面灵AI→

虾皮后端研发一二三面:从 HashMap 扩容问到 MCP 与 Redis 延迟队列

轮次
一面 / 二面 / 三面
时间
2026-11
来源
牛客网

《面试题目》

一面

  1. 实习相关。
  2. 你对数组和链表有什么看法?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 的速度跟不上 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?后续如何避免再次出现类似问题?
  9. 手撕:删除排序链表中的重复元素 II。

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 的原理是什么?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. 手撕:合并 K 个有序数组。

三面

  1. 实习相关。
  2. 一开始如何组建一套好的评测集?
  3. 如何基于 Redis 实现一个延迟队列?如何解决热 Key 问题?

《参考解析》

数组、链表、队列与栈:数组内存连续、支持 O(1) 随机访问、缓存友好,但中间插入删除要搬移(O(n)),扩容要整体复制;链表节点分散、插入删除只改指针(O(1),前提是已持有前驱),代价是额外指针开销、缓存不友好、随机访问 O(n)。队列是 FIFO,栈是 LIFO;工程上的取舍是「用数组实现队列要处理假溢出(环形缓冲区),用链表实现栈会有频繁分配」。能补一句「CPU 缓存行让数组在遍历场景下快一个数量级」,比只背复杂度更有说服力。

用数组实现队列:维护 head、tail 与 size,入队写 data[tail] 后 tail = (tail + 1) % capacity,出队取 data[head] 后 head 前移,size == capacity 为满、size == 0 为空。用 size 而不是靠 head == tail 判空,可以区分「空」与「满」;容量不足时按 2 倍扩容并把元素按序搬到新数组。这道题之后常被追问「无锁队列怎么做」——单生产者单消费者用环形缓冲加读写指针与内存屏障即可,多生产者要用 CAS 或分段。

HashMap 的实现、冲突与扩容:JDK 8 是数组 + 链表 + 红黑树,hash(key) 做扰动(高 16 位异或低 16 位)后与 (n-1) 做与运算定位桶。冲突的根因是桶数量有限而 key 空间无限,不同 hash 落到同一桶就挂链;链表长度到 8 且容量 ≥ 64 时树化,退化到 6 时还原。负载因子 0.75 是时间与空间的折中:太高冲突多、查询退化,太低浪费内存且扩容频繁。扩容是容量翻倍,JDK 8 利用「扩容后索引要么不变、要么多一个旧容量」的性质把节点拆成高低两条链,不需要重新计算 hash。并发问题要讲清:HashMap 非线程安全,JDK 7 头插法在并发扩容时会成环导致 CPU 100%,JDK 8 改尾插仍会丢数据;并发场景用 ConcurrentHashMap(CAS + synchronized 锁桶,扩容时多线程协助迁移)。

「哪些任务适合交给 AI」要有判据:看四件事——可验证性(输出能否被自动检查,代码能跑测试、文案不能)、容错度(错了的代价与可逆性)、上下文可得性(所需信息是否在模型能看到的范围里)、以及是否涉及强合规或不可逆操作。适合的是草稿生成、分类打标、摘要、检索问答、代码补全与重构建议、日志初筛;不适合的是资金操作、权限变更、对外承诺、需要实时精确计算的场景,这些可以让 AI 出建议、人来执行。判断标准写成清单,比凭感觉说「看情况」专业得多。

AI 产出的验收与 Review 瓶颈:验收靠三层——机器可验证的信号(编译、单测、类型检查、lint、静态扫描、评测集打分)、结构化的人工抽查(按风险分层抽样,高风险全查、低风险抽 10%)、以及线上指标回归(错误率、延迟、用户反馈)。Review 跟不上产出时,正确做法不是降低标准,而是把「可自动判定的部分」自动化,把人的注意力集中到设计取舍与边界条件上;再配合小批量提交、可回滚发布、灰度与特性开关,让错误的影响面可控。这条思路同样适用于 AI 写的代码与 AI 生成的内容。

让 AI 定位线上故障:前提是把可观测性接进去——指标、日志、链路追踪、变更记录都要能被工具化查询,且给 AI 的权限是只读的、有审计的。流程是「假设—取证—验证」:先根据现象列出可能的原因,再调工具拉取对应时间窗的指标与日志,找到异常点后验证(对比基线、检查同期变更、看是否可复现),最后给出证据链而不是结论。判断 AI 说得对不对,看它引用的证据是否指向同一时间与同一维度、结论能否被独立复现、以及是否与已知变更对得上。避免复发靠复盘产出可执行的检查项(告警规则、自动化巡检、混沌演练、发布卡点),而不是靠记住这一次的原因。

MCP 里工具 Schema 怎么到模型手上:MCP 是客户端与服务端之间的协议(JSON-RPC 2.0,传输可以是 stdio 或 HTTP/SSE),服务端通过 tools/list 暴露工具名、描述与 JSON Schema;主机侧的客户端在建立会话时拉取这份清单,把它转换成模型能理解的工具定义(例如 OpenAI 的 tools 字段或 Anthropic 的 tool use 结构)注入到请求里,模型在推理中决定调用哪个工具并给出参数,客户端执行 tools/call 后把结果回填进对话。触发时机是「模型自己判断需要调用」,不是服务端推送;服务端只能在清单变化时发 notifications/tools/list_changed,由客户端决定是否重新拉取。

MCP Server 能不能主动发消息:协议本身是双向的。在同一条已建立的会话里,服务端可以发通知(资源更新、清单变更、进度)与请求(采样 sampling、向用户提问 elicitation、读取 roots),但前提是客户端实现了对应能力并在初始化时声明;服务端无法主动建立连接,也不能跨会话推送。长任务用进度通知把状态回传给客户端;如果业务真的需要「服务端主动找用户」,只能在 MCP 之外再挂一条通道(webhook、消息队列、SSE 长连接),由客户端或业务系统接收后再触发下一次会话。这一题区分的是「读过协议」和「真的写过 Server」。

Pipeline 与命令存放位置:Pipeline 是把多条命令一次性写入、一次性读取,省掉每条命令的往返时延(RTT),服务端仍然逐条顺序执行;它不保证原子性——一批命令中间可能插入其他客户端的命令,中途某条失败时前面的已经生效且不会回滚,网络中断时客户端也无法确定哪些执行了。要原子性得用 MULTI/EXEC(事务,但不支持回滚,只是打包执行)或 Lua 脚本(服务端一次执行完,中间不插入其他命令)。「命令保存在哪里」问的是 Redis 的内部结构:客户端发来的字节先进入该连接的输入缓冲区(querybuf),解析成 argv 后交给命令表执行;回复写到输出缓冲区(client output buffer),持久化时写 AOF 缓冲区(aof_buf),主从复制时写复制积压缓冲区(repl_backlog)。回答时把这几个缓冲区区分开,就能看出是不是只背了「单线程」三个字。

评测集怎么建:从真实流量采样而不是自己编题——按场景与难度分层(高频、长尾、边界、对抗),每条样本带上输入、期望输出或判定标准、以及来源与版本;规模上先求「有」再求「全」,几十到几百条就能跑起来,关键是可持续更新(线上 bad case 回流、定期复审标注)。指标要区分检索与生成、正确性与可用性,并给出置信区间;离线评测用固定集做回归,线上用 A/B 与人工抽检校准,避免「离线涨了线上没动」。

Redis 延迟队列与热 Key:延迟队列的经典实现是 ZSET,成员是任务 ID、score 是到期时间戳,消费者用 ZRANGEBYSCORE key 0 now LIMIT n 取出到期任务,再用 Lua 脚本「取出并删除」保证不被重复消费;失败任务重新入队或进重试队列(带退避的 score),消费端要做幂等。更完整的是「ZSET 做定时 + LIST 做就绪」的两级结构(Redisson 的 RDelayedQueue 就是这个思路),避免消费者反复轮询空 ZSET。热 Key 的处理分三层:写侧分片(key 加随机后缀拆成 N 个,读时聚合)、读侧加本地缓存并批量合并请求、以及限流与降级;再配合热点探测(采样统计、代理层统计)提前发现。要说明代价:分片会让聚合变复杂、本地缓存有一致性延迟,选型取决于能否接受最终一致。