面灵AI→

上海银行一面 24 问:从 MyBatis 分页问到 DDD、Spring AI 与 CI/CD

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

  1. 介绍一个你比较熟悉的项目。
  2. 项目团队有多少人?团队怎么分工?你个人负责哪些模块?
  3. 项目主要用什么语言开发?实际用了哪些中间件或外部服务?
  4. 项目的数据量有多大?
  5. 数据是怎么存储的?表结构是怎么设计的?
  6. 具体怎么查?用的是 MyBatis 还是 MyBatis-Plus?是按索引查询、分页查询,还是有更复杂的处理?
  7. 你熟悉哪些 Java 并发组件?分别用在什么场景?
  8. synchronized 和 ReentrantLock 有什么区别?
  9. AQS 是什么?英文全称是什么?
  10. 你了解 ThreadLocal 吗?
  11. 你怎么理解 DDD?它和常规的开发方式有什么区别?能结合项目举个例子吗?
  12. 实体和值对象有什么区别?
  13. @Autowired 和 @Resource 有什么区别?
  14. 你们用 Java 调用大模型时,使用的是流式还是非流式?业务侧实际调用的是哪个接口?
  15. 你们的模型平台是怎么做限流的?批量调用时如何控制 RPM?
  16. 你用过 Spring AI 吗?它是做什么的?你用它做过什么?
  17. 用 Spring AI 开发 AI 应用,相比用 Python 有什么优势?
  18. 你在工程效能平台里具体负责哪一块?
  19. CI/CD 流水线一般有哪些阶段?你参与的性能回归流水线有哪些步骤?
  20. MySQL 的 CHAR 和 VARCHAR 有什么区别?
  21. INNER JOIN、LEFT JOIN 和 RIGHT JOIN 有什么区别?
  22. NATURAL JOIN 和 INNER JOIN 有什么区别?
  23. 一张表只有学生姓名、课程名称和分数三个字段,怎么写 SQL 查询每个学生的平均分?分组用什么关键字?
  24. 你有什么想问我们的?

《参考解析》

并发组件怎么讲:不要背清单,按场景串起来——接口幂等与库存扣减用分布式锁(Redis + Lua 或 Redisson),单机临界区用 ReentrantLock 做可中断、可超时的尝试加锁,读多写少的配置缓存用 ConcurrentHashMap 加 computeIfAbsent 避免重复加载,异步编排用 CompletableFuture 配自定义线程池并给池设上限。面试官追问 synchronized 与 ReentrantLock 时,答到四点即可:前者是 JVM 关键字、自动释放、非公平(可开偏向/轻量级锁优化),后者是 API 层实现、需要 finally 解锁、支持公平锁、可中断、可超时、可配多个 Condition。

AQS 与 ThreadLocal:AQS 全称 AbstractQueuedSynchronizer,用一个 volatile int state 表示同步状态,加一个 CLH 双向队列存放未抢到锁的线程,子类通过 tryAcquire/tryRelease 定义语义,ReentrantLock、Semaphore、CountDownLatch 都基于它。ThreadLocal 是每个线程自己的 ThreadLocalMap,key 是弱引用的 ThreadLocal 对象、value 是强引用,线程池里不复用会泄漏,所以用完必须 remove()。

DDD 与实体、值对象:DDD 与「贫血模型 + 事务脚本」的区别在于把业务规则放回领域对象,用限界上下文划清边界,用聚合保证一致性。实体靠唯一标识区分、状态会变(订单、账户);值对象没有标识、不可变、相等性看属性(金额、地址、时间区间)。结合项目举例时要说出聚合根是谁、哪些操作在一个事务里、跨聚合怎么用领域事件解耦。

大模型接入与限流:流式用 SSE 把 token 逐步推给前端,首字延迟低、体验好;非流式适合后台批处理与需要完整结果再落库的场景。限流按 RPM/TPM 两个维度做:单机用令牌桶或 Guava RateLimiter 控速率,集群用 Redis 计数器或网关统一限流;批量调用要控制并发度、加队列与重试退避,并对 429 做指数退避而不是立即重试,否则会把上游打得更死。

Spring AI 与 Python 的取舍:Spring AI 的价值在于复用 Java 侧已有的工程能力——依赖注入、事务、连接池、可观测性、与既有业务系统同一套部署与鉴权;Python 的优势在生态与实验速度(新模型、微调、向量库支持更快)。选型看团队与场景:业务系统内嵌 AI 能力选 Spring AI,算法实验与模型服务选 Python,两者通过 HTTP 或消息队列解耦。

MySQL 与 SQL:CHAR 定长、不足补空格、读取时去掉尾部空格,适合长度固定的编码;VARCHAR 变长、额外 1~2 字节记录长度,适合长度差异大的文本。INNER JOIN 只保留两表匹配的行;LEFT JOIN 保留左表全部、右表缺失补 NULL;RIGHT JOIN 反之;NATURAL JOIN 自动按同名列连接且结果会去掉重复列,可读性差、容易被隐式列变化坑到,生产里不推荐。分组求平均:SELECT 学生姓名, AVG(分数) FROM 成绩表 GROUP BY 学生姓名;,要过滤再写 HAVING AVG(分数) >= 60。

CI/CD 与性能回归:典型阶段是代码检查与单测 → 构建镜像 → 部署到测试环境 → 自动化回归(接口、UI)→ 性能回归 → 审批 → 灰度发布 → 线上验证。性能回归流水线通常是:拉起独立环境与固定数据 → 跑基线脚本采集 TP99/吞吐/错误率 → 与上一版基线比对 → 超过阈值(如 TP99 劣化 20%)则阻断发布,并把报告附在流水线记录里。