本节聚焦AI技术栈和项目经验的面试模拟,包括Spring AI架构、RAG流程、Function Calling、AI定价系统口述、OTA业务经验和大数据优化实战。
答题框架:
一句话定位:Spring AI是Spring官方的AI应用开发框架,类似LangChain的Java版
核心架构:
┌───────────────────────────────────────┐
│ Application Layer │
│ (Controller / Service) │
├───────────────────────────────────────┤
│ Spring AI Core │
│ ChatClient / Embedding / VectorStore │
│ Function Calling / Advisor Chain │
├───────────────────────────────────────┤
│ Model Providers │
│ OpenAI / Azure / Ollama / ZhipuAI │
├───────────────────────────────────────┤
│ Vector Stores │
│ Redis / PGVector / Milvus / ES │
└───────────────────────────────────────┘
我实际使用:
- 模型: 通义千问/ZhipuAI(国内模型)
- 向量库: Redis Vector / PGVector
- 核心: RAG检索增强 + Function Calling
追问链:Spring AI和LangChain4j对比? → 为什么选Spring AI不选LangChain4j? → Spring AI的Advisor机制是什么?
答题框架(7步流程):
RAG (Retrieval-Augmented Generation) 7步:
1. 文档加载: PDF/Word/HTML → Document对象
PdfDocumentReader / TextReader
2. 文档切片: 大文档切为固定大小的Chunk
TokenTextSplitter(chunkSize=500, overlap=50)
3. 向量化: Chunk → Embedding向量
EmbeddingModel.embed(text) → float[1536]
4. 存入向量库: 向量 + 原文 → VectorStore
vectorStore.add(List<Document>)
5. 用户提问 → 向量化: query → embedding
6. 相似度检索: query向量 vs 向量库 → Top-K最相关Chunk
vectorStore.similaritySearch(SearchRequest.query(q).withTopK(5))
7. 组装Prompt + 调用LLM:
System: 基于以下上下文回答问题\n{context}
User: {query}
→ ChatClient.prompt().system(sp).user(query).call()
追问链:如何提高RAG的准确率? → Chunk大小怎么确定? → 向量检索的相似度算法是什么? → 如果检索不到相关内容怎么办?
答题框架:
Function Calling = 让LLM调用外部工具
流程:
1. 开发者注册函数描述(名称/参数/用途)
2. 用户提问 → LLM判断是否需要调用函数
3. LLM返回函数调用请求(函数名+参数) — 不是直接执行!
4. 应用层执行函数,获取结果
5. 将结果返回给LLM
6. LLM基于函数结果生成最终回答
Spring AI实现:
@Bean
@Description("查询航班价格,参数:出发城市、到达城市、日期")
public Function<FlightPriceRequest, FlightPriceResponse>
flightPriceFunction() {
return request -> flightService.queryPrice(request);
}
// ChatClient自动注册,LLM根据用户问题自动决定是否调用
关键理解:
LLM不直接执行代码,只生成调用意图
应用层负责执行和安全校验
追问链:Function Calling和Agent的区别? → 多个Function如何编排? → 如何处理函数调用失败?
3分钟口述框架(BPSR结构):
B - Background (背景):
"公司需要为不同客户提供AI服务定价,定价因素包括:
模型类型(GPT-4/国产模型)、Token用量、API调用次数、
SLA等级(标准/高级/企业)、定制化需求。"
P - Problem (问题):
"原有定价方案靠Excel手动计算,问题:
1. 效率低:销售每次报价需2小时
2. 不准确:人工计算经常出错
3. 不灵活:无法实时反映成本变化"
S - Solution (方案):
"我设计了AI定价系统:
1. Spring Boot + Spring AI构建服务
2. 定价引擎:规则引擎(Drools) + AI辅助决策
3. 实时成本计算:对接各模型API获取实时Token成本
4. RAG知识库:历史定价数据+竞品价格+市场趋势
5. Function Calling:实时查询汇率/模型价格
关键技术决策:
- 为什么用规则引擎而不是纯AI?可解释性+合规要求
- 为什么用RAG?需要参考历史定价策略"
R - Result (结果):
"系统上线后:
1. 定价时间从2小时→3分钟
2. 定价准确率从85%→99%
3. 支持实时成本波动调整
4. 月活用户50+销售使用"
追问链:定价规则怎么管理的? → 如果模型API价格变了怎么更新? → 数据量多大? → QPS多少?
答题框架:
OTA(Online Travel Agency)机票业务核心流程:
搜索 → 比价 → 预订 → 支付 → 出票 → 值机 → 退改签
关键技术挑战:
1. 实时搜索: 对接多个GDS(Amadeus/Sabre/Travelport)
→ 并行调用 + 结果聚合
→ 缓存热门航线减少GDS调用
2. 价格准确性: 航司价格实时变动
→ 报价有效期(通常15-30分钟)
→ 下单前重新验价(Auto Pricing)
3. 高并发: 节假日搜索量暴增
→ Redis缓存 + 异步搜索
→ 搜索结果分页加载
4. 出票幂等: 支付成功但出票失败
→ 重试机制 + 状态机管理
→ 人工干预兜底
我的职责/贡献:
[根据实际经验调整]
答题框架:
Amadeus是全球最大的航空GDS之一:
对接方式:
1. SOAP API (传统): 较重,XML格式
2. REST API (新): JSON格式,推荐
核心API:
Flight Offers Search: 航班搜索
Flight Offers Pricing: 价格确认
Flight Create Order: 创建订单
Flight Order Management: 订单管理
对接难点:
1. 认证: API Key + OAuth2 Token
2. 限流: 每秒请求数限制
3. 数据映射: Amadeus数据模型 → 内部模型
4. 错误处理: 网络超时/业务错误/限流
我的解决方案:
- 请求限流: Sentinel控制调用频率
- 重试机制: 指数退避+最大重试次数
- 缓存策略: 热门航线缓存15分钟
- 降级策略: Amadeus不可用时切到备选GDS
答题框架:
问题场景:
机票搜索日志表1000万+数据,查询慢(10秒+)
排查过程:
1. EXPLAIN发现:type=ALL全表扫描
2. 原因:查询条件无合适索引 + 数据量大
优化方案(分层递进):
第一层:索引优化
- 分析查询模式,建立联合索引
- (departure, arrival, date, status)
- 效果:10秒 → 500ms
第二层:读写分离
- 读走从库,写走主库
- 效果:500ms → 200ms
第三层:分表
- 按月分表: log_202601, log_202602...
- 历史数据归档: 超过3个月迁移到归档库
- 效果:200ms → 50ms
第四层:缓存
- 热门查询结果缓存到Redis (TTL 5分钟)
- 效果:50ms → 10ms
最终结果:10秒 → 10ms,提升1000倍
追问链:分表后跨月查询怎么办? → 缓存一致性如何保证? → 为什么不直接用ES?
答题框架:
用BPSR结构组织:
B - 背景: 描述项目和技术栈
P - 问题: 具体的技术挑战(量化描述)
S - 方案: 你的解决思路和过程(体现技术深度)
R - 结果: 量化的改进效果
关键技巧:
1. 选择有技术深度的问题
2. 突出你的个人贡献("我"而不是"我们")
3. 数据量化:从X秒到Y秒,提升了Z倍
4. 提到踩坑经历,体现排查能力
5. 总结通用经验,体现成长
┌────────┬────────────────────────────────────────────┐
│ 等级 │ 标准 │
├────────┼────────────────────────────────────────────┤
│ A 优秀 │ BPSR结构清晰+技术细节深入+量化结果+追问流畅 │
│ B 良好 │ 能说清项目和技术栈,追问有部分卡顿 │
│ C 合格 │ 描述了项目但缺乏技术深度和量化数据 │
│ D 不合格│ 项目描述混乱,说不清自己做了什么 │
└────────┴────────────────────────────────────────────┘
项目面试高频挂点:
❌ 说不清自己在项目中具体做了什么("我们团队做了...")
❌ 没有量化数据("性能提升了" → "提升了多少?")
❌ 技术选型说不清原因("公司规定的")
❌ 踩坑经历说不出来("没遇到过问题"→没有深度思考)
❌ 项目介绍超过3分钟(面试官失去耐心)
1. 用BPSR框架口述你的AI定价系统(限时3分钟,录音回听)
2. RAG流程完整口述,包括每一步的技术选型原因
3. Function Calling为什么LLM不直接执行代码?安全考虑有哪些?
4. 千万级数据优化的排查过程完整口述
5. 准备一个"最大技术挑战"的故事,确保有量化数据