数字政通 Java后端 一二面:上下文压缩、亿级单表与镜像分层
- 轮次
- 一二面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
一面(2026-10-15)
- 自我介绍。
- 项目拷打。
- 滑动窗口与摘要如何管理上下文?
- 追问 3.1:滑动窗口与摘要分别是什么?
- 追问 3.2:压缩后如何保证、验证关键信息没有丢失?
- 场景题:一次 MCP 调用返回过多数据,撑爆上下文怎么办?
- 数据库、数据结构等基础知识的学习情况。
- 场景题:单表上亿条数据,如何优化?
- 追问 6.1:加索引有什么代价,是否越多越好?
- 追问 6.2:写入时锁住什么,会不会直接锁表?
- 追问 6.3:锁竞争具体发生在哪里?
- 是否使用过 Spring Boot?
- 对 Docker、Kubernetes 有哪些了解?
- 追问 8.1:Docker 所说的减小体积,具体指什么?
- 追问 8.2:镜像分层如何实现?
- 追问 8.3:与直接分发 fat JAR 相比,有什么区别?
- 反问。
二面(2026-10-16)
- 自我介绍。
- 实习拷打。
- 项目拷打。
- 多级缓存的整体结构是什么?
- 追问 13.1:为什么需要多级缓存?
- 限流机制怎么设计?
- 追问 14.1:有没有评估过限流误差?
- 场景题:异步任务要写入多个存储,是否需要保证全部写入成功?
- 场景题:接口延迟突然暴涨,如何排查?
- 追问 16.1:常见的慢响应原因有哪些?
- 如何使用 AI 编程提高效率?
- 追问 17.1:手写代码与 AI 辅助如何配合?
- 为什么转专业?
- 如何带两个人按时完成任务?
- 追问 19.1:如何把控时间节点?
- 反问。
《参考解析》
滑动窗口保“最近”,摘要保“久远”,两者要叠加结构化状态而不是二选一。 滑动窗口是只保留最近 N 轮对话或最近若干 token,优点是实现简单、近期指代和细节完整,缺点是一旦超出窗口,早期约定就丢了;摘要则把更早的对话压缩成一段自然语言,能覆盖长历史,但会丢细节、可能被模型改写,而且摘要有“滚雪球”误差。工程上常用组合:系统约束常驻,最近几轮保留原文,更早的对话做滚动摘要,另外单独维护实体表/槽位(用户、订单、金额、时间、已确认参数)和未完成事项,摘要只作补充。压缩后要验证关键信息没丢,可以设计探针问题:关键实体还在不在、用户否定过的方案会不会被重新推荐、约束条件是否仍遵守、指代能否正确消解;离线用固定对话集对比压缩前后的任务成功率和实体召回,线上看追问率、纠错率和人工兜底率。重要会话保留原始记录,摘要出问题时能回到原文重压,而不是在错误摘要上继续滚。
MCP 返回过大,正确的方向是“让工具少返回”,而不是“让模型硬吃”。 首先在协议层做分页、过滤、字段裁剪和排序,只取当前任务需要的字段;工具描述里写清默认 limit 和最大 limit,返回结构带 has_more、next_cursor、总量估算。其次在编排层做预算:给每次工具结果设 token 上限,超限就截断并保留 schema、统计摘要和少量样本,同时把完整结果落到对象存储/工作区,返回一个可回查的句柄,让模型按需二次取。第三,对结构化数据先做本地聚合(计数、分组、Top-K),再把聚合结果给模型;对日志先按错误码/请求 ID 过滤,不要整包塞。还要有降级:工具超时或返回异常时,明确告诉模型“数据不完整”,让它追问或缩小范围,而不是编造。关键指标是工具结果的 token 分布、截断率、二次取数率,以及因为上下文不足导致的失败率;把这几项接进 trace,才能判断是工具设计问题还是模型不会用。
单表上亿,先看访问模式,再决定索引、分区、分库分表还是归档。 如果查询都能命中索引且是点查/小范围,优先做覆盖索引、联合索引、避免回表和深分页;如果是时间范围查询,按时间分区,冷数据归档或放到对象存储/OLAP;如果写入量和并发都很高,考虑分库分表,选好分片键避免跨分片查询和热点;读多写少可以加缓存或读写分离。加索引的代价是写放大(每次 insert/update 都要维护索引)、占空间、拖慢优化器、增加锁的范围,所以不是越多越好,通常按高频查询建联合索引,定期清理无用索引。InnoDB 的行锁是加在索引项上的:命中唯一索引等值查询锁一行,范围查询在 RR 下可能加 next-key lock(记录锁 + 间隙锁),如果 where 条件没有走索引,就会扫描大量行甚至退化成锁很多记录;DDL 还会拿 metadata lock。锁竞争常见于热点行更新(库存、计数器)、同一区间的间隙锁、长事务持有锁、以及二级索引过多导致的加锁路径变长。解决思路是缩短事务、把热点更新串行化或拆成多行(分段计数)、用乐观锁/版本号、减少不必要的索引、把非核心更新异步化。
Docker 镜像分层是“每条构建指令一层、只读层共享、容器层可写”。 镜像由一系列只读层叠加而成,底层是基础 OS,中间是 JRE、依赖、应用文件,最上面是容器启动时的可写层;overlay2 这类存储驱动把多层合并成一个文件系统视图,相同层可以在多个镜像/容器间复用。Dockerfile 里 RUN、COPY、ADD 都会产生新层,所以把变化少的指令放前面、把 COPY 依赖文件和 COPY 源码分开,能最大化缓存命中;多阶段构建让编译工具只留在 builder 阶段,最终镜像只拷贝产物;再用 slim/distroless 基础镜像、合并 RUN、清理包缓存、.dockerignore 排除无用文件,体积就下来了。“减小体积”具体指减少镜像层数和每层内容,尤其别把源码、测试、构建缓存、包管理缓存带进最终镜像。和直接分发 fat JAR 相比:fat JAR 只包含应用和依赖,要求目标机器已有合适 JRE,包小、启动直接,但环境不一致时容易出问题;镜像把 OS、JRE、应用一起打包,部署一致、隔离性好、可回滚,代价是体积大、构建和拉取慢、需要容器运行时。生产上常见做法是“瘦 JAR + 精简基础镜像”,而不是把整个 JDK 和构建工具都塞进去。
多级缓存是用容量换延迟,用一致性换吞吐,结构通常是本地 + 分布式 + 数据库。 L1 用 Caffeine/Guava 放在应用进程内,纳秒到微秒级,适合极热、变化少的数据;L2 用 Redis 等集中式缓存,毫秒级,容量大、多实例共享;最底下是数据库。读路径先 L1、再 L2、最后回源并回填;写路径常用 cache-aside:先更新数据库,再删除缓存,必要时延迟双删或订阅 binlog 异步失效,L1 通过广播/消息通知各实例失效。为什么需要多级:减少网络往返、扛住热点 key、在 Redis 故障时本地还能兜一段;代价是一致性更难,尤其是本地缓存各实例失效时间不一致。还要处理穿透(空值缓存 + 布隆过滤器)、击穿(互斥重建/逻辑过期)、雪崩(过期时间加随机、熔断降级)。限流则是另一套:令牌桶允许突发、漏桶平滑输出、固定/滑动窗口统计简单但有边界突刺;分布式限流用 Redis + Lua 保证原子性,按用户、IP、接口、租户分维度,本地再加一层令牌桶减少 Redis 压力。限流误差主要来自时钟漂移、网络延迟、Redis 故障降级、窗口边界和突发流量,评估时看实际通过 QPS 与目标值的偏差、误杀率、P99 延迟和拒绝后的重试行为;必要时用并发度自适应或队列背压,而不是只靠一个固定阈值。
异步任务写多个存储,不一定要“全部成功”,但要定义清楚一致性级别和失败后的状态。 如果业务要求强一致,就不该用异步多写,应该走单一事务源或分布式事务(2PC/TCC),代价是复杂度和可用性;更多场景是最终一致:本地事务写业务库 + outbox 消息表,后台投递 MQ,各消费者幂等消费,失败重试 + 死信队列 + 人工补偿,定时对账修数据。状态机要明确“待处理、处理中、成功、失败、已补偿”,每一步可重入;下游写入用业务唯一键做幂等,避免重复消息造成脏数据。接口延迟突然暴涨,排查顺序是:先看监控确定是全局还是单接口、单实例,再看 trace 找耗时最长的 span,区分是应用、数据库、缓存、下游还是网络;应用侧看 GC、线程池、连接池、CPU/负载、锁竞争,数据库看慢查询、锁等待、连接数,缓存看命中率和 Redis 延迟,下游看超时和重试风暴。常见原因包括慢 SQL/缺索引、锁等待、GC 停顿、线程池或连接池耗尽、下游超时、序列化大对象、缓存击穿、流量突增和发布变更。定位时用对比法(和昨天/上一个版本比)、分段法(逐层打点)和现场法(thread dump、heap dump、火焰图),先止血再根因。
AI 编程适合“放大已经会的东西”,不适合替代对核心逻辑的判断。 日常可以用它生成样板代码、单测、SQL、正则、脚本、重构建议和日志分析,也可以让它先解释一段陌生代码;关键是把它当草稿,所有输出都要过编译、lint、单测和 code review,小步提交,方便回滚。手写和 AI 辅助的边界可以这样分:核心算法、并发、安全、资金相关逻辑自己写并逐行理解;重复性、边界清晰的代码交给 AI 加速;让 AI 先写测试再写实现,或者自己写实现让 AI 找边界。团队协作题则按“目标拆解—责任人—里程碑—风险”回答:把任务拆到可验收的粒度,明确谁负责什么、依赖是什么,设中间检查点和缓冲,遇到阻塞及时升级;带两个人时,自己承担最难的模块,同时留时间做 review 和联调,别把所有事揽在自己身上。转专业这类问题照实说动机和补课路径即可,重点是把“为什么现在能做这个岗位”讲清楚。