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
- 实习相关。
- 你对数组和链表有什么看法?队列和栈呢?
- 如何用数组实现队列?
- HashMap 是如何实现的?为什么会发生哈希冲突?
- 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?
- 如何判断哪些任务适合交给 AI,哪些不适合?
- 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?
- 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?
- 手撕:删除排序链表中的重复元素 II。
二面
- 实习相关。
- 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?
- MCP Server 如何主动给 Client 发消息?
- Redis Pipeline 的原理是什么?为什么无法保证原子性?
- Redis 把客户端发来的命令保存在哪里?
- 手撕:合并 K 个有序数组。
三面
- 实习相关。
- 一开始如何组建一套好的评测集?
- 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。