面灵AI→

快手电商一面:分组审查的上下文边界与 Redis 分片一致性

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

  1. 自我介绍。
  2. 现在仍在 B 站实习,是想换实习吗,还是有其他安排?
  3. 现在可以随时离开上一家公司、开始下一段实习吗?
  4. 学校还有课吗?校外实习可以持续到什么时候?什么时候需要回学校?
  5. 介绍一下在 B 站实习主要做什么。
  6. 你本人在项目里做了什么?做了哪些优化?(面试官多次强调想听个人贡献,而不是整个系统的通用方案)
  7. 仓库规范是用来直接检查代码,还是用来过滤已有问题?是否可以理解成黑名单式过滤?
  8. 除了把规范提供给大模型,你具体做了什么?写了什么代码来解决问题?
  9. 现在到底采用什么方案解决?是否主要是直接注入 Prompt,再通过多个 Subagent 并行审查来解决 P99 耗时?
  10. 历史问题过滤是否就是加一个 Prompt?后续由谁迭代,是你自己迭代吗?
  11. 你如何了解其他团队的代码?同样是版本号写死,在一个团队不算问题,在另一个团队算问题,怎么处理?这些规范由谁维护?
  12. 多个 Subagent 各看一部分代码,局部都没问题、整体架构却有问题时,怎么发现和解决?
  13. 分组真的有效吗?假设有 3000 行变更、涉及 20 个文件,具体怎么分组?
  14. 是否还是让 AI 分析文件之间的调用关系?具体依据是什么?
  15. 两个变更文件没有直接联系,而是通过一段没有修改的代码产生间接关联,能发现吗?这个问题是否解决,还是已知但不处理?
  16. 分组并行之后,还会不会出现上下文超限?
  17. 分组补充上下文只增不减,不断增加后如何避免再次打满上下文?
  18. 如果几个文件的代码量就把上下文打满了,怎么处理?是否只能报错?
  19. 即使无法完成审查,是否应该有兜底、告警和用户通知?如果一个团队有大量 MR 超限、影响发布,研发团队如何及时知道?
  20. Issue 向量化具体怎么做?检索和过滤流程是什么?
  21. 这些历史 Issue 是 AI 扫描出来的吗?
  22. 怎么评估 Issue 的质量?最终是人工评测吗?
  23. 核心指标是误报率,还是你说的准确率?最核心看哪个指标?
  24. 用户标为误报,但你们可能认为它不是误报,对吗?
  25. 现在准确率是多少?只有百分之四十多,用户能用吗?
  26. 大量输出不正确,会不会影响开发效率?如果一批代码报出很多问题,其中只有一部分正确,开发者的处理成本怎么办?
  27. 如果只看准确率,是不是问题报得越少越好?比如只报少数非常确定的空指针问题,就能提高准确率。用什么指标衡量、约束这种情况?
  28. 介绍一下上一段实习,大概做了什么。
  29. 你本人具体做了什么?
  30. 挑一个印象深刻的问题讲讲,而不只是介绍简单的 CRUD。
  31. 两个项目里有没有技术用得比较深入的地方?能否结合项目问题,体现你对 Java 或具体技术的理解?
  32. 针对你主动提出的商品点击 Top 100 方案,多个 Redis 分片之间如何保证数据一致性?
  33. 如果有五个分片,需要写五次,那么写到第三个失败了怎么办?
  34. 投屏展示,用 AI 完成现场题目,预计约 20 分钟。
  35. 介绍这次做题的实际过程,直接展示本次操作,不用介绍其他案例或泛讲 Skill。
  36. 这次具体跟 AI 说了什么?能否展示实际输入和交互过程?
  37. AI 给出的这些内容,你都认为可以接受吗?

《参考解析》

分组并行与全局问题:按文件分组并行能降低单次上下文压力、提高 P99,但会丢失跨文件的全局视角。补法是两层:分组内做局部审查,另起一个「全局层」只看改动文件的接口签名、依赖关系、数据流摘要(而不是全文),专门找架构与契约层面的问题;再用规则把跨文件的强关联(同一接口的调用方与被调用方)拉到同一组。必须承认边界:纯靠分组无法发现所有整体性问题,所以要有兜底机制(对高风险改动强制全量审查、人工复核、上线后监控),并把「未覆盖范围」写进结果而不是假装审过。

3000 行、20 个文件怎么分:先按依赖聚类——同一模块、同一调用链上的文件放一组;再按体量均衡——单组控制在上下文预算的 60% 左右,留出规则与输出的空间;入口文件(路由、配置、公共库)单独成组,因为它们影响面最大。分组依据不能只靠目录,要让模型先输出一份「文件职责与依赖摘要」,再按摘要聚类,人工或程序校验后执行。

间接依赖:两个改动文件通过未修改的中间代码关联,静态上看不出,需要构建依赖图(import、调用、数据流)并取二跳邻居的摘要注入。成本高时用启发式:同名符号、共享配置、同一事件主题、同一数据库表。若确实没做,回答时要明确说这是已知未覆盖的场景、影响是什么、后续怎么做,不要把「没做」说成「不需要」。

上下文只增不减:分组时给每组固定预算,注入的上下文按优先级排序并设上限:先放改动本身,再放直接依赖的签名,最后放历史案例;超出预算时丢弃最低优先级而不是继续追加。跨组共享的公共上下文只注入一次摘要。对话轮次增加时对早期内容做摘要压缩,保留结论与约束。

超大变更:几个文件就撑满上下文时,不能只报错。降级路径是:按函数或 hunk 再切分、只审高风险部分(核心逻辑、权限、资金)、其余标注「未审查」并提示人工;同时上报指标(超限 MR 数、影响团队),让平台侧感知。要有明确的产品行为:告诉用户哪些部分审了、哪些没审、为什么。

指标设计:只盯准确率会诱导少报。需要一组互相约束的指标:精确率、召回率(在评测集上)、平均每个 MR 报出条数、用户处理率与忽略率、驳回原因分布、以及「漏报导致的线上问题数」。用召回率与覆盖度约束「少报」,用精确率约束「乱报」,再用人工抽查校准。

Redis 分片 Top 100 一致性:商品点击 Top 100 若按商品 ID 哈希到多个分片,各分片只能看到局部热度,全局 Top 100 需要聚合。常见方案是每个分片维护本地 Top K(K 大于 100),由一个聚合任务定期拉取各分片结果归并;或用中心化的 Sorted Set(单分片或按业务再拆),写入时直接更新全局榜。分片方案的一致性问题是聚合有延迟、以及跨分片写入不是原子操作。

五个分片写到第三个失败:这说明缺少事务边界。可行做法:先写日志/消息(本地消息表或 MQ),由消费者幂等重试,保证最终一致;或引入两阶段(预写 + 确认),失败则回滚已写部分;或改变分片策略,让一次业务写入只落在一个分片(按用户或商品维度聚合,避免跨分片)。要说明不同方案的一致性级别与补偿成本,不能简单说「重试」。

AI Coding 实操:面试官要看的是过程而不是结果。合理流程是:先复述需求与边界、确认输入输出与异常;让 AI 给出方案与改动点,人审一遍再让它写;写完立即跑测试或手工验证,把失败信息回传给 AI 修正;最后自查命名、边界、错误处理。要如实评价 AI 的输出,指出哪里对、哪里需要改,而不是全盘接受。