稳健医疗后端一面:页面变慢排查与 Spring Cloud 组件
- 轮次
- 一面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
- 先自我介绍一下,说详细点(会讨论几个项目相关的问题)。
- 页面访问速度慢,让你去排查,你的排查思路是什么?
- 开放性题:根据我的 AI 项目做一个变种设计。
- 讲一下你对 Spring Cloud 的理解,有哪些组件?
- 平时开发的时候用什么样的 AI 开发工具?
- 说说你对 AI Coding 的理解。
- 反问。
《参考解析》
页面变慢要先分层、再定位,别一上来就加缓存。 按请求链路切:客户端(设备性能、网络、 bundle 体积、首屏资源阻塞)→ CDN/网关(命中率、回源、超时、限流)→ 应用(线程池排队、锁竞争、GC、连接池、序列化、慢 SQL 之外的 N+1)→ 依赖(数据库慢查询、缓存命中率、下游 RPC、重试放大)→ 渲染(SSR 耗时、接口瀑布流)。方法上先看分位耗时(P50/P95/P99),单看均值会被长尾掩盖;用 traceId 串链路找最慢 span;前端看 Lighthouse/Performance 面板与资源瀑布图,后端看 APM、GC 日志、线程栈;数据库看慢查询日志和 EXPLAIN。定位到瓶颈后再优化,优先级通常是:加/改索引、减少请求数与返回体积、加缓存并设计失效、异步化与削峰、限流降级。上线后用同一份度量对比前后,避免「感觉快了」。
Spring Cloud 要按「解决什么问题」讲组件。 服务注册与发现(Nacos/Eureka/Consul):服务实例上下线、健康检查、客户端负载均衡;配置中心(Nacos/Apollo):配置集中管理、灰度、热更新;网关(Spring Cloud Gateway):路由、鉴权、限流、跨域;负载均衡(LoadBalancer/Ribbon):客户端侧选实例;熔断限流(Sentinel/Resilience4j):防止故障扩散;远程调用(OpenFeign):声明式 HTTP 客户端;链路追踪(Sleuth/Micrometer Tracing + Zipkin);消息驱动(Spring Cloud Stream);分布式事务(Seata)。答题时补一句「Spring Cloud Alibaba 与 Netflix 系的差异」以及「现在很多团队用 K8s Service + Istio 替代部分能力」,说明你理解演进,而不是只背组件名。
AI 项目变种题:先澄清需求,再讲取舍。 开放性题没有标准答案,面试官看的是结构:目标与用户是谁、输入输出是什么、数据从哪来、模型选型与成本、离线/在线链路、如何评估、如何兜底。比如原项目是「简历解析 + 岗位匹配」,变种可能是「多轮对话式岗位推荐」,那就要讲:会话状态怎么存、意图识别与槽位填充、检索(向量 + 关键词)与重排、生成时的引用与免责、以及用户反馈如何回流。别一上来就堆模型名,先把「不确定的地方」问清楚,再给一个最小可行方案和迭代路径。
AI Coding 的理解要落到工作流。 工具层面:补全(Copilot)、对话式改代码(Claude Code/Cursor)、批量重构、单测生成、代码审查、日志/报错分析。价值不在「写得更快」,而在把重复劳动(样板代码、测试、迁移、文档)自动化,让人把时间花在设计与判断上。风险:模型会编 API、忽略边界、产生看似合理的错误;所以必须有编译、类型检查、测试、review 四道闸,关键路径不允许「生成即上线」。团队层面要建立规范:哪些场景可以用、生成代码要不要标注、敏感数据不能进 prompt、以及如何度量提效(交付周期、缺陷率,而不是「生成了多少行」)。
关于转正与选择。 面试通过但 HR 对转正规则含糊(「看表现」「时间随机」),这本身就是信息:没有明确的转正名额与评估标准,意味着不确定性很高。判断一个实习机会,除了转正概率,还要看:团队是否有人带、做的是不是核心业务、能不能积累可迁移的能力、以及日常实习的时间成本。如果对方连「转正评估的时间点和标准」都说不清,谨慎是对的;拒绝时保持礼貌,留一条以后合作的路。