联想现在不招JAVA后端开发了吗？

1、介绍一下你最近做的一个有挑战性的项目我最近负责的是一个汽车配件供应链系统的重构项目，这个系统日均订单量在30万左右，面临的主要挑战有三个方面。性能问题，原系统在高峰期响应时间经常超过3秒，用户体验很差。我通过引入Redis多级缓存、优化数据库索引、改造慢查询，将P99响应时间降到了200ms以内。具体做法是对热点商品数据做了本地缓存+Redis缓存的二级缓存，对库存查询做了批量查询优化，还把一些复杂的关联查询改成了分步查询在应用层组装。数据一致性问题，涉及到订单、库存、物流多个系统的数据同步。我引入了RocketMQ的事务消息机制，保证了分布式事务的最终一致性。同时设计了补偿机制和对账任务...

面试被问到如何从0到1设计推荐系统。我先讲召回、粗排、精排三层结构，再结合实际项目说数据冷启动怎么做、如何用A/B测试验证效果。还追问了大模型Embedding如何落地，以及线上延迟控制和特征更新频率。整体更偏工程实战。

卓驭测试开发实习生1.pytest框架组成2.rag的测试流程3.mcp,agent,rag,LLM原理4.如何做一个基于AI的测试工具来帮助研发提效5.你写的自动化测试用例是如何进行测试的（我猜是想问测试框架是如何请求系统的接口，所以答了http）6.如何提高测试的覆盖率还有很多不记得了，问了好多工作的场景题还有实习，总共40多分钟

面试官喜欢问用过什么ai，这时候就不能局限于ChatGPT、DeepSeek、豆包这种网页版对话工具，这些只是基本操作。面试官更想知道的是，你有没有用过能直接赋能开发提效的 AI 工具（比如 IDE 集成类、代码专属 AI 工具），以及你如何通过 Agent 思维、精准提示词设计，把 AI 变成真正的生产力助手。比如，只说 “用过 ChatGPT 写代码”，远不如说 “用 Cursor 的实时代码补全功能重构过 Spring Boot 接口的冗余逻辑”“靠 Claude Code 分析 JVM 堆转储日志，定位了并发场景下的内存泄漏问题”“基于 LangChain 搭过简易的本地知识库 Agent，用来自动检索项目历史文档，解决跨模块接口调用的疑难问题” 来得有说服力。除此之外，“开发中遇到过 AI 幻觉吗？怎么解决的？” 也是高频追问。毕竟真实工作里，AI 生成的代码或方案并非万能，甚至会出现 “一本正经输出错误答案” 的情况。比如你让 AI 写一个基于 Redis 的分布式锁，它可能会漏掉 finally 块的解锁逻辑，导致死锁；或者让它优化 MySQL 慢查询，它给出的索引方案反而会让查询效率更低；更常见的是，遇到一些冷门框架的问题，AI 会拼接看似合理的解决方案，实则完全不适用。这些场景的核心矛盾，在于 AI 是基于海量语料的概率性输出，而非真正理解业务逻辑和技术原理。这时候，能讲清 “如何识别幻觉、如何解决幻觉”，远比单纯说 “用过 AI” 更能体现你的能力。比如可以说：“我会先交叉验证 AI 给出的方案 —— 对照官方文档、查看源码注释，或者搭建最小测试用例跑通验证；如果 AI 陷入错误循环，我会拆解问题，用更精准的提示词限定范围，比如明确‘基于 Redis 6.0 版本，用 SETNX + EX 命令实现分布式锁，必须包含超时兜底和解锁校验’；实在解决不了的，会放弃直接生成，转而让 AI 提供思路参考，再结合自己的技术积累完成落地。”说到底，面试官问 AI 相关问题，不是考你 “知道多少工具”，而是考你 “有没有把工具用出深度”—— 是否能借助 AI 提升开发效率，是否能分辨 AI 输出的对错，是否具备 “工具辅助 + 独立思考” 的复合能力。这才是校招和社招中，拉开候选人差距的关键。