3.13 JDY 京东健康后端开发实习一面面经

换个部门面试正常多了，上次那个面试官我能记一辈子😠

整体就是少量八股加项目拷打，但是面试官对我第一个项目还是一点不感兴趣，除了答八股的时候扯了点后面没怎么问，基本问的都是我拿来凑数的rag，，，

10点半结束后12点约二面

我的回答是ai自动总结的，懒得回忆了

00:18 自我介绍

02:24 项目介绍

03:40 Java基础：int取值范围

本章节回答了一个关于Java基础的问题。面试者准确回答了int类型（32位，含符号位）的取值范围是-2^31到2^31-1。

04:24 看你的简历上写了threadlocal，讲讲怎么用的？

本章节讨论了ThreadLocal的应用。面试者在短链项目中用它存储用户信息以减少传参，并特别说明使用了阿里的TransmittableThreadLocal来适配线程池环境，避免数据错乱和上下文丢失。

05:12 讲讲异步线程池怎么用的？

本章节描述了项目中的异步优化实践。在短链创建时，获取原网址图标的操作比较耗时，因此面试者使用自定义的异步线程池将其改为异步处理，以提升性能。

05:58 分页查询怎么实现的？

本章节简要回答了MyBatis分页查询的实现方式。面试者提到使用了MyBatis的分页插件。

06:36 讲讲最左匹配原则，如何判断一条语句走没走索引？

本章节深入讲解了MySQL联合索引。面试者解释了最左匹配原则，即查询条件必须包含联合索引最左边的列才能生效，并提到可以使用EXPLAIN语句分析索引使用情况。

07:36 Redis中除了基础的string类型，各种集合类有没有用过？

本章节详细介绍了Redis在项目中的具体应用。在短链跳转的数据统计环节，为减轻数据库压力，会先用Redis做批量预处理：使用HyperLogLog统计UV，使用Set对IP或PV进行去重，再通过RocketMQ异步写入数据库。

08:35 Set用的是普通set还是zset？

本章节简短确认了Redis Set的类型。面试者回答项目中使用的Set是不涉及排序的普通Set。

08:54 那如果说一个set存的内容过多怎么办？

本章节探讨了Redis大Key问题的解决方案。面试者提出可以通过数据分片（将一个大Set拆分为多个小Set并编号）来处理，若数据量极大则需更换数据结构。为保障数据均匀性，可考虑使用哈希算法进行分配。

10:51 讲讲spring除了IOC和DI之外还了解什么？

本章节重点介绍了Spring AOP的应用。除了依赖注入，面试者认为AOP是Spring的核心特性。他在智能面试助手项目中，结合自定义注解、Redis和Lua脚本，基于令牌桶算法实现了接口限流功能。

12:00 限流具体怎么做的呢，多用户怎么分别控制限流？

本章节补充说明了AOP限流的具体实现和当前局限。通过自定义注解可以方便地标记需要限流的接口。但面试者也承认项目目前是单用户模式，尚未考虑多用户场景下的额度控制。

13:05 讲讲其他spring注解还用过哪些？

本章节讨论了Spring的其他常用注解及事务优化。面试者提到了Spring MVC注解（如@RestController），并分享了对短链项目事务的改进：将原本包裹数据库操作、写缓存和布隆过滤器的声明式事务注解，改为编程式事务，仅将数据库入库操作纳入事务管理。

14:09 为什么一定要是用编程性事务，我把入库操作提出来作为一个新方法不行吗？

这里掉进面试官的坑里了，当时没反应过来，说了应该也行。但实际上会涉及到事务注解调用失效的问题。

15:04 RocketMQ在项目中是怎么应用的？

本章节介绍了RocketMQ的应用。在短链项目中，RocketMQ用于异步数据统计和实现延迟双删以保证缓存一致性。

16:04 RAG系统准确率与召回率怎么优化的？

对于RAG系统，面试者计划从两方面提升准确率：一是在文档分片时绑定关键词和用户信息作为元数据；二是对用户简短提问进行扩写后再做向量检索。

17:57 为什么使用Spring AI 而不是 LangChain4J

本章节解释了项目技术选型的考量。面试者对比了Java领域的两个AI框架：LangChain4J功能全面但复杂，Spring AI则调用更简单，因此选择了后者进行开发。

18:49 流式输出使用的webflux相关的方法知道吗？

不太了解，通过ai写的。

19:06 还有其他亮点么？

本章节阐述了项目的具体实现细节。文档解析耗时，因此没有引入重量级消息队列，而是基于Redis Stream实现异步处理。此外，在解析前会用SHA哈希算法对文件去重，以节约模型Token并处理冗余请求。展望了RAG系统的进一步优化方案。面试者计划：1. 使用HyDE算法，先让大模型生成初步答案再转为向量进行检索；2. 利用PGVector的混合索引（稠密+稀疏）提升召回率；3. 引入ReRanker对召回结果重排序，以平衡召回率与精确度。

能实习多久？

项目都是自己做的吗，有跟老师做过项目吗？

反问