恒生电子一面：JVM 垃圾回收、MySQL 索引与 MCP

《面试题目》

1. 自我介绍。
2. JVM 的垃圾回收机制介绍一下？
3. 聊聊你对 MySQL 索引的理解？什么场景适合建索引，什么场景不适合？
4. MCP 了解过吗？介绍一下？
5. 实习期间最大的收获和提升是什么？
6. 实习期间的工作内容是什么？
7. 你用 AI 进行开发时，有没有一套自己的工作流？是使用裸的开发 Agent，还是会搭配一些 skill、spec、workflow？
8. 反问。

---

《参考解析》

JVM 垃圾回收机制建议按「怎么判断垃圾 → 怎么回收 → 什么时候回收 → 用什么回收器」这条线讲，比零散背名词清楚得多。判断对象是否存活用的是可达性分析：从 GC Roots（栈上局部变量、静态字段、常量、JNI 引用等）出发做遍历，不可达的对象才可回收；引用计数因为解决不了循环引用，主流虚拟机不用它。回收算法有三种：标记-清除不移动对象但会产生内存碎片，复制把存活对象拷到另一半空间、没有碎片但浪费空间，标记-整理移动并压缩、适合对象存活率高的场景。堆按分代组织：新生代分成 Eden 加两块 Survivor，新对象先分配在 Eden，Minor GC 时把存活对象复制到 Survivor 并年龄加一，年龄到阈值（默认 15）或对象太大、Survivor 放不下时晋升老年代；老年代满了触发 Full GC。收集器按「停顿优先还是吞吐优先」区分，常见的是 ParNew / Parallel Scavenge 这类分代收集器、CMS 的并发标记清除、G1 的分区加可预测停顿模型，以及 ZGC / Shenandoah 这类以亚毫秒停顿为目标的低延迟收集器。收尾可以补一句工程判断：大多数 GC 问题不是靠换收集器解决的，而是先看对象的分配速率与生命周期——短命大对象、缓存无上限、ThreadLocal 未清理、频繁 Full GC 时先用 jstat / GC 日志定位，再决定调堆大小、分代比例还是换收集器。

MySQL 索引要能讲到 B+ 树这一层。InnoDB 的索引是 B+ 树：非叶子节点只存键、叶子节点存数据并用双向链表相连，所以树高通常只有三到四层，等值查询、范围查询和排序都能走同一条路径；聚簇索引的叶子节点就是整行数据（主键即数据组织方式），二级索引的叶子节点存的是主键值，因此用二级索引查非索引列要回表一次，如果查询需要的列都在索引里就是覆盖索引，可以完全避免回表。联合索引遵守最左前缀：(a,b,c) 能用于 a、a,b、a,b,c 的条件，也能用于 a 后的范围条件，但跳过 a 直接用 b 就用不上；范围条件之后的列只能过滤不能定位。

适合建索引的是：WHERE / JOIN / ORDER BY / GROUP BY 里高频出现、区分度高的列；作为外键或关联键的列；需要保证唯一性的列（唯一索引既是约束也是索引）。联合索引的列序把区分度高的、等值条件多的放前面，把范围条件放最后。

不适合建的：区分度极低的列（性别、状态位只有两三个取值，全表扫描可能更快）；写多读少的表上的大量单列索引（每个索引都要跟着维护，写放大、占空间）；几乎不在查询条件里出现的列；列上要频繁做函数、类型转换或前模糊匹配（like '%x'）的查询（会让索引失效）；表本身很小（几千行以内，全表扫描成本可忽略）。另外记住索引的代价：优化器可能选错索引，统计信息不准时会走错路，此时用 EXPLAIN 看 type、key、rows 和 Extra（Using filesort / Using temporary）再决定是加索引、改写法还是 ANALYZE TABLE。

MCP（Model Context Protocol）是给模型接工具和数据源定的一套标准协议，可以理解成「AI 应用的 USB-C」：它规定客户端如何发现服务端提供了哪些工具、资源和提示模板，以及怎么用统一的 JSON-RPC 消息去调用它们。它解决的是集成层面的N×M 问题——以前每换一个模型或框架，每个数据源都要重写一遍对接代码；有了协议，数据源实现一次 MCP Server，任何支持 MCP 的客户端都能接。三个核心概念是 tools（可调用的动作，带 JSON Schema 描述参数）、resources（可读取的数据，如文件、数据库表、文档）、prompts（预置的提示模板）。它和 function calling 的区别在于层次：function calling 是模型厂商提供的「模型输出一次结构化调用」的能力，MCP 管的是「这个工具从哪来、怎么被发现、怎么复用」，两者是配合关系。工程上要注意它的安全边界——MCP Server 往往拿着真实凭据、能读写外部系统，所以工具要有最小权限、参数校验和审计，涉及写操作或敏感数据的工具还需要人工确认。

「用 AI 开发有没有自己的工作流」这类问题，面试官真正想听的是你有没有把 AI 从「补全工具」用成「工程环节」。可以按层次回答：需求与设计阶段用对话式工具做方案对比和技术选型；编码阶段用带仓库上下文的 Agent（IDE 插件或命令行 Agent）做改动，关键是给它约束——把项目规范、目录约定、验收标准写成可复用的配置或规则文件，而不是每次口头描述；验证阶段让 AI 生成边界用例和回归清单，但结果必须自己跑通；最后是判断哪些事不该交给 AI：涉及线上数据、权限、不可逆操作的一律自己做。裸 Agent 与 skill / spec / workflow 的取舍可以这样说：一次性、探索性任务用裸 Agent 最灵活；重复出现的任务把流程固化成 spec 或 workflow，换来的是可复现、可交接、少返工；上下文成本高、只需要一个结论的任务封装成 skill 按需加载。能举出自己项目里一两条具体做法（哪个环节省了多少时间、哪次因为没写约束而返工）比罗列工具名有说服力得多。

实习相关的问题按 STAR 组织即可，重点是「你的动作」和「可量化的结果」。回答「最大的收获」最容易空泛，稳妥的结构是：先说一个具体场景（遇到什么问题、你做了什么），再说方法层面的沉淀（比如学会了先对齐口径、先写验证标准再动手、把重复流程工具化），最后落到可迁移的东西。「实习工作内容」不要只报项目名，用一两句话说清系统是做什么的、你负责哪部分、上下游是谁、交付量级如何；面试官通常会顺着这里的细节往下追两层，所以每提到一个技术点都要能接着讲清取舍。