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》
- 自我介绍。
- 现在仍在 B 站实习,是想换实习吗,还是有其他安排?
- 现在可以随时离开上一家公司、开始下一段实习吗?
- 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?
- 介绍一下在 B 站实习主要做什么。
- 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)
- 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?
- 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?
- 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?
- 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?
- 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?
- 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?
- 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?
- 是否还是让 AI 分析文件之间的调用关系?具体依据是什么?
- 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?
- 分组并行之后,还会不会出现上下文超限?
- 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?
- 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?
- 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?
- Issue 向量化具体怎么做?检索和过滤流程是什么?
- 这些历史 Issue 是 AI 扫描出来的吗?
- 怎么评估 Issue 的质量?最终是人工评测吗?
- 核心指标是误报率,还是你说的准确率?最核心看哪个指标?
- 用户标为误报,但你们可能认为它不是误报,对吗?
- 现在准确率是多少?只有百分之四十多,用户能用吗?
- 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?
- 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?
- 介绍一下上一段实习,大概做了什么。
- 你本人具体做了什么?
- 挑一个印象深刻的问题讲讲,而不只是介绍简单的 CRUD。
- 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?
- 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?
- 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?
- 投屏展示,用 AI 完成现场题目,预计约 20 分钟。
- 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。
- 这次具体跟 AI 说了什么?能否展示实际输入和交互过程?
- 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。