字节跳动后端实习一面凉经

🔥 字节跳动2026年4月面试真题，二面/三面必刷，高级后端/架构师专属，难度直接拉满 ⭐⭐⭐⭐⭐系统设计图-如图https://uploadfiles.nowcoder.com/images/20260416/369475507_1776322994550/9FB54BF16CC07A4853DDBBF919D8252F📌面试干货｜直接上硬菜：设计抖音的评论系统要求：1、支持单条视频百万级评论的实时发布与读取；2、评论列表默认按热度（综合点赞、回复、时间等因素）排序，也需支持按时间正/倒序切换；4、核心接口P99延迟<100ms。请给出数据存储、缓存、热度计算与更新、分页查询的完整设计方案，并解决高并发写和‘深分页’的性能问题。💡 【解析】｜划重点！家人们谁懂啊！这道题看似常规，实则藏着字节的“小心机”——结合抖音亿级流量的极端场景，直接考察你能不能hold住高并发、复杂排序、缓存设计这些硬技能，是区分普通后端和高级后端的关键题！🎯 核心设计思路｜手把手拆解，小白也能看懂1. 存储架构｜百万级评论的“藏身之处”核心目标：搞定单视频百万评论的存储，避免跨分片拖慢速度，主打一个高效！💾 主存储选择：分库分表的MySQL / 分布式数据库（如TiDB），高并发读写稳得一批～🔑 分片策略：以video_id为分片键，同一视频的评论全放一个分片，杜绝跨分片查询的坑！📋 核心表结构：comment_id（主键）、video_id（分片键）、user_id、content、like_count、reply_count、create_time、hot_score（热度值），缺一不可！2. 热度计算｜热门评论怎么“选”出来？避坑提醒：热度是动态变化的，实时计算必崩！最优解就是「异步计算+定期更新」，主打一个省资源、不卡顿～热度计算公式｜直接抄作业：hot_score = log10(like_count×2 + reply_count) + (create_time - 固定基点时间戳)/衰减因子计算逻辑：由离线/近线任务批量算，定期把hot_score更回数据库，既不拖慢接口，又能实时跟上热度变化，完美！3. 缓存与读取策略｜P99<100ms的关键操作多级缓存叠buff，延迟直接打下来！流程图一看就懂，建议收藏备用👇https://uploadfiles.nowcoder.com/images/20260416/369475507_1776323096089/6E3CC017A8AC43BBAFDBFFAC33E48513🖥️ 本地缓存：缓存顶级热门视频的前几页热评，TTL设10秒，减少Redis压力，快到飞起！🔴 Redis缓存：核心用有序集合（Sorted Set），key=video:{video_id}:comments:hot，score=hot_score，member=comment_id；查热度前N条，一个ZREVRANGE命令搞定，效率拉满！🔄 缓存更新机制：评论发布/删除：同步更新数据库，并异步发送消息到MQ。一个Worker消费消息，重新计算该视频评论列表的缓存（或仅更新受影响的有序集合成员）。点赞/回复：这些行为会改变热度。通过消息队列异步触发对应评论hot_score的重算，并更新Redis有序集合中的分数。4. 深分页问题｜后端人的“噩梦”，这样破解！🔥 热度排序分页直接躺赢！Redis有序集合的ZREVRANGE key start end命令，天然支持高效分页，不用额外折腾，直接定位目标页码～⏰ 时间排序分页避坑！别用LIMIT M, N（会扫前M条无用数据），改用WHERE create_time < {上一页最后一条时间}，精准定位，速度翻倍！🌰 真实业务场景｜抖音评论区背后的真相家人们，这可不是纸上谈兵！咱们点开抖音任意热门视频，评论区能秒刷、实时更，背后就是这套架构在撑着～ 比如央视新闻发一条视频，几分钟涌入几十万条评论，系统既要扛住高并发写入，又要让所有人看到实时热门评论，体验丝滑不卡顿，全靠这些设计！📚 【核心考点】｜必背！面试直接套✅ 关系型数据库与NoSQL的混合协同设计✅ Redis高级数据结构（Sorted Set）的实战应用✅ 复杂指标（热度）的异步计算模型✅ 高并发写入下的最终一致性保证✅ 数据库深分页的优化方案⚠️ 避坑指南｜这些坑别踩！踩了必挂缓存击穿：热门视频空缓存Key，用分布式锁控制仅一个请求回源建缓存，其他请求等待，避免缓存雪崩！排序稳定性：热度公式要AB测试调参，既要给新评论曝光机会，又要留住高质量老评论，不然用户体验拉胯～评论计数：video的comment_count在Redis用INCR异步更，再同步回DB，别让计数拖慢整个系统！🚨 趋势押题预测｜2026必考！命中率85%此处省略一万字......!!!!💡 最后提醒：这道题+押题，建议关注、收藏反复看，字节二面/三面很大概率碰到，别等面试慌了才临时抱佛脚！~加好友工具搜索：【页页谈说说】，获取最新全集+押题集

面试官很和善，引导的很好，技术理解的题答不出来会讲解然后跳过，感谢1.主要拷打项目和实习工作时的主观能动性，比如为了解决什么样的问题或者需求做的，工作时对项目的整体架构探索和需求背景的了解；2.提问hook和工具函数的区别，只从复用角度为什么还要用的自定义hook而不是封装成工具函数；3.前端框架的意义；4.diff和如何降低多叉树复杂度；5.找出无序数组的连续区间（思路有但没写出来，刷题刷傻了，想复杂了）；6.如何使用ai工具，使用哪些编译器，项目编译前后分别是什么；7.vite，webpack如何配置；总之考察思维和开放题为主。收获：提升了自信，以及还是要提升解决问题的能力，不能一味刷八股...

发面经攒攒人品，现在复盘觉得自己答得超级无敌烂😭第一次面大厂就被狠狠拷打了，尤其是布隆过滤器只背了一点原理，被问得汗流浃背了。简历上一段非互联网后端实习+一个agent玩具项目1.agent项目用的是什么大模型？2.部署在什么地方？部署的过程遇到什么问题？3.对模型的推理框架有了解吗？4.实习拷打问题×n……（下面基本是我的八股吟唱）5.redis在你两次同步到数据库里突然挂了怎么办6.说一下redia持久化机制7.缓存击穿、缓存穿透8.布隆过滤器什么情况下会误判9.那一个普通的位运算是100%准确判断的吗？（麻了…）10.布隆过滤器和普通的bitmap有什么区别（答了一点但是现在发现不够全）11.布隆过滤器加hash函数的目的是什么（其实知道但不知道为什么磕磕巴巴）12.布隆过滤器的误判率受什么影响（也莫名其妙磕磕巴巴）13.介绍你实习的时候用的数据库，和mysql有什么区别后续问我对mysql了解程度怎么样，我说还行，面试官说还行那就不问了，后续手撕手撕：LCR 082.组合总和2，一开始不熟悉ACM模式一直报错，让面试官看了一下，面试官让我继续调代码或者写死就行，然后我写死了就运行出来了。反问的时候问我主要写什么语言。面试官人比较温柔，虽然把我问麻了但是面试官人比较好，也可能已经对我无语了🥲

项目挑一个讲？这个项目里大部分是大模型，工程上的有讲一下吗？有用到 Agent 吗？Agent 和传统大模型有什么区别？工作记忆了解吗？向量数据库和传统数据库区别是什么？从模型上查询索引结构上、事务上的区别呢？你提到的给 A 推荐的喜好是怎么做的？你的项目如果对标京东、阿里的话，有没有了解到现在成熟的方案？比方说对你的身高体重、用户画像等这类长期记忆的应用。大模型使用向量数据库的诉求是什么？什么场景用向量数据库？向量数据库在 AI 里的核心作用在哪？向量数据库开源的有哪些？ 在毕设过程中，有哪些方案是做过技术调研的？做过压测吗？2000 QPS 的瓶颈在哪里？怎么优化？压测的时候什么指标达到了...