东湖集团 Java 实习一面:RAG 问题重写、联合索引顺序与短链设计
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 自我介绍。
- 目前只是小范围试用吗?服务器是你自己搭的,还是申请的环境?
- 本地跑的话,同学怎么使用?是跑在你电脑上吗?
- 你提到用了各种 Agent / AI 编程工具,这两个项目都是 Vibe Coding 做的吗?还是有一个是手敲的?
- 2—5 月的 RAG 智能平台里,基于 LLM 的问题重写与子问题拆分为什么要做?具体怎么实现?
- 请举一个具体例子说明。
- 用户第一句话比较泛化、需要多领域知识时,你如何做问题重写、子问题拆分、知识召回并保证答案准确?
- 请完整讲一下整体流程。
- 意图识别具体怎么做?
- 这块请再具体展开说一下。
- 提示词是怎么写的?
- MySQL、Java 基础、Redis、中间件这些是在什么场景下学的?大学课程会开设 Redis / 中间件吗?
- 设计业务表时会考虑哪些点?字段、类型、长度、索引、引擎、是否分表如何权衡?
- 建索引依据是什么?单索引还是联合索引?联合索引字段顺序怎么定?
- 联合索引多个字段时,字段顺序有什么影响?
- 为什么会出现这种影响?
- 联合索引
a在前、b在后,只查b为什么命中不了索引? - 设计短链系统会考虑哪些点?分别怎么处理?
- 用户访问短链后,系统如何流转并跳转到长链?
- QPS 10 万或 100 万时,映射关系怎么设计?
- 哈希冲突怎么处理?
《参考解析》
为什么要做问题重写与子问题拆分:用户的第一句话往往带指代(「这个怎么弄」)、口语省略、以及多个混在一起的问题。直接拿原句去向量检索,召回的是「字面相似」而不是「语义需要」的片段,多领域问题还会被单一查询向量平均掉,导致每个子问题都召回不准。重写是把口语补全成独立可检索的查询(补上上下文里的主语、时间、对象),拆分是把复合问题拆成若干单一意图的子问题,分别检索后再合并上下文交给模型作答。判断是否要拆,可以先用意图分类或让模型输出「该问题包含几个独立子问题」,简单问题不拆以免引入噪声。
具体实现:链路是「会话上下文 → 重写(LLM 输出结构化 JSON:改写后的 query 列表 + 每个子问题的意图标签)→ 每个子问题分别向量化检索(可加关键词检索做混合召回)→ 重排(Rerank)取 Top-K → 按子问题组织上下文 → 生成答案并附引用」。工程上要缓存重写结果(同一轮对话内不重复调用)、给重写加超时与降级(失败时用原句检索)、限制子问题数量(通常不超过 3~4 个,否则延迟与成本不可控),并用评测集对比「重写前后」的召回命中率与答案正确率,而不是凭感觉。
意图识别的做法:小场景用规则 + 关键词 + 分类模型(FastText、BERT 微调);大模型场景直接让模型输出枚举标签并约束 JSON Schema,配合少量 few-shot 示例;也有「先用向量把用户问题与意图描述做相似度召回,再让模型确认」的两段式,成本更低。关键是意图标签要互斥且可穷举,不确定时给「其他」并由兜底流程处理,而不是硬塞进某个类。
提示词怎么写:结构上分角色、任务、输入、约束、输出格式、示例六块。约束要写成可检验的规则(「只输出 JSON,不要解释」「子问题不超过 3 个」「保留原文中的专有名词」),示例给正例与一个反例。把易变的部分(用户问题、检索到的上下文)放在后面,固定指令放前面以便命中缓存。上线后按失败样本迭代,而不是一次写很长。
联合索引的字段顺序:B+ 树按索引定义的列顺序逐列排序,先按第一列排、第一列相同再按第二列排。所以查询条件必须从最左列开始连续匹配才能用到索引,这就是最左前缀原则。(a, b) 的索引里,只查 b 时 b 的取值在整棵树上是「全局无序、局部有序」——同一个 a 下的 b 有序,但不同 a 之间无法比较,无法二分定位,只能全表扫,因此用不上索引(可能走覆盖索引扫描,但仍是扫全部索引项)。建索引时把等值条件、区分度高的列放前面,范围条件放最后;(a, b) 能服务 a、a AND b、a 加排序,但不能服务单独的 b。
短链系统设计:核心是三件事——发号生成短码、映射存储、跳转。生成短码常用自增 id 转 62 进制(无冲突、长度可控)、哈希(MD5 取前几位,需处理冲突)、或预生成号段(美团 Leaf 思路);存储用 KV(Redis + MySQL 持久化),短码 → 长链 为主键查询。跳转时查缓存,命中直接 302;未命中回源数据库并回填缓存;同时记录点击埋点(异步写消息队列,不阻塞跳转)。还要考虑:自定义短码与敏感词、有效期与回收、防刷与限流、恶意链接检测、以及统计去重。
十万到百万 QPS 的映射设计:单机 Redis 撑不住百万级读,要做多层——本地缓存(Caffeine,存最热的一批短码)+ Redis 集群(按短码哈希分片)+ 数据库只作冷数据与持久化。读多写少适合「缓存优先、异步回填」,热点短码加本地缓存并设置短过期,防止缓存击穿时打穿到数据库(用 singleflight 合并回源)。写路径用号段模式批量取号,避免每次生成都访问数据库;跨机房用多副本 + 就近读。百万 QPS 还要考虑带宽与连接数:短链响应体极小,主要成本在 TLS 握手与重定向,可用 HTTP/2、长连接、CDN 边缘 302。
哈希冲突:若用哈希生成短码,冲突处理有几种——冲突后加盐重算(最简单,但高负载下重试次数上升)、开放寻址(在短码后追加序号,需保证可解析)、布隆过滤器预判(先查是否已存在,减少无效写入)、或者干脆改用自增 id 转 62 进制从根上避免冲突。业务上更稳的做法是「发号器 + 唯一索引」:短码唯一索引兜底,插入冲突即重新取号,冲突概率极低且不会产生错误映射。