面灵AI→

TME 测试开发一面:权限越权、知识库切分与 100 分片上传 md5 缺失的测试点

轮次
一面
结果
已挂
时间
2026-11
来源
牛客网

《面试题目》

  1. 做一下自我介绍。
  2. 测试中对系统有权限、跨区域等要求,如何验证权限系统且不造成数据泄露?
  3. 知识库中存在很多类型的数据,比如模块地图,如何切分?(图结构、结构化元数据、差异化切分策略)
  4. 处理文档抽象出来的元数据包含哪些模块?
  5. 使用的检索策略是什么?
  6. BM25 适合召回什么内容?
  7. Embedding 适合什么类型的检索?
  8. 使用知识库系统对比生成结果,人工发现漏了一条,你该如何排查?
  9. 怎么确定重排权重设计?
  10. 原始文档量有多少?量化一下文档量级。
  11. RAG 跟普通 MySQL 的存储区别是什么?
  12. 召回率指标怎么定义和计算?
  13. 你跟了五次版本发布,整体测试流程是什么?
  14. 给一个印象深刻的 bug 例子。
  15. 测试场景:针对文件分片上传,100 个分片上传成功,但 md5 后端发现缺失,有哪些测试点?
  16. MD5 是什么?
  17. 测试场景:有一个方法可以随机均匀分流,输入用户 ID 列表,放到 100 个桶,如何设计测试用例?
  18. 数据库:两个线程同时扣减库存为 1 的商品,有什么手段解决?
  19. 加锁解决,具体加什么锁,具体用法?
  20. 手撕:一道 SQL 题、一道 JSON 读取。
  21. 反问。

《参考解析》

权限测试要建矩阵,不只看接口能不能调。 维度包括角色(普通用户、管理员、跨区域管理员)、资源归属(本人、同租户、跨租户)、操作(读、写、删、导出)、入口(页面、API、批量任务)。每条用例验证四件事:无权限时被拒绝、有权限时成功、越权访问不泄露数据(响应体、错误信息、日志、导出文件都不能带出)、拒绝行为被审计。水平越权(改 ID 访问他人资源)与垂直越权(低权限调用高权限接口)要分别覆盖;批量接口、分页、搜索、缓存与消息队列都是常见绕过点。自动化上用不同角色令牌跑同一组请求,断言状态码与响应内容。

知识库切分按结构而非固定字数。 模块地图这类图结构数据应保留节点、边、层级路径,转成「节点 + 关系 + 描述」的文本并附元数据;结构化元数据包括文档 ID、标题路径、版本、生效时间、适用区域、权限标签、来源。差异化策略:说明文档按标题层级切,表格按行或整表保留,代码按函数切,FAQ 按问答对切;长文档用父子块,子块检索、父块补上下文。切分质量用「能否独立回答一个问题」检验。

BM25 与 embedding 各有所长。 BM25 适合精确词、型号、错误码、专有名词,对词形变化与同义表达不敏感;embedding 适合口语化描述、语义相近但用词不同的查询,对精确数字与罕见实体可能失灵。混合检索分别召回再融合,按业务查询类型调权重。

漏召回按链路排查。 先确认文档是否入库、版本是否最新、权限过滤是否把文档排除;再看切分是否丢了关键段、索引是否包含该段;然后看查询改写、召回数量、融合与重排是否把它挤掉;最后看生成是否忽略了已召回的证据。每一步都用同一条查询与文档做可复现的实验,定位后再改参数。重排权重不要凭感觉,用标注集做网格搜索或学习排序,目标看 NDCG 与业务指标,并监控不同查询类型的表现。

RAG 与 MySQL 的存储差异。 MySQL 存结构化行,按主键与索引精确查询,强一致、支持事务;RAG 存文本块与向量,按语义相似度检索,最终一致性、需要 embedding 与索引构建。两者不是替代关系:结构化字段、权限、订单状态仍放数据库,RAG 负责非结构化知识的召回。

分片上传 md5 缺失的测试点。 正常路径:全部分片上传后合并,md5 与本地一致。异常路径:缺片(少传一个分片、分片序号跳号)、重复分片(同一序号传两次)、乱序到达、分片内容被篡改、分片大小不一致(最后一片除外)、并发上传同一文件、断点续传后继续、上传中断后重试、合并时超时或失败、合并后文件大小与分片总和不一致、秒传命中但内容不同、空文件与超大文件、文件名特殊字符、存储层写入失败。校验点包括:后端是否在合并前校验分片数量与序号连续性、是否对每个分片校验 md5、合并后是否整体校验、失败是否清理临时分片、错误信息是否可定位。MD5 是 128 位摘要,用于校验完整性,不是加密;抗碰撞要求高时用 SHA-256。

随机均匀分流的测试。 功能上验证同一用户多次调用落在同一桶(如果要求稳定)、不同用户分布均匀、输入为空或重复 ID 时的行为;统计上用卡方检验比较 100 个桶的观测频数与期望频数,样本量要足够(每桶至少几十个),并重复多轮看是否稳定;边界上验证 ID 哈希冲突、负数与超长 ID、列表顺序变化不影响结果。若分流用于实验,还要验证桶与实验组的映射一致、扩缩容时不会大面积重排。

库存扣减的并发控制。 数据库层面用 UPDATE stock SET count = count - 1 WHERE id = ? AND count > 0,受影响行数为 0 说明库存不足,这是乐观锁;也可以用 SELECT ... FOR UPDATE 悲观锁,或分布式锁;高并发下用 Redis 预扣减加消息队列串行化,数据库最终对账。要点是「判断与扣减在同一原子操作里」,先查再改会有竞态;还要处理超卖回补、幂等与失败重试。