?
  5. HashMap 如何扩容;为什么要设置负载因子;扩容时如何应对并发访问?
  6. 如何判断哪些任务适合交给 AI,哪些不适合?
  7. 如何判断 AI 的实现是否符合预期;人工 Review 速度跟不上 AI 产出的速度怎么办?
  8. 线上出现故障,如何让 AI 定位并解决;怎么确定 AI 说得对不对;后续如何避免再次出现类似问题?
  9. 删除排序链表中的重复元素 II【手撕】

二面

  1. 实习相关。
  2. MCP 协议了解多少;LLM 如何获得 MCP 提供的工具 Schema,是什么时候触发的?
  3. MCP Server 如何主动给 Client 发消息?
  4. Redis Pipeline 的原理;为什么无法保证原子性?
  5. Redis 把客户端发来的命令保存在哪里?
  6. 合并 K 个有序数组【手撕】

三面

  1. 实习相关。
  2. 一开始如何组建好的评测集?
  3. 如何基于 Redis 实现一个延迟队列;如何解决热 Key 问题?
  4. 发券系统需在 1 小时内发 1 亿张券,系统瓶颈在哪里?
  5. 如何实现每个用户只能领 1 张券;如果相同用户请求分散在不同 Redis 写节点上如何处理?
  6. 如何支撑秒杀场景中的流量峰值?

《参考解析》

数组与链表:考的是「按什么选结构」

只答「数组随机访问 O(1)、链表插入删除 O(1)」等于没答。数组是一段连续内存,下标直接寻址,遍历时命中 CPU 缓存、预取友好,代价是扩容整段拷贝、中间插入要搬元素;链表节点分散在堆上,插入删除只改指针,但多一份指针开销、访问要跟着指针跳、缓存不友好。所以真正的判据是访问模式:读多写少的配置表用连续内存更快,频繁在中间增删才轮到链表——LRU 用哈希表加双向链表,就是让「查找 O(1)」和「移动节点 O(1)」各司其职。队列和栈是逻辑结构,FIFO 与 LIFO 定义出入顺序,用数组还是链表实现是另一回事:数组栈天然贴合,数组队列要处理队头前移造成的空间浪费,于是有了环形缓冲。

用数组实现队列:考点全在边界

标准做法是环形队列加 head、tail、size,入队写 data[tail]、出队读 data[head],两个下标都取模前进。判空判满不能靠 head == tail 一套逻辑,要么额外维护 size,要么故意空一格;扩容不能直接 realloc,必须按从 head 开始的逻辑顺序搬到新数组开头,否则环形结构就散了。往并发追一步:单生产者单消费者可以无锁,生产者只写 tail、消费者只写 head,用原子变量配 acquire/release 保证「数据写完才发布下标」;多生产者就得上锁或 CAS 循环,还要注意两个下标落在同一缓存行造成的伪共享。

HashMap:扩容与并发才是分水岭

骨架是数组加链表、冲突多了转红黑树。冲突的根源是桶数有限而键空间无限,取模必然多对一;JDK 8 先用 h ^ (h >>> 16) 把高位揉进低位。扩容容量翻倍,利用「容量是 2 的幂」用 hash & oldCap 判断节点留在原位还是挪到「原位 + oldCap」,省掉重算哈希。负载因子 0.75 是空间与冲突概率的折中,太小浪费桶、扩容频繁,太大链表变长查询退化。真正的考点是并发:JDK 7 头插法在并发扩容时可能把链表接成环,get 会死循环打满 CPU;JDK 8 改尾插不成环,但依然不安全——并发 put 会丢更新、size 不准、扩容期间可能读到旧表。正确答法是「别指望 HashMap 扛并发」:读多写少换 ConcurrentHashMap(CAS 插空桶、锁桶头、多线程协同迁移),要整体一致就在外部加锁。

哪些活能交给 AI:给判据,不给态度

四个维度就够:可验证性(能不能被测试、编译、评测集自动判对错)、上下文可得性(拿不到代码和文档就只能猜)、失败代价与可逆性(错了能不能回滚,还是直接动生产数据)、重复度(一次性探索不值得建流程)。按这四条划线:样板代码、单测补全、机械重构、日志聚类、SQL 初稿可以交出去;不可逆的写操作、权限与资金的核心逻辑、需求本身就模糊的决策、需要真实世界上下文的判断,必须人来做——AI 可以出方案,签字的是人。

「怎么判断 AI 的实现符合预期」要答成门禁而不是「我会 review」:约定编译通过、关键分支有单测、lint 与类型检查零错误、diff 规模有上限,自动化先跑一遍,人只看设计与边界。Review 跟不上产出时,解法不是加班看代码,而是分层:低风险改动靠 CI 放行、中风险抽样、支付与权限这类高风险模块强制人工逐行;同时要求 AI 提交时附带「改了什么、为什么、怎么验证」,把 review 从「读懂代码」变成「核对结论」。线上故障同理:给 AI 证据(日志、trace、指标、最近的变更记录),要求先列假设和验证方法再动手,禁止直接改生产;判断它对不对靠复现与回滚后指标是否恢复,最后把这次故障沉淀成回归用例,才算「避免再次出现」。