同程旅行 Java 后端二面:多数据源接入、分片上传幂等与 RAG 效果验证
- 轮次
- 二面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 接入多个数据来源时,如何隔离不同来源的数据格式和结构差异?
- 新增一种数据来源,或适配已有来源的新版本时,如何评估改动范围和接入成本?
- 如何设计上传可靠性、快照幂等?流程是怎样的?
- 分片上传怎么设计的?
- 如何设计幂等键?
- 前后端分离应用的前端如何搭建的?
- 微服务应该如何划分?
- 为什么使用 RocketMQ 进行异步解耦?消息的工作机制是什么?
- 如何分析一个接口的响应耗时,判断时间主要花在哪些环节?
- 优化接口响应时间是怎么做的?
- RAG 主要解决什么问题?
- 如何验证引入 RAG 前后的效果?测试集如何构建,怎样进行对比测试?
- 线上服务的部署和运维通常会遇到哪些难点?如何排查并处理?
《参考解析》
多来源数据格式的隔离靠适配层,不靠改业务逻辑:上游按来源各写一个适配器(Adapter),把各自的字段、编码、时间格式、必填项翻译成内部统一的领域模型;业务代码只认这个模型。差异大的字段放扩展属性(JSON 列或 KV),不要为每个来源加一列。再配一层校验与清洗(类型、范围、枚举归一),把脏数据挡在领域层之外。这就是防腐层的思路:外部变更多贵,内部就多稳。
新增来源的改动范围要能量化:先定义接入契约(必填字段、可选字段、语义约束),再列一张映射表看缺口;字段在内部模型里有没有对应、需要哪些转换、哪些要人工补录。改动范围 = 新增适配器 + 映射配置 + 测试用例,业务逻辑零改动才算设计到位。适配已有来源的新版本则看版本差异:新增字段直接透传,语义变化(单位、枚举、时区)必须显式转换并做灰度双跑比对。
分片上传与快照幂等:分片上传由客户端按固定大小切片、带 uploadId 与分片序号上传,服务端记录每个分片的状态,全部到齐后合并;支持断点续传要能查询已上传分片列表,过期分片由定时任务清理。可靠性上要处理重复上传(同分片重传覆盖而不是追加)、超时重试(同一分片幂等写入)、合并失败(保留分片可重试)、以及乱序到达(按序号落位)。幂等键的设计常见三种:内容哈希(对文件整体或分片求 SHA-256,天然去重)、业务键(业务类型 + 业务单号 + 版本号)、以及客户端生成的 requestId(服务端落唯一索引)。快照幂等意味着同一份数据重复提交只产生一个快照版本,用「业务键 + 内容哈希」建唯一约束最稳。
微服务划分的依据是业务边界与变更节奏:按领域驱动设计的限界上下文切,一个服务拥有自己的数据与发布节奏;不按技术分层切(不要「Controller 服务」「DAO 服务」)。判断切得对不对看三点:团队是否能独立交付、跨服务调用是否形成链式依赖、事务边界是否清晰。拆过细会带来分布式事务与运维成本,拆太粗则回到单体,通常从「订单、商品、支付、用户」这类天然边界开始。
RocketMQ 的异步解耦与消息机制:生产者发消息到 Broker 的 Topic,Topic 按队列(Queue)分区存储,消费者组以集群或广播模式消费;NameServer 提供路由,Broker 主从复制保证可用。可靠性靠三处:生产端同步发送加失败重试、Broker 刷盘策略(同步刷盘更安全)、消费端处理成功后再返回 CONSUME_SUCCESS,失败进重试队列。业务上用异步解耦是为了把非核心链路(通知、积分、报表)从主流程剥离,缩短接口响应并削峰;代价是要处理消息重复(消费端幂等)、消息丢失(事务消息或本地消息表)、以及顺序性(同一业务键路由到同一队列)。
接口耗时分析:先用全链路追踪(TraceId 串起网关、服务、DB、缓存、RPC)拿到分段耗时,再看单机指标:应用侧 arthas trace/埋点、GC 日志、线程池队列长度;DB 侧慢查询日志与执行计划;缓存侧命中率与 RT;外部依赖侧 RPC 的 P99。定位到具体环节后再优化,避免凭感觉加缓存。常见耗时来源是串行调用、N+1 查询、大对象序列化、锁等待与连接池不足。
优化响应时间的顺序:先减调用(合并请求、批量查询、并行化无依赖的 RPC),再减数据(只查需要的列、分页、加索引),然后加缓存(热点数据、结果缓存,注意失效策略),最后才是扩容与异步化。每一步都要有改前改后的对照数据,否则说不清收益。
RAG 解决的问题:大模型的知识有截止时间、也不掌握企业私有数据,直接问容易编。RAG 在生成前先检索相关文档,把检索结果拼进上下文,让回答有依据、可溯源,同时避免为每个业务微调模型。它适合知识密集型、更新频繁、需要引用出处的场景;不适合需要精确计算或强事务保证的场景。
RAG 前后的效果对比要建评测集:按业务真实问题分层抽样(高频、长尾、多跳、无答案四类),每条标注标准答案与依据文档;指标分检索侧(Recall@K、MRR、命中率)与生成侧(答案正确率、引用准确率、幻觉率、拒答率),再加端到端的人工评分。对比时固定模型版本、温度、提示词与检索参数,只改一个变量;用同一批问题跑 A/B,差异做显著性检验。工程上还要防止「测试集泄漏」——评测问题不能与知识库原文完全一致,否则召回虚高。