字节跳动后端AI开发日常实习二面面经

《面试题目》

1、实习拷打 2、项目拷打 （1）稍微详细介绍一下你的项目。 （2）听起来是一个仿小红书的网站。你觉得里面主要的难点是哪里？ （3）具体怎么做的呢？ （4）一个是点赞数到达1000，另一个是时间限制1秒，对吧？这样设计的点赞QPS上限是多少？ （5）如果面向用户量很大的APP，除了高并发写，还有其他问题，比如热点数据。如果有一条笔记爆火了怎么办？ （6）如果热点流量打破了Redis单节点的上限，怎么处理 （7）服务器转发一般有什么转发算法？ （8）Redis和Caffeine两级缓存的数据一致性怎么保证？ （9）你设计了点赞、评论等服务，是自己去搭的平台，没有真实用户吧？ （10）AI大模型发展很快，有用AI去生成代码吗？ 3、八股文 （1）二维数组按行遍历和按列遍历性能上有什么差异？ （2）CPU缓存是怎么设计的？有几层缓存？ （3）有一棵二叉查找树，找第K小的元素怎么找？ （4）中序遍历查找的时间复杂度是多少？有更快的算法吗？ （5）Java的内存是怎么进行管理的？ （6）用Java时，有没有遇到过OOM（OutOfMemoryError）问题？应该怎么定位？ 4、手撕：从尾节点开始，K个一组反转链表

《参考解析》

1. 热点Key处理与Redis单点瓶颈： 处理方法包括：使用本地缓存（如Caffeine）拦截流量、Key的热点备份（将热点Key在多个Redis实例中加后缀备份）、或使用Redis集群并调整分片策略。核心思路是减少对单一物理节点的访问压力。

2. Redis与Caffeine一致性： 采用“先更新数据库，再删除缓存”的策略。若需强一致性，可结合分布式锁或Canal监听Binlog异步更新。Caffeine更新通常通过MQ发布消息，各节点监听到消息后清理本地缓存。

3. 二维数组遍历与CPU缓存： CPU访问内存遵循“空间局部性”原则，按行遍历时，内存访问是连续的，能有效利用CPU Cache Line（高速缓存行）。按列遍历会导致频繁的缓存未命中（Cache Miss），大幅降低性能。

4. BST找第K小元素： 常规做法是中序遍历，时间复杂度O(N)。优化做法：在节点中记录当前子树的节点个数（Size），利用二叉查找树的性质，通过比较Size快速判断第K小元素是在左子树还是右子树，时间复杂度可降至O(logN)。

5. Java OOM定位： 主要通过Heap Dump文件分析。使用MAT（Memory Analyzer Tool）或VisualVM查看内存占用最高的实例和引用链，寻找内存泄漏点或配置不当的大对象。