面灵AI→

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》

  1. 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?
  2. 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?
  3. 如何设计上传可靠性、快照幂等?流程是怎样的?
  4. 分片上传怎么设计的?
  5. 如何设计幂等键?
  6. 前后端分离应用的前端如何搭建的?
  7. 微服务应该如何划分?
  8. 为什么使用 RocketMQ 进行异步解耦?消息的工作机制是什么?
  9. 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?
  10. 优化接口响应时间是怎么做的?
  11. RAG 主要解决什么问题?
  12. 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?
  13. 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。