美团前端暑假实习一二面凉经

spring ioc和aop概念及应用场景concurrenthashmap的实现原理1.7和1.8版本区别数据库ACID含义，并举例说明并发和并行区别对线程安全的理解bean的生命周期项目架构技术栈有哪些，为什么使用为什么使用springcloud服务发现机制spring aop切点和切面如何定义spring ioc容器工作原理osi七层及各层作用

1.自我介绍2.项目介绍3.介绍一下SSE协议，聊不了解实现机制4.数据库相关MySQL了解吗，在项目中使用MySQL还是PGMySQL的MVCC快照读和当前读的区别是什么MySQL的B+Tree的结构是怎么样的（明明我说用的是PG😭）5.RedisRedis的网络IO模型是什么用Redis实现分布式锁会有什么问题6.介绍一下MCP，如果Schema文字量大要如何处理7.有用过开源编排引擎吗？看过哪些多Agent的搭建8.如何设计一个可以对模型+设备进行TPM、RPM的限流机制，如果单个设备会打到不同服务器又要如何设计算法：1.反转整数，不能使用long类型，超过int的最大最小值返回02.给定一个数n和一个数组nums，返回使用nums元素可以构建的小于n的最大数，不考虑nums中存在负数。例如：n=23491，nums=[2,4,9]，返回22999；n = 23333，nums = [2,3]，返回23332；n=23333，nums = [3]，返回3333拼尽全力捞我，无法战胜过于菜鸡的我更新：进二面了，感谢一面的面试官大人

不知不觉已经到了6月下旬，马上就要迎来我们26届的秋招了，我在找暑期实习的时候，可能面试了大概30-40场，即使我已经发挥到最好但也一直失败，反而是最后摆烂放弃的面试通过了，结合我自己和身边同学师兄师姐的经历，我发现找工作真的是运气占比很大一部分，所谓的大厂也没有想象中的那么好，只要一直保持学习的状态，都会找到工作的。打铁还得自身硬，现在用人单位对校招生的同学已经不限于八股和做题了，大量的场景题和高并发设计出现了，此外拥抱大模型也是目前的趋势之一，因此我觉得为了更好的应对秋招，我们要从下面几个方向准备（ps：只是提供一些思路，还需要根据个人意愿和职业规划去增减），根据重要程度向下递减：0. 相信秋招是一场持久战，把握好自己的心理健康1. 刷好力扣 Hot100 和 CodeTop 高频题2. （针对有实习的同学）把握好业务的链路和上下游，体现自己有企业级开发和协作的能力，有1~2 个需求产出3. 熟悉八股文，根据我面试的经验，现在市面上的八股文已经有点浅了，大家最好结合知识框架和面经，自己有深度的去挖一挖，比如Redis 的字符串基于两种实现方式：int 和 sds。首先先判断能否用 int 表示，如果不能，sds 有两种情况，短压缩 emraw 一次申请内存，长的 raw 需要多次申请4. 熟悉好自己的项目，以及它对应知识点的八股，最好有一些体现你思考的，和别人不一样的功能点，并且面试官会根据一些点去发散让你设计新的架构（项目需要拷打才能深入熟悉）5. 熟悉一个高频使用的中间件，这会成为你的一个亮点，比如 ES，Zookeeper，K8S 等6. 学习大模型相关项目，比如大模型微调，RAG，Agent等，可以做一个小项目（PS AI项目可能具有蝴蝶效应，请慎重）7. 好好写简历，很多同学真的不太会写简历，可以发在牛客上让大家帮忙改8. 学会怎么和面试官交流，怎么有逻辑的回答并且体现思考，最重要的是平等交流以上是我个人的总结，并且从下周开始我也要准备秋招了，会不定期更新我整理的八股和新的感悟，如果觉得我这篇帖子对你有帮助的话请多多点赞收藏吧！

1. 什么是MCP参考面试回答：MCP模型上下文协议）是为大型语言模型提供的一个统一标准化接口、让AI能够无缝连接各种外部数据源和工具。可以将它比作AI世界的USB接口—只要遵循这个协议标准、任何数据源或工具都能与语言模型实现即插即用比如说传统的AI只能依赖预训练的静态知识、无法获取实时数据。而通过MCP，模型可以动态访问最新信息、比如查询搜索引擎、读取本地文件、调用第三方API、甚至直接操作各种工具库。比如说可以访问Github、IDEA这个协议最大的价值是标准化、它是MCP的核心价值 - 你不需要为每个AI模型和每个工具之间的连接编写专门的代码、只要双方都支持MCP协议、它们就能自动"对话"。这大大简化了系统集成、降低了开发成本、也提高了系统的可扩展性总结就是 MCP 创建一个通用标准、使 AI 应用程序的开发和集成变得更加简单和统一2. 大模型输出出现重复和幻觉如何解决参考面试回答：在大模型生成内容时、出现重复和幻觉是两个常见的问题。重复指的是模型在生成文本时出现内容重复的现象、而幻觉则是指模型生成了看似合理但实际上不真实或不准确的信息。为了解决这两个问题、可以通过微调（fine-tuning）的方法进行优化为了解决这些问题、首先微调是非常有效的手段。首先可以确保用于训练的数据质量、要高质量的真实的信息。我们可以减少模型学到错误的信息。特别是领域特定的微调、能帮助模型更准确地生成内容，避免在特定领域（比如医疗、金融）中产生幻觉。此外在训练过程中引入惩罚机制、比如对模型生成重复或不准确内容进行惩罚、也能够引导模型生成更为多样和真实的内容。另一个有效的策略是使用参数高效微调（PEFT）、通过像LoRA这样的技术、在不改变模型主体结构的情况下调整部分参数、从而提高微调效率并减少幻觉的产生。同时强化学习与人类反馈（RLHF）也是一种非常有用的方法、结合人类的评价、模型可以在生成内容时更符合实际世界的逻辑，降低幻觉的风险。最后检索增强生成（RAG）技术也能够显著提高模型输出的准确性、通过在生成过程中引入外部知识库、确保模型生成的信息更为真实和可靠。总的来说：通过微调、引入惩罚机制、领域特定训练和强化学习等方法、可以有效减少大模型的重复和幻觉问题3. 什么是RAG？流程是什么？面试参考回答：RAG就是结合信息检索和生成式模型的技术。主要流程包括两个核心环节：检索：基于用户的输入、从外部知识库（如数据库、文档、网页）检索与问题相关的信息。通常使用向量化表示和向量数据库进行语义匹配。将知识库中的文档进行预处理、分块、清洗并转换为向量表示、存储在向量数据库中。常用的如 Faiss、Milvus等向量数据库存储所有文档向量。用户提问后、对问题进行向量化、并在数据库中执行最近邻搜索、找出语义最相近的 N 条内容然后就是增强：也可以说是构建 Prompt1.将检索到的信息作为上下文、输入给生成模型（如 GPT）。2.相比纯生成模型、RAG 能引用真实数据、减少幻觉（胡编乱造）最后就是由将增强后的上下文输入到大型语言模型、综合已有上下文生成最终生成最终的回答或内容。一句话总结: RAG = 向量搜索引擎 + 大模型、让 AI 回答更靠谱、减少幻觉4. RAG的详细完整的工作流程参考面试回答流程：RAG（检索增强生成）的完整流程可分为5个核心阶段：1. 用户提问2. 数据准备：清洗文档、分块处理（如PDF转文本切片）2. 向量化：使用嵌入模型（如BERT、BGE）将文本转为向量。也就是Embedding 向量化3. 索引存储：向量存入数据库（如Milvus、Faiss、Elasticsearch）。4. 检索增强：用户提问向量化后检索相关文档。也就是构建 Prompt (问题 + 检索内容)5. 生成答案：将检索结果与问题组合输入大模型生成回答。5. 在 RAG 中的 Embedding 嵌入是什么参考面试回答：Embedding是RAG系统的核心组件、Embedding（嵌入）技术本质上是将文本、图像等非结构化数据转换为高维向量的过程。在实际应用中Embedding解决了传统关键词检索的局限性。比如用户询问如何煮奶茶时、传统检索可能无法找到包含'奶茶制作步骤'的文档、因为它们字面上不匹配。而通过Embedding、系统能够理解这两个表达在语义上的相似性、从而返回相关内容。Embedding的工作原理是通过深度学习模型（如BERT、Sentence-Transformers等）将文本映射到768维或更高的向量空间。在RAG系统中、Embedding的核心价值在于建立查询和文档之间的语义桥梁。当系统收到用户问题后、会将其转化为向量、然后在预先索引的文档向量库中寻找最相似的内容、无论它们在字面表达上是否匹配。这种基于语义的检索方式大幅提升了信息获取的准确性和完整性、为生成模型提供了更高质量的上下文信息，从而产生更精准的回答6. 什么是LangChain参考面试回答：LangChain 是一个开源框架、专为快速构建复杂的大语言模型应用而设计。简单来说就是它集成和内置了很多我们开发 AI 大模型应用需要的东西、如内置文档加载器、向量数据库、HTTP API 封装、云服务适配器等、让咱们开箱即用、有点像咱们 Java 届的 Spring。它最大的特点是把模型调用、提示词管理、工具使用、记忆管理这些能力模块化了、让开发者可以很方便地把大模型和数据库、搜索引擎、API服务等结合起来，用链式结构组织复杂任务。主要支持复杂任务编排：通过 Chains（链）和 Agents（代理）将多个LLM调用和工具操作组合成工作流以及实现上下文管理Memory（记忆）：通过 Memory 组件（如对话历史缓存、实体关系跟踪）实现长对话连贯性。6. 什么是向量数据库参考面试回答：我的理解是：向量数据库它可以将非结构化数据(如文本、图片、音频等)转换成高维向量的形式进行存储、通过向量数据库预先存储结构化段、实时检索最相关的 Top-K 内容作为上下文输入、并通过高效的相似性搜索算法、快速找到与目标向量最接近的数据项。传统数据库采用存储数据、主要用于精确匹配查询、常用的检索方式就是精确匹配、索引结构有像B+树或者倒排索引的结构。而向量数据库针对高维向量数据优化、支持近似最近邻(ANN)搜索算法、更适合语义相似性搜索。可以理解为TopN系列、检索TopK相关内容作为上下文输入。向量数据库预先向量化并建立索引（如 HNSW、IVF），实现亚秒级检索。代表性的向量数据库就是Milvus：一个开源的向量数据库系统8. 向量数据库的核心原理是什么？核心技术是什么参考面试回答：向量数据库的核心原理是通过将高维数据（如图像、文本）转换为多维向量、并基于相似性度量（如余弦相似度、欧氏距离），利用高效的索引结构和近似最近邻（ANN）算法、快速检索与目标最相似的向量结果。这一过程可概括为三个关键步骤：首先是向量化：我们通过嵌入模型将非结构化数据映射为稠密向量、比如用BERT处理文本、ResNet处理图像、或CLIP处理多模态数据。这些模型能捕获数据的语义或特征信息、通常生成128到2048维的向量其次是索引构建：为了高效检索、我们会采用分层导航小世界图（HNSW）等结构预处理向量。HNSW能将搜索复杂度降至对数级O(log N)。同时我们还会利用乘积量化（PQ）来压缩向量、减少内存占用、以及通过倒排索引（IVF）缩小搜索范围。最后是近似搜索：在实际应用中我们允许一定误差来提升速度。ANN算法会在准确性和效率间寻找平衡点、确保在毫秒级延迟内返回Top-K相似结果、同时保持95%以上的召回率。总的来说就四个核心层：向量化引擎->索引结构 ->相似度计算->搜索原始数据 → 向量化 → 索引构建（HNSW/PQ/LSH） → 输入查询向量 → ANN近似搜索 → 返回Top-K结果（格式明天再改吧___发帖于2025.6.25 00:47）