企业官网建设流程全解析

Java 后端与 RAG 面试高频要点

Java 基础

最有挑战的需求怎么讲

可以用 STAR 结构：

• S 情境：什么项目、什么业务。
• T 任务：遇到了什么难点。
• A 行动：你做了什么优化。
• R 结果：性能提升、错误率下降、响应时间降低。

示例：

在做旅游行程规划系统时，用户查询行程时接口响应较慢。我通过日志定位到数据库查询和外部数据拉取耗时较高，于是增加了缓存、优化了查询字段，并把串行调用改成并行处理。优化后接口响应时间明显下降，用户体验更好。

浅拷贝和深拷贝

浅拷贝后，修改引用类型字段会影响原对象；深拷贝后，新旧对象完全独立。

JVM 运行时数据区

• 线程私有：程序计数器、虚拟机栈、本地方法栈。
• 线程共享：堆、方法区。

JDK 8 之后，方法区主要由元空间实现，使用本地内存。堆是对象主要存放区域，也是 GC 的重点区域。

ThreadLocal 原理与内存泄漏

• 每个线程内部有一个ThreadLocalMap。
• Key 是ThreadLocal，Value 是存储的数据。
• Key 是弱引用，Value 是强引用。
• 如果线程不销毁，比如线程池复用线程，Value 可能无法回收，造成内存泄漏。
• 解决方式：使用完后在finally中调用remove()。

数组和链表区别

• 数组：内存连续，随机访问快，增删慢。
• 链表：内存不连续，随机访问慢，增删快。
• 数组适合读多写少，链表适合频繁插入删除。
• Java 中ArrayList基于数组，LinkedList基于双向链表。

HashMap 原理及 1.7 和 1.8 区别

• JDK 1.7：数组 + 链表。
• JDK 1.8：数组 + 链表 + 红黑树。
• 1.7 使用头插法，1.8 使用尾插法。
• 1.8 在链表长度较长且数组长度达到阈值时会转成红黑树，提升查询性能。
• HashMap 不是线程安全的，高并发场景可以使用ConcurrentHashMap。

重载和重写

• 重载：同一个类中，方法名相同，参数列表不同。
• 重写：子类重写父类方法，方法名和参数列表相同。
• 重载是编译时多态，重写是运行时多态。

异常处理体系

• Throwable分为Error和Exception。
• Error通常是 JVM 级别错误，比如 OOM。
• Exception分为运行时异常和受检异常。
• 运行时异常不强制捕获，受检异常必须处理或抛出。

synchronized 和 ReentrantLock

一般情况下优先使用synchronized；需要更灵活控制锁时使用ReentrantLock。

MySQL 数据库

ACID 如何实现

• 原子性：Undo Log，事务失败可以回滚。
• 一致性：由原子性、隔离性、持久性共同保证。
• 隔离性：MVCC 和锁机制。
• 持久性：Redo Log，崩溃后可以恢复数据。

索引失效常见场景

• 不满足最左前缀原则。
• 对索引列做运算或使用函数。
• 字符串查询不加引号，发生隐式类型转换。
• 使用LIKE '%xxx'。
• 使用OR且部分字段没有索引。
• 使用NOT IN、!=等可能导致索引失效。

SQL 慢查询怎么排查

• 开启慢查询日志，定位慢 SQL。
• 使用EXPLAIN分析执行计划。
• 关注type、key、rows、Extra。
• 优化方式包括增加索引、改写 SQL、减少返回字段、优化分页。

什么时候分库分表

• 单表数据量过大，比如千万级。
• 单表体积过大，影响查询和维护。
• 单库压力过高，QPS 难以支撑。

分库分表方式：

• 垂直拆分：按业务或字段拆分。
• 水平拆分：按某个字段哈希或范围拆分。

需要注意分布式 ID、跨库查询、数据迁移等问题。

索引为什么用 B+ 树

• B+ 树非叶子节点只存索引，树更矮，IO 次数更少。
• 叶子节点通过链表连接，适合范围查询。
• Hash 索引不支持范围查询和排序。
• 红黑树树高较高，不适合磁盘存储场景。

Redis 与分布式锁

Redis 持久化方式

• RDB：定时快照，恢复快，但可能丢失最近数据。
• AOF：记录写命令，数据更安全，但文件较大。
• 混合持久化：结合 RDB 和 AOF 的优点，恢复速度和数据安全性更好。

AI 应用与 RAG

让 AI 生成 SQL 怎么优化

• 在提示词中提供表结构、字段含义和关联关系。
• 给出几个正确示例，帮助模型理解。
• 明确数据库类型，比如 MySQL、PostgreSQL。
• 限制输出格式，只返回 SQL。

如果生成错误，可以把报错信息、原始问题、表结构再返回给模型，让它自我修正。

如何评估 AI 应用效果

可以从几个方面看：

• 检索结果是否相关。
• 生成答案是否准确。
• 是否出现幻觉。
• 响应速度是否可接受。
• 用户点赞、点踩或继续追问情况。

RAG 基本流程

• 加载数据。
• 文本切块。
• 生成向量。
• 存入向量库。
• 用户提问。
• 检索相关文档。
• 拼接提示词。
• 大模型生成答案。

文本切块怎么做

• 可以按固定长度切分。
• 相邻块保留一定重叠，避免语义断裂。
• 也可以按段落、标题、文档结构切分。
• 切块太大会引入噪声，太小会丢失上下文。

效果不好怎么排查

• 先看检索到的文档是否相关。
• 如果不相关，可能是切块不合理、向量模型不合适、检索数量不足。
• 如果文档相关但答案不好，可能是提示词不清晰，或模型总结能力不足。
• 可以分别打印检索结果和生成结果，定位问题环节。

关键词匹配能否匹配“天气”和“气温”

传统关键词匹配很难匹配，因为两者字面不同。向量检索可以捕捉语义相似度，所以“天气”和“气温”在向量空间中会比较接近。更好的做法是使用向量检索和关键词检索结合。

Embedding 模型怎么选

中文场景可以优先选择 BGE 系列模型，中文语义理解效果较好。多语言场景可以考虑 OpenAI 的 embedding 模型或 E5 系列。选择时还要考虑维度、速度、成本和使用场景。

切块大小怎么定

一般可以在几百个 Token 左右调整。具体大小要结合 Embedding 模型限制、大模型上下文窗口、文档类型和业务场景来定。可以通过实验比较不同切块大小下的检索效果和回答质量。

算法题：两数之和

题目：给定一个数组和一个目标值，找出两个数，使它们的和等于目标值，返回它们的下标。

思路：使用 HashMap 保存已经遍历过的数字和下标。遍历时计算target - 当前数，如果这个值已经在 Map 中，说明找到了答案。

publicint[]twoSum(int[]nums,inttarget){Map<Integer,Integer>map=newHashMap<>();for(inti=0;i<nums.length;i++){intcomplement=target-nums[i];if(map.containsKey(complement)){returnnewint[]{map.get(complement),i};}map.put(nums[i],i);}thrownewIllegalArgumentException("No two sum solution");}

时间复杂度是 O(n)，空间复杂度是 O(n)。

小结

这份整理覆盖了 Java 后端基础和 RAG 应用常见面试题。面试时不必死记硬背，更重要的是能把知识点和自己的项目经历结合起来，说清楚“为什么用”“怎么用”“遇到过什么问题”“怎么解决”。

需要我帮你把这份内容再压缩成一篇 1500 字以内的精简版吗？