合肥某头部企业 软件开发实习面试：33 题追问 RAG、MySQL 与 AI Coding

《面试题目》

原定半小时的会议追问了整整一个小时，问题集中在一个医疗问答项目上。

项目与 RAG（1～9）

1. 请做一下自我介绍，并介绍一下你的个人项目。
2. 介绍一下你的医疗问答项目，项目整体是怎么实现的？
3. 你的医疗数据从哪里获取？Python 爬虫具体做了什么？
4. 不同格式的文档如何处理？原生 PDF 和扫描 PDF 有什么区别？
5. 文档进入 RAG 前为什么要切分？为什么选择 512 tokens？
6. 文档切分之后如何进行 Embedding 和向量化？
7. 你的 RAG 检索流程是什么？为什么使用 BM25、RRF、MMR？
8. BM25 的原理是什么？
9. MMR 的作用是什么？为什么能够提高检索结果的多样性？

MCP、LangChain 与 AI Coding（10～17）

10. 什么是 MCP？MCP 在项目中是怎么使用的？底层协议了解多少？
11. 什么是 LangChain？你在项目中具体怎么使用 LangChain？
12. 什么是 ReAct？ReAct 的执行流程是什么？
13. 你的项目如何管理大模型上下文？为什么需要滑动窗口和上下文压缩？
14. 你平时如何使用 AI Coding？具体使用过哪些工具？
15. 你如何选择不同的大模型？Claude、GPT、DeepSeek 等模型分别在什么场景使用？
16. 你拿到一个新需求之后，如何利用 AI 完成从方案设计到代码实现？
17. 如何避免 AI 生成错误代码？如何进行代码 Review、安全检查和接口测试？

接口、数据库与线上排查（18～27）

18. 你的接口文档是怎么设计和生成的？是编码前设计还是编码后生成？
19. 你的数据库表是怎么设计的？表之间有什么关系？索引如何设计？
20. MySQL 默认事务隔离级别是什么？什么是 MVCC？
21. Undo Log 有什么作用？为什么说 Undo Log 与 MVCC 有关系？
22. #{} 和 ${} 有什么区别？为什么 ${} 存在 SQL 注入风险？
23. 什么是深分页？为什么深分页会变慢？如何优化？
24. 什么是数据库连接池？为什么需要连接池？Druid 有哪些核心参数？
25. 如果 Java 项目出现 OOM，你会如何排查？
26. 常用的 JVM 排查工具有哪些？jps、jstat、jmap、jstack 分别有什么作用？
27. Linux 中如何搜索错误日志？grep 和 wc 分别有什么作用？

Nginx、Docker 与岗位理解（28～33）

28. Nginx 是什么？什么是反向代理？
29. Nginx 的 server、location、proxy_pass 分别有什么作用？如何将请求转发到 Spring Boot？
30. 你在项目中如何使用 Docker？常用 Docker 命令有哪些？
31. 你是否使用过 Logback、Fastjson、Jackson、POI 等 Java 开源工具？
32. 你如何理解这个岗位的数据供给与管理平台？
33. 如果面对 PB 级音频、视频、图像数据，如何进行数据清洗、去重、脱敏、质量评测和数据集管理？

《参考解析》

1. 切分粒度与 512 tokens：答案要落在「为什么」，不是「多少」：切分的目的是让检索单元与语义单元对齐——块太大，检索回来的内容混着多个主题、噪声多还占上下文；块太小，一句半句缺前提，模型答不全。512 tokens 是一个工程折中：够装下一个小节或两三个段落，又在常见 Embedding 模型的输入上限（多为 512 或 8192）内，且单块成本可控。完整的回答还要带上策略：按结构切（标题、段落、表格）优先于按固定长度硬切；相邻块留 10%~20% 重叠避免句子被切断；每个块带上来源、章节、页码等元数据，检索回来能溯源；医疗这类领域文档还要保留药品名、剂量、适用人群等实体不被截断。

2. BM25、RRF、MMR 是三层不同的问题，别混成一个：BM25 解决的是关键词召回——在 TF-IDF 基础上加了词频饱和与文档长度归一化，问句里的专有名词、药品名、编号靠它才捞得回来，向量检索对这类稀有词反而不敏感，所以两者互补（这就是混合检索）。RRF（倒数排名融合）解决的是「两路结果怎么合并」——按名次而非分数融合，因为 BM25 分值和余弦相似度根本不在一个量纲上，直接加权需要调参且不稳定，RRF 只用一个常数 k 就能鲁棒地合并。MMR（最大边际相关）解决的是「结果太像」——在相关性和与已选结果的相似度之间做权衡，每次挑一个既相关、又与已选内容差异最大的块，让有限的名额覆盖更多角度。答这题把「召回 → 融合 → 去冗余」三段讲开，面试官就知道你是在做检索工程而不是调库。

3. MCP 与 LangChain：制度性概念要答准，不确定的部分坦白：MCP（模型上下文协议）是让模型与外部工具、数据源对接的标准化协议，服务端暴露能力、客户端（宿主应用）按需调用。底层是 JSON-RPC 2.0 消息，支持 stdio 与 HTTP 加 SSE 两种传输，连接建立时双方协商协议版本与能力集，主要的三类原语是工具（tools）、资源（resources）和提示模板（prompts）。答到不确定的细节（具体版本号、鉴权字段）时说明「这块我按文档理解，没在生产里深挖过」，比硬编一个协议细节安全。LangChain 那一问落到「我用它做了什么、为什么没用它的全部」：常用的是模型与提示封装、文档加载与切分、检索器与链的组合、以及回调做可观测性；它的问题是抽象层厚、出问题难定位，所以关键链路会直接用厂商 SDK。

4. AI Coding 的问答要点在「防错机制」，不是工具清单：被问怎么用 AI 写代码，面试官真正想听的是流程：需求先让模型复述并列出假设，人确认后再出方案；方案里明确接口、数据结构和边界条件，再让它按小步生成，每步能编译能测；代码评审时重点看模型最容易犯的四类错——凭空引入不存在的 API、边界与异常处理缺失、并发与事务语义写错、安全漏洞（拼接 SQL、越权校验缺失）；最后用单元测试与接口测试兜底，再把改动过一遍安全扫描和依赖检查。上下文管理那题可顺手一起答：保留最近若干轮对话、把早期结论压缩成要点、把稳定的项目约定固化进系统提示、把大文件按需检索而不是整份塞进上下文。

5. MVCC 与 Undo Log 是同一道题的两面：MySQL InnoDB 的默认隔离级别是 RR（可重复读），它靠 MVCC 实现「同一事务里多次读结果一致」。每行有隐藏的事务 ID 和回滚指针，Undo Log 记录这一行的历史版本，回滚指针串成版本链；读的时候按 Read View 判断哪个版本可见——自己事务的改动可见，未提交的别人改动不可见，Read View 生成之前提交的可见。所以 Undo Log 既是回滚的依据，也是快照读的数据来源，这就是两者绑在一起的原因。要注意区分快照读（普通 select 走 MVCC）与当前读（select ... for update、update、delete 走锁），以及 RR 下间隙锁用来防幻读。Undo Log 由 purge 线程在没人需要那些版本后才清理，长事务会拖住清理、让 Undo 表空间膨胀，这是很实用的一个延伸点。

6. 深分页与连接池：都是「为什么会慢/为什么需要」的题：深分页慢在 limit 1000000, 20 需要先扫出并丢弃前一百万行（还要回表），越翻越慢。优化有三条路——用主键或有序唯一键做游标（where id > 上次最后一条 order by id limit 20，也就是 seek 方式，最适合无限下拉）；业务上禁止跳到很深的页，改成只能翻前后几页；确需跳页时用延迟关联先只在覆盖索引里取出主键再回表（join (select id ... limit ...) t using(id)）。连接池则是为了避免「每次请求都新建 TCP 连接 + 鉴权 + 分配线程」的开销，同时给数据库一个可控的并发上限，防止连接被打满。Druid 的核心参数要能说清作用：initialSize / minIdle / maxActive（连接数与空闲下限）、maxWait（拿不到连接等多久，决定是排队还是快速失败）、validationQuery 与 testWhileIdle（连接有效性检查）、timeBetweenEvictionRunsMillis 与 minEvictableIdleTimeMillis（空闲回收）。池子不是越大越好，超过数据库承载能力只会让请求一起变慢。

7. OOM 排查与 JVM 工具：按「先保现场，再定位类型」的顺序答：第一反应不是重启，而是留证据——jps 找到进程、jstat -gcutil 看各代使用与 GC 频率、jmap -dump:live,format=b,file=heap.hprof 落堆快照（或提前配好 -XX:+HeapDumpOnOutOfMemoryError），必要时 jstack 看线程栈。然后判断类型：堆内存溢出（大对象、缓存无上限、集合只增不减）、元空间溢出（动态生成类过多）、GC 开销超限（内存泄漏导致 GC 徒劳）、还是直接内存/线程数超限。定位手段是 MAT 或 JProfiler 分析支配树，看是谁把对象持有住了；常见根因是本地缓存没淘汰、ThreadLocal 未 remove、连接或流没关、批量查询一次取太多。jstat 看 GC，jmap 看堆与直方图，jstack 看线程与死锁，jps 列进程——四个工具的分工要能一口说清。

8. PB 级数据的治理题，答题框架是「先定义再工程」：清洗按数据模态分——音频做降噪、静音与重复片段切分；视频做抽帧、镜头切分、黑边与重复检测；图像做尺寸归一化、去重、模糊与遮挡过滤；文本做 HTML 剥离、乱码与广告清洗。去重分三档：精确去重（内容哈希）、近似去重（SimHash / MinHash + 局部敏感哈希，处理转载与轻微改动）、语义去重（向量相似度，代价最高、用于高价值子集）。脱敏要先定分类分级（人脸、声纹、车牌、身份证、住址、医疗信息），处理手段是打码、模糊、替换或整段剔除，并留下审计记录与可回溯的处理日志；注意脱敏后的数据仍可能通过组合被重新识别。质量评测要给可量化的指标（清晰度、信噪比、有效时长占比、标注一致性、类别分布），做抽样人工复核与自动化打分并行的流水线。数据集管理要解决版本、血缘、权限与配比：同一份数据集能追溯到原始批次与处理脚本，训练/验证/测试按时间和来源切分防止泄漏，标签与内容分离存储，整套流水线最好是可重跑的批处理作业。