20K Java+AI 岗位高频考点 — 大厂面试不只考技术,更考思维深度和实战经验。覆盖阿里/美团/字节/京东/拼多多/腾讯真题,模拟真实面试追问链路。
架构分层:
CDN静态资源 → Nginx本地缓存 → 应用层多级缓存 → 数据库
关键设计:
1. 多级缓存:Nginx本地缓存(30s) → Redis集群(5min) → 应用内存Caffeine(10s)
2. 热点发现:实时计算热点Key,主动推送到各节点本地缓存
3. 异步化:商品信息异步聚合,非核心数据异步加载
4. 降级策略:缓存miss时返回兜底数据,保护DB
5. 动静分离:HTML模板+数据分离,模板CDN缓存
// 多级缓存实现
@Cached(name = "product:", expire = 300) // Redis 5分钟
@CachePenetrationProtect // 防缓存穿透
public ProductDTO getProduct(Long productId) {
return productMapper.selectById(productId);
}
面试官:你们系统怎么保证分布式事务一致性?
高分回答结构:
1. 先说理论:CAP/BASE理论,我们选择最终一致性
2. 再说方案:对比Seata AT/TCC/Saga/MQ最终一致性
3. 结合场景:订单场景用Seata AT(无侵入),支付场景用TCC(强一致)
4. 讲踩坑:全局锁超时、回滚失败、脏读的解决
5. 讲监控:事务成功率、耗时分布、补偿率
架构:
客户端 → 长连接网关(Netty) → 消息路由 → 消息存储 → 离线推送
关键设计:
1. 连接管理:长连接+心跳,单机支撑50万连接
2. 消息路由:根据用户ID哈希到对应连接网关
3. 消息存储:写扩散(群聊)+ 读扩散(单聊)混合
4. 离线消息:Redis ZSET按时间排序,拉取后标记已读
5. 消息可靠:发送方ACK + 接收方ACK + 服务端持久化
6. 消息有序:单会话消息ID递增(Snowflake改造)
// 基于MSE的全链路灰度
@RestController
@RequestMapping("/api/v1/orders")
public class OrderController {
@GetMapping("/{id}")
@GrayRoute(tag = "gray", fallback = "getOrderProd") // 灰度标签
public OrderDTO getOrder(@PathVariable Long id) {
return orderServiceV2.getOrder(id); // 新版本逻辑
}
public OrderDTO getOrderProd(Long id) {
return orderServiceV1.getOrder(id); // 老版本
}
}
多级限流:
1. 网关层:Sentinel集群限流,QPS阈值
2. 服务层:单机限流,线程池+信号量
3. 数据层:连接池限制、SQL超时
4. 前端:按钮防抖、验证码、排队
限流算法选择:
- 网关:滑动窗口(精确)
- 下单:令牌桶(允许突发)
- 秒杀:漏桶(匀速消费)
单元化(Cell-Based):
- 将用户按UID分成多个单元(Cell)
- 每个单元包含完整的计算和存储
- 同一用户的所有请求路由到同一单元
- 跨单元请求通过异步消息
优势:
- 故障隔离:单个单元故障不影响全局
- 弹性扩容:按单元粒度扩缩
- 数据就近:减少跨机房调用
订单生命周期:
创建 → 支付 → 商家接单 → 骑手取餐 → 配送中 → 已送达 → 已完成
↓ ↓ ↓ ↓ ↓
取消 超时取消 商家拒单 异常报备 异常报备
技术要点:
1. 状态机:订单状态流转用状态机管理,防非法状态跳转
2. 延迟消息:超时自动取消(RocketMQ延迟消息)
3. 分库分表:按用户ID取模,16库×64表
4. 读写分离:写主库,读从库+缓存
5. 幂等设计:Token+唯一业务键双保险
// 订单状态机
public enum OrderEvent {
PAY, CANCEL, ACCEPT, REJECT, PICKUP, DELIVER, COMPLETE, TIMEOUT
}
@Service
public class OrderStateMachine {
public void fireEvent(Long orderId, OrderEvent event) {
Order order = orderMapper.selectById(orderId);
OrderStatus newStatus = transition(order.getStatus(), event);
if (newStatus == null) throw new BizException("非法状态转换");
order.setStatus(newStatus);
orderMapper.updateById(order);
}
}
核心问题:将N个订单分配给M个骑手,最小化总配送时间
方案演进:
1. V1:贪心算法,最近骑手优先分配
2. V2:运筹优化,建模为VRP问题,用OR-Tools求解
3. V3:机器学习+规则引擎,预测配送时长+动态调整
技术架构:
订单流 → Kafka → 调度引擎(规则+算法) → 骑手App推送
↓
算法服务(Python/Java)
Redis(骑手位置实时更新)
特征工程:
- 距离特征:直线距离、路网距离
- 时间特征:时段、星期、节假日
- 天气特征:温度、降水、风力
- 历史特征:同路线历史ETA、骑手历史表现
模型选型:
- LightGBM做特征交叉
- 深度学习做时序建模
- 在线推理:< 50ms
多级缓存:
1. 本地缓存(Caffeine):热点商户,10s过期
2. Redis集群:商户信息,30min过期
3. 数据库:持久化存储
缓存策略:
- 读:先本地 → 再Redis → 最后DB,回填缓存
- 写:先更新DB → 再删除缓存(Cache Aside)
- 热:通过消息队列广播失效,主动预热
防击穿:分布式锁+逻辑过期
防穿透:布隆过滤器
防雪崩:随机过期时间
步骤:
1. 影子库:创建与生产同构的影子表
2. 流量染色:压测流量标记X-Pressure-Test
3. 链路透传:染色标记通过MDC/Header透传
4. 数据隔离:染色的写请求路由到影子库
5. 监控隔离:压测指标单独大盘
6. 逐步加压:10% → 30% → 50% → 80% → 100% → 120%
面试官:为什么选RocketMQ不选Kafka?
标准回答结构:
1. 业务需求:日订单500万+,需要事务消息+延迟消息
2. 方案对比:RocketMQ原生事务消息/延迟18级别 vs Kafka需自研
3. 团队因素:团队Java为主,RocketMQ Java生态好
4. 运维考虑:RocketMQ运维简单,DLQ处理成熟
5. 成本考量:同等吞吐下,RocketMQ机器成本低30%
6. 不足承认:社区不如Kafka活跃,大数据生态弱
方案对比:
- 推模式:写时推送到所有粉丝收件箱 → 粉丝多时写放大
- 拉模式:读时从关注列表拉取 → 读放大
- 推拉结合:大V用拉模式,普通用户推模式
抖音方案:
1. 在线用户:推模式,实时推送到收件箱
2. 离线用户:拉模式,上线时拉取
3. Redis存储:收件箱用ZSET,score为时间戳
4. 聚合排序:内容质量分 + 时间衰减 + 个性化权重
LeetCode Top 20(字节高频):
1. 接雨水 (Hard) - 双指针/单调栈
2. 合并K个升序链表 (Hard) - 最小堆/分治
3. 最长递增子序列 (Medium) - DP/二分
4. 二叉树的右视图 (Medium) - BFS
5. LRU缓存 (Medium) - HashMap+双向链表
6. 三数之和 (Medium) - 排序+双指针
7. 无重复最长子串 (Medium) - 滑动窗口
8. 反转链表II (Medium) - 链表操作
9. 岛屿数量 (Medium) - DFS/BFS/并查集
10. 最小栈 (Medium) - 辅助栈
刷题策略:
- Easy < 5min,Medium < 20min,Hard < 40min
- 先讲思路,再写代码,最后分析复杂度
架构:
用户请求 → 实验分流服务 → 实验组/对照组 → 日志上报 → 离线分析
分流策略:
- Hash分流:userId % 100 → 实验桶
- 分层实验:不同维度实验正交
- 互斥实验:同一层实验互斥
统计指标:
- 核心指标:留存率、使用时长、转化率
- 护栏指标:崩溃率、ANR率、耗电量
- 显著性:p-value < 0.05
技术方案:
1. i18n框架:Spring MessageSource + 前端i18n库
2. 内容翻译:用户生成内容 → 接入翻译API → 人工审核
3. 时区处理:服务器UTC,前端按用户时区展示
4. 货币:按地区显示对应货币符号和汇率换算
5. 合规:GDPR/各地区数据本地化要求
核心差异:
1. 并发模型:goroutine → Java虚拟线程/线程池
2. 错误处理:多返回值 → Java异常体系
3. 内存管理:逃逸分析 → JVM GC调优
4. 接口:鸭子类型 → Java显式implements
5. 依赖管理:go mod → Maven/Gradle
6. 包管理:小写包名 → Java域名倒序
常见陷阱:
- Java对象引用传递 vs Go值拷贝
- Java NPE vs Go零值
- Java泛型擦除 vs Go泛型(1.18+)
四步答题框架:
1. 澄清需求(3min)
- 功能需求:核心功能有哪些?
- 非功能需求:QPS?延迟?可用性?
- 约束:数据量级?团队规模?
2. 高层设计(5min)
- 画架构图:客户端→网关→服务→存储
- 核心组件和交互
- 选型理由
3. 深入设计(10min)
- 数据模型设计
- API设计
- 关键算法
- 存储选型
4. 扩展讨论(5min)
- 瓶颈分析
- 优化方案
- 权衡取舍
架构:
前端 → CDN → Nginx → 秒杀服务 → Redis(Redisson) → MQ → 订单服务
关键设计:
1. 前端:按钮置灰+验证码+答题防刷
2. 限流:Nginx限流+Sentinel限流+Redis原子扣减
3. 库存:Redis预扣减,Lua原子操作
4. 异步:MQ削峰,异步创建订单
5. 防超卖:Redis+DB双重校验
// Redis原子扣减库存
String script = """
if redis.call('get', KEYS[1]) >= tonumber(ARGV[1]) then
redis.call('decrby', KEYS[1], ARGV[1])
return 1
end
return 0
""";
Long result = redisTemplate.execute(new DefaultRedisScript<>(script, Long.class),
List.of("seckill:stock:" + productId), "1");
多级库存:
1. 销售层库存:Redis实时扣减,防止超卖
2. 订单层库存:下单锁定,支付确认扣减
3. 仓储层库存:WMS物理库存,发货扣减
一致性方案:
- Redis扣减 → MQ异步 → DB扣减(最终一致)
- 定时对账:每小时Redis与DB库存对账
- 兜底:DB乐观锁兜底,防超卖
核心流程:
供应商 → 采购 → 入仓 → 库存管理 → 订单 → 履约 → 配送 → 售后
技术挑战:
1. 数据量大:亿级SKU,分库分表+ES搜索
2. 实时性:库存变更毫秒级同步
3. 一致性:采购单→入库单→库存多级联动
4. 扩展性:多仓多业态,策略模式+规则引擎
// 经典并发场景:库存扣减
// 错误写法
int stock = stockMapper.getStock(productId);
if (stock > 0) stockMapper.updateStock(productId, stock - 1); // 超卖!
// 正确写法1:乐观锁
stockMapper.updateStock(productId, expectedVersion);
// UPDATE stock SET count = count - 1, version = version + 1
// WHERE product_id = ? AND version = ?
// 正确写法2:Redis + Lua
// 正确写法3:分布式锁(Redisson)
RLock lock = redisson.getLock("stock:" + productId);
try {
lock.lock(5, TimeUnit.SECONDS);
// 扣减逻辑
} finally {
lock.unlock();
}
架构:
用户行为 → 特征工程 → 召回(多路) → 粗排 → 精排 → 重排 → 展示
召回策略:
- 协同过滤:基于用户/基于物品
- 向量召回:用户Embedding × 物品Embedding ANN
- 热门召回:全局热销榜
- 标签召回:用户兴趣标签匹配
排序模型:
- 粗排:双塔模型(轻量级)
- 精排:DeepFM/DIN(复杂模型)
搜索链路:
用户输入 → 分词 → 意图理解 → 多路召回 → 粗排 → 精排 → 业务过滤 → 展示
ES索引设计:
- 索引分片:按品类分片,每个分片独立
- 字段设计:标题(分词)、品牌(keyword)、价格(number)、销量(number)
- 搜索方式:multi_match + function_score(综合排序)
- 聚合:品牌聚合、价格区间聚合
核心挑战:
1. 瞬时峰值:活动开始QPS暴增100倍
2. 库存一致性:高并发下不超卖
3. 风控:防刷单、防黄牛
架构:
CDN → WAF → 网关(限流) → 活动(预扣减) → MQ(削峰) → 订单
关键:
- 静态化:活动页完全CDN,动态接口最少化
- 预扣减:Redis Lua原子扣减,内存级性能
- 异步化:核心链路同步,非核心全部异步
- 降级:库存不足时返回"已抢光",不击穿到DB
场景:100亿条订单数据分析
方案选型:
1. 批处理:Spark离线计算(T+1报表)
2. 流处理:Flink实时计算(实时大屏)
3. OLAP:ClickHouse(多维分析)
数据分层:
ODS(原始) → DWD(明细) → DWS(汇总) → ADS(应用)
存储方案:
- 热数据:ClickHouse(实时查询)
- 温数据:Hive/Spark SQL(离线分析)
- 冷数据:HDFS/S3(归档)
// Redisson分布式锁最佳实践
@Component
public class DistributedLockService {
@Autowired RedissonClient redisson;
public <T> T executeWithLock(String lockKey, long waitTime, long leaseTime,
TimeUnit unit, Supplier<T> supplier) {
RLock lock = redisson.getLock(lockKey);
boolean acquired = false;
try {
acquired = lock.tryLock(waitTime, leaseTime, unit);
if (!acquired) throw new BizException("系统繁忙,请稍后重试");
return supplier.get();
} catch (InterruptedException e) {
Thread.currentThread().interrupt();
throw new BizException("操作被中断");
} finally {
if (acquired && lock.isHeldByCurrentThread()) lock.unlock();
}
}
}
架构:
爬虫采集 → 数据清洗 → 价格比对 → 价保服务
技术要点:
1. 数据采集:Scrapy + Kafka,千万级SKU定时比价
2. 数据清洗:Flink去重+标准化+异常过滤
3. 价格存储:HBase(历史价格) + Redis(实时价格)
4. 价保计算:规则引擎 + 促销叠加计算
5. 通知推送:价格变动 → MQ → App推送
实时特征:
1. 用户实时行为:最近10次点击/搜索
2. 商品实时热度:最近1小时销量/点击
3. 上下文特征:时间、地域、设备
架构:
用户行为 → Kafka → Flink → 特征存储(Redis/HBase) → 推荐服务
↓
特征更新延迟 < 1秒
优化层次:
1. 网络:CDN加速、HTTP/2、gzip压缩
2. 网关:限流、缓存静态接口
3. 应用:本地缓存、异步化、批量操作
4. 数据库:索引优化、分库分表、读写分离
5. 缓存:多级缓存、热点预加载
6. JVM:GC调优、堆外内存
效果:P99从500ms优化到50ms
架构:
商户 → 支付网关 → 风控 → 账务核心 → 渠道路由 → 银行/第三方
关键设计:
1. 接口幂等:支付流水号唯一约束
2. 资金安全:TCC事务保证账户一致性
3. 对账系统:T+1自动对账,差异自动报警
4. 限额控制:单笔限额+日累计限额
5. 风控规则:实时风控评分,高风险拦截
算法:二倍均值法
剩余金额M,剩余人数N → 每次随机 [0.01, M/N*2]
保证:每人至少0.01元,总额守恒
并发设计:
1. 预分配:抢红包时只判断是否已抢(Redis SET)
2. 异步拆:抢到后再异步获取具体金额
3. 入账异步:MQ异步入账,不阻塞用户
// 二倍均值红包算法
public List<BigDecimal> split(BigDecimal total, int count) {
List<BigDecimal> result = new ArrayList<>();
BigDecimal remaining = total;
for (int i = 0; i < count - 1; i++) {
BigDecimal max = remaining.divide(BigDecimal.valueOf(count - i), 2, RoundingMode.HALF_UP)
.multiply(BigDecimal.valueOf(2));
BigDecimal amount = randomBetween(MIN, max);
result.add(amount);
remaining = remaining.subtract(amount);
}
result.add(remaining);
return result;
}
### 33. QQ空间Feed流如何设计?
方案:推拉结合
优化:
### 34. 腾讯如何做灰度发布和回滚?
发布流程:
1. 代码Review + 自动化测试
2. 构建镜像 → 推送到镜像仓库
3. K8s Deployment滚动更新
4. 灰度:先10%流量,观察5min → 50% → 100%
5. 监控:错误率、延迟、业务指标
回滚策略:
### 35. 腾讯C++转Java的技术迁移?
核心差异:
1. 内存管理:手动new/delete → JVM GC
2. 并发:线程+锁 → JUC并发包
3. 容器:STL → Java Collections
4. 模板:C++模板 → Java泛型(擦除)
5. 异常:异常对象 → Java Checked/Unchecked
6. 多继承:虚继承 → Java接口+组合
迁移建议:
### 36. 腾讯音视频通话的技术架构?
架构:
客户端 → 信令服务器(SDP交换) → STUN/TURN(NAT穿透) → P2P/中继 → 媒体服务器
关键技术:
1. WebRTC:音视频编解码、网络自适应
2. 信令:WebSocket交换SDP/ICE候选
3. NAT穿透:STUN探测,TURN中继兜底
4. 编码:H.264/H.265视频,Opus音频
5. QoS:FEC前向纠错、ARQ重传、自适应码率
---
## 七、综合场景题
### 37. 设计一个短链系统?
核心:长URL → 短码(6-7位) → 302重定向
生成算法:
1. 哈希(MD5/MurmurHash) → 取前6位 + 冲突检测
2. 发号器(雪花算法/数据库自增) → Base62编码
3. 预生成:批量生成短码存入池中
存储:
性能:
### 38. 设计一个朋友圈?
数据模型:
Feed流:
隐私控制:
### 39. 设计一个消息推送系统?
架构:
业务系统 → 消息中心 → 渠道路由 → 推送渠道(App/短信/邮件/微信)
技术选型:
关键指标:
### 40. 设计一个抢红包系统?
核心流程:
发红包 → 写入Redis → 抢红包(Lua原子操作) → 异步入账
并发控制:
1. Redis Lua原子操作:判断+扣减+记录
2. 乐观锁:CAS防止超发
3. 限流:防止接口被刷
数据一致性:
1. Redis实时扣减
2. MQ异步写入DB
3. 定时对账Redis和DB
### 41. 设计一个搜索引擎建议(Suggestion)?
方案一:前缀树(Trie)
方案二:ES Completion Suggester
方案三:Redis ZSET
### 42. 设计一个分布式ID生成器?
方案对比:
1. UUID:无序,索引效率低
2. 数据库自增:单点瓶颈
3. 号段模式:Leaf-segment,双Buffer
4. 雪花算法:时间+机器+序列号
雪花算法改造(解决时钟回拨):
// 雪花算法Java实现核心
public class SnowflakeIdWorker {
private final long twepoch = 1704067200000L; // 2024-01-01
private final long workerIdBits = 5L;
private final long sequenceBits = 12L;
private long lastTimestamp = -1L;
private long sequence = 0;
public synchronized long nextId() {
long timestamp = System.currentTimeMillis();
if (timestamp < lastTimestamp) throw new RuntimeException("时钟回拨");
if (timestamp == lastTimestamp) {
sequence = (sequence + 1) & ~(-1L << sequenceBits);
if (sequence == 0) timestamp = waitNextMillis();
} else {
sequence = 0;
}
lastTimestamp = timestamp;
return ((timestamp - twepoch) << (workerIdBits + sequenceBits))
| (workerId << sequenceBits) | sequence; |
|---|
}
}
---
## 八、面试策略与技巧
### 43. 如何回答"你遇到过最难的技术问题"?
STAR法则:
Situation(背景):在XX项目中,QPS从1000涨到50000
Task(任务):需要保证P99延迟<200ms
Action(行动):
1. 定位瓶颈:Arthas火焰图发现慢SQL
2. 方案一:加索引,效果有限
3. 方案二:引入Redis缓存,命中率95%
4. 方案三:本地缓存Caffeine二级缓存
5. 方案四:异步化非核心逻辑
Result(结果):P99从800ms降到120ms,线上稳定运行半年
### 44. 如何回答"你的技术选型依据"?
选型框架(5维度):
1. 业务匹配度:功能是否满足业务需求?
2. 性能:是否满足QPS/延迟要求?
3. 可维护性:社区活跃度、文档质量?
4. 团队适配:团队技术栈是否熟悉?
5. 成本:机器成本、学习成本、运维成本?
禁忌:
### 45. 如何回答"你有什么优势"?
差异化表达:
1. 不要泛泛而谈"我学习能力强"
2. 用具体事例证明:
3. 结合岗位需求:
独特卖点:
### 46. 面试中如何处理不会的问题?
策略:
1. 不要说"我不知道"就结束
2. 说"这块我了解不深,但根据我的理解..."然后推理
3. 联系已知知识类比
4. 表达学习意愿:"这个问题很有意思,我会回去研究"
示例:
面试官:G1收集器的Mixed GC触发条件?
回答:"具体阈值我记不清了。但我知道G1是分区收集,Mixed GC会同时回收Young和老年代分区。
触发条件应该跟堆使用率和期望停顿时间有关。我用的是XX参数调优..."
### 47. 薪资谈判策略?
准备:
1. 市场调研:Boss直聘/拉勾同级别薪资范围
2. 当前薪资:Base + Bonus + 股票 年度总包
3. 期望薪资:比当前高30%-50%
谈判技巧:
1. 让对方先出价:"请问这个岗位的薪资范围?"
2. 给范围不给具体数:"我期望在25K-30K之间"
3. 强调价值:"基于我在XX项目中的经验,我相信能为团队带来XX价值"
4. 总包思维:Base不够Bonus凑,现金不够期权凑
5. 不要急:"我需要考虑一下"是合理的
### 48. 如何展示AI工程化能力?
面试话术:
"我在AI工程化方面有三个实战经验:
第一,基于Spring AI搭建了企业知识库系统,使用了RAG架构。通过混合检索(向量+BM25)
和Rerank重排序,准确率从65%提升到92%。
第二,实现了AI Agent自动客服系统,Agent能自主判断是否需要检索知识库,支持多轮
对话和工具调用,替代了30%的人工客服。
第三,使用LoRA对7B模型做领域微调,基于LLaMA-Factory,8×A100训练4小时,
业务准确率从78%提升到91%。"
### 49. 如何准备大厂系统设计面试?
准备路线:
1. 基础:理解分布式系统核心概念(CAP/BASE/一致性)
2. 组件:掌握常用组件的原理和适用场景
3. 实战:练习20+经典系统设计题
4. 模拟:找人Mock Interview,限时45分钟
经典题目清单:
### 50. 大厂面试常见追问链路?
Java并发追问链:
HashMap原理 → 线程安全问题 → ConcurrentHashMap → CAS原理 → ABA问题 →
StampedLock → 虚拟线程 → 协程 → 响应式编程
MySQL追问链:
索引原理(B+树) → 聚簇索引/二级索引 → 回表/覆盖索引 → 索引失效场景 →
事务隔离级别 → MVCC原理 → 锁机制 → 死锁 → 分库分表
Redis追问链:
数据结构 → 持久化(AOF/RDB) → 主从复制 → 哨兵 → Cluster →
缓存穿透/击穿/雪崩 → 分布式锁 → Redisson原理
---
## 面试速记口诀
> **大厂面试四步**:理论打底→方案对比→实战踩坑→数据量化
>
> **系统设计四步**:需求澄清→高层架构→深入设计→扩展讨论
>
> **答题框架STAR**:背景(S)→任务(T)→行动(A)→结果(R)
>
> **技术选型五维**:业务匹配/性能/可维护/团队适配/成本
>
> **薪资谈判三招**:让对方先出价/给范围/强调价值