面灵AI→

旺脉科技数据开发一面:SQL 取最近一条、HashMap 与 Text-to-SQL 系统设计

轮次
一面
时间
2026-10
来源
牛客网

《面试题目》

二、实习经历与大数据/SQL 优化深挖

  1. 简历里有提到 SQL 的一些调整、报表预处理优化的这块,能简单描述一下吗?
  2. 实际工作中有没有遇到过更大体量的数据?比如 Spark 这一类的,这方面有没有经历过?
  3. Spark 这边大部分只是基于使用对吧?底层其实也不太熟对吧?

三、SQL 思路考核与基础数据结构

  1. SQL 编写题:有一张用户订单表,统计一下每个用户最近一次的下单时间,并且每个用户只保留最近一条记录。如果写 SQL,大概是从哪个思路去写?有哪些方式可以实现?
  2. 你刚说的 ROW_NUMBER(),它实际的含义/作用是什么?用中文解释一下?
  3. 这一类 SQL 分析函数/窗口函数,你是偏熟还是偏一般的?
  4. 算法思路题:给你一个字符串,统计一下每一个字符出现的次数,大概的思路是什么?

四、Java 基础与 Web 接口设计

  1. 你这边 Java 会写吗?
  2. HashMap 底层大概的实现原理是什么?
  3. 写接口的时候 GET 和 POST 是怎么设计的?什么时候用 GET,什么时候用 POST?

五、AI 排障 Agent 与智能数据助理落地推演

  1. 之前你有提到 AI 排障的 Agent,这一块能给我解释一下吗?
  2. 这个 Agent 实际排障之后的准确率大概会有多少?
  3. 这个已经在生产环境使用了吗?
  4. 告警出来之后,它排障的逻辑是直接告知指标下降可能的原因是哪个节点/组件吗?
  5. 场景设计题(Text-to-SQL / 智能运营排障助理):我们实际业务中运营提临时看数或排查指标下降的工单,很多数据没有前端看板,需要开发手写 SQL 查数给运营;目前只有通过 AI 生成建议 SQL、人工确认的半成品工具。如果要做成类似你排障 Agent 的系统(运营提业务指标问题 AI 识别意向、匹配底层十几张表、生成 SQL 查数、分析给出结论,运营不满可二次对话追问):从你的视角来看,这跟你原来的 AI 排障 Agent 相似度在哪?如果让你去做,你会从哪些视角、分几步怎么去做?如果由你专项一个人来做(从初步查数到多轮对话),你预期大概需要多长时间?

《参考解析》

「每个用户只留最近一条记录」要给出至少三种写法,并说清各自的坑。 最通用的是窗口函数:SELECT ... FROM (SELECT t.*, ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY order_time DESC) AS rn FROM orders t) x WHERE x.rn = 1,注意窗口函数在 WHERE 之后才计算,所以必须套一层子查询或 CTE,不能直接写进 WHERE。第二种是「先聚合再回连」:子查询 MAX(order_time) 按 user_id 分组,再 join 回原表取该时间对应的行——坑在于同一用户同一时间可能有多条订单,join 会返回多行,需要再用订单号或主键取一条。第三种是相关子查询(WHERE order_time = (SELECT MAX(...) WHERE user_id = o.user_id)),写法直观但在大数据量下容易退化成逐行执行,不如窗口函数。还要主动提索引:(user_id, order_time DESC) 的联合索引能让分组取 TopN 走索引扫描,避免全表排序;如果表很大,可以先按时间分区再取,减少扫描量。面试官顺着问「有哪些方式」,要的就是你能比较而不是只会背一种。

ROW_NUMBER() 与窗口函数的定位:先解释它做什么,再解释它和聚合函数的区别。 ROW_NUMBER() 是给结果集按指定的 PARTITION BY 分组、按 ORDER BY 排序后,为每一行分配一个从 1 开始的连续序号;它不改变行数(这点与 GROUP BY 聚合相反),所以常被用来做「分组取 TopN」和「去重」。同一族里 RANK() 遇到并列会跳号(1、1、3),DENSE_RANK() 并列不跳号(1、1、2),要严格取一条时用 ROW_NUMBER() 并给排序键加足够的唯一性(比如再按订单号),否则并列行的顺序不确定、结果会在不同执行计划下漂移。窗口函数还分排行类(ROW_NUMBER/RANK/LAG/LEAD)与聚合类(SUM/AVG 加 OVER),后者常用来算累计值和占比;执行上它在 GROUP BY、HAVING 之后、ORDER BY 之前计算,这也是「为什么不能直接在 WHERE 里过滤序号」的原因。被问「你偏熟还是一般」时不要硬撑熟,给真实用例更有说服力:明确说出自己在哪些场景用过(分组取最新、去重、算同环比与累计),以及在哪个点被坑过(并列、WHERE 位置、大表全排序的性能),比笼统答「挺熟的」可信得多。

Spark 只停在「会用」层面时,诚实说边界并给出可迁移的经验。 面试官问「底层其实也不太熟对吧」是给你台阶,不是挖坑——顺着承认并立刻补上你会的那部分最稳。可以这样组织:日常以 Spark SQL 和 DataFrame API 为主,负责把业务逻辑翻译成 SQL、调优参数与排查数据问题;对底层原理的了解集中在影响日常使用的几点上——RDD 与 DataFrame 的区别(前者是弹性分布式数据集、编程式;后者带 schema、能被 Catalyst 优化)、宽窄依赖与 shuffle 的代价(groupBy、join、distinct 会触发 shuffle,是性能瓶颈主要来源)、数据倾斜的常见表现与处理(个别 key 过大导致长尾任务,用加盐打散、广播小表、预处理去重缓解)、以及广播 join 的适用条件。再给一个真实排查案例(任务卡在最后几个 partition、怎么定位到倾斜并解决),这比背原理更能证明你会用。要避免的坑是硬装:一旦说熟,面试官会接着问 shuffle 的写盘过程、内存管理模型、动态资源分配,答不上来反而更亏。

HashMap 与 GET/POST 的设计取舍。 HashMap 的底层是数组 + 链表 + 红黑树:先对 key 的 hashCode 做扰动(高 16 位与低 16 位异或,让高位也参与运算)再对数组长度取模定位桶;桶内哈希冲突时先用链表,链表长度超过 8 且数组长度达到 64 转红黑树,查询从 O(n) 降到 O(log n);负载因子 0.75,元素数超过「容量 × 0.75」就扩容为两倍并重新分布(1.8 用高低位拆分避免重新计算哈希)。要提的关键点:HashMap 非线程安全,并发扩容在 1.7 会成环(1.8 改成尾插缓解但仍然会丢数据),并发场景用 ConcurrentHashMap;key 必须正确实现 equals 与 hashCode,可变对象做 key 会导致取不回来;初始容量按预估元素数给,能避免反复扩容。GET 与 POST 的取舍按语义和约束讲:GET 用于读取、幂等、可缓存、参数在 URL 上有长度限制、会进日志与浏览器历史,所以不能放敏感信息;POST 用于提交与创建、非幂等、参数在 body 里、没有长度限制,适合敏感与大数据量场景。实际设计还要补两句:安全与幂等不能只看方法名(GET 也可以被滥用成写操作,POST 也可以设计成幂等——加幂等键),以及查询条件复杂或需要保密的「查询」用 POST 也是常见工程妥协;RESTful 语义上要求 GET 查、POST 建、PUT 改、DELETE 删,团队内保持一致比抠定义重要。

AI 排障 Agent 的追问:把「准确率」翻译成可度量的指标。 面试官问「准确率大概多少」,直接给一个百分比很容易翻车,因为它取决于你怎么定义正确。稳妥的答法是先说清口径:排障结论可以分层的看——定位到的故障组件是否正确、给出的原因是否与事后复盘一致、以及建议的处理动作是否有效,这三个口径的准确率完全不同(组件级通常高,根因级明显低)。再说度量方式:从历史告警里挑带复盘结论的工单做评测集,人工或规则判定结论对错;线上则看采纳率(工程师是否按它的结论处理)与平均定位时长有没有下降。最后说清它的边界与兜底:定位不确定时输出候选原因并带上证据(哪个指标在什么时间点变化、关联到哪个组件),而不是给一个斩钉截铁的结论;涉及重启、扩容、回滚这类有副作用的操作只出建议、由人确认执行。这样回答既诚实又有工程感——面试官其实是在判断你有没有把 AI 能力当作可评测的系统来运营。

Text-to-SQL 系统设计:相似度、分步路线与工期估算。 相似度上,两者共享「意图识别 → 数据/工具选择 → 生成 → 执行 → 解读」的主干,区别在于输入是自然语言问题、输出必须是可执行且安全的 SQL,所以正确性校验的权重更高,人机交互也更重。分步做法建议五步:第一步把「表与字段」变成可检索的知识(给十几张表建立业务语义描述、字段注释、同义词与常用指标口径,做成 schema 检索而不是把所有建表语句塞进 prompt);第二步做意图识别与澄清(识别是查数还是排障、抽取时间范围与维度指标,缺关键条件就反问,而不是猜);第三步生成与校验 SQL(few-shot 加业务口径约束、生成后做语法与权限校验,用 EXPLAIN 或 LIMIT 小样试跑,只允许只读账号、禁止 DDL/DML、加超时与扫描量上限,这一步是安全底线);第四步结果解读(把结果与问题对齐,给出结论与口径说明,异常值要提示,不能无中生有地解释相关性为因果);第五步多轮追问与沉淀(把用户修正回填成 few-shot 或口径规则,把高频问题固化成模板,形成越用越准的闭环)。工期上要分阶段报而不是给一个总数:把「查数闭环可用」拆成表语义与检索、意图识别、SQL 生成与安全执行、结果解读四块,按单人投入给出阶段性时间,并说明最大的不确定性在数据治理与口径统一(这部分往往比模型调优更耗时),最后补一句先服务一个明确场景做通的建议——这比承诺「两周做完」专业得多。

统计字符出现次数:讲思路要讲清数据结构与边界。 最直接的做法是用哈希表(或按字符集大小开一个计数数组,ASCII 用 256 个桶,一趟遍历边统计边自增),时间 O(n)、空间 O(字符集);如果面试官追问「字符串很大,内存放不下」,就答流式处理——分块读取、每块累加计数、最后合并,或者用外部排序后线性扫描计数。还要主动提边界与细节:大小写是否区分、空格与标点算不算、Unicode 下按码点而不是按字节切分(对中文尤其重要,直接按 char 或字节统计会出错)。如果被要求「输出出现次数最多的 K 个」,就在计数完成后用一个大小为 K 的最小堆或桶排序取 TopK,复杂度从 O(n) 变 O(n + m log K)。这类题的价值不在难度,而在你有没有主动界定输入输出与规模假设。