快手杭州电商大模型应用Java一面面经
面试题目
一、 项目
- 简单介绍一下这个系统的知识库问答架构，从文档入库到最后回答的完整链路是怎样的？
- 向量检索用的是什么索引类型？
- 在召回之后有没有做重排（Rerank）之类的操作？
- 你知识库的准确率和召回率是怎么评估的？
- Spring AI Alibaba 的 Function Calling 是怎么实现的？模型如何决定调用哪个工具？
- 如果工具调用失败了，你们设计了什么处理机制？
- Execute Plan 模式具体是怎么实现的？
- 平时哪种模型用的比较多？
- 平时编码时会用哪些模型？
- 在选择向量数据库时，有没有看过其他的（如 ES、Milvus 以外的选择）？它们之间的区别你大概有概念吗？
- 在写 Prompt的时候，你有哪些实践经验或设计原则？
- Graph Rag / Agentic Rag了解过吗？
- 在秒杀下单中，Lua 脚本具体做了什么？为什么要用 Lua，而不是分开执行多条指令？
- 这个项目你自己做过压测吗？
- 对系统能扛住的流量（QPS）有没有具体的概念？
- 对于什么时候该上缓存、什么时候该上本地缓存，你大概的概念是什么？
二、 Java 基础
- 线程池的核心参数有哪些？
- 线程池内部的具体工作流程是怎样的？
- 核心线程数和最大线程数一般怎么确定/计算？
三、 场景题
- 你觉得目前 RAG 最大的瓶颈是什么？
- 假设要给电商平台搭建一个百万/千万级的商品知识库问答系统，你会怎么设计？
- 针对商品信息（如价格、描述）可能被商家动态更新的情况，你的知识库设计需要考虑什么？
四、手撕 二叉树的层序遍历
参考解析
- RAG链路与瓶颈：链路通常为：文档切片 -> Embedding向量化 -> 存入向量库 -> 召回 -> Rerank精排 -> LLM生成。瓶颈在于向量检索的语义丢失和长文本上下文理解能力限制。
- Function Calling实现：模型输出特定的JSON结构（包含函数名与参数），框架解析该JSON并反射调用本地Java方法。失败处理通常涉及重试机制（Retry）或向模型反馈错误信息进行自愈。
- Lua脚本秒杀：Lua保证了多条Redis指令的原子性，防止在并发执行时出现超卖。比事务（Multi/Exec）性能更高，因为减少了网络往返。
- 线程池参数：corePoolSize, maximumPoolSize, keepAliveTime, unit, workQueue, threadFactory, handler。确定方式：IO密集型=2*CPU核数，计算密集型=CPU核数+1。
- 大规模知识库设计：需采用分布式向量库（Milvus/Elasticsearch），并引入KV缓存存储元数据，使用异步队列（MQ）监听商品变动事件，通过增量更新策略实时同步向量库。