上海某小厂面经

后端开发实习生 - 技术一面（oc已拒）

面试问题速览

1. 自我介绍一下。
2. 大学课程和专业背景是什么？
3. 为什么在学习了C++之后，选择Java和Python作为主攻方向？
4. 你的学习方法是怎样的？如何保证学习的系统性？
5. 具体谈谈你是如何学习Java的？
6. 详细介绍一下你的AI Agent项目，它是如何实现的？
7. 你使用的Spring AI框架和常见的开源基座有什么区别？
8. 你的知识库是如何构建的？为什么选择自定义数据处理流程？
9. 如果需要开发一个能扮演特定游戏角色的定制化Agent，你会如何设计？
10. 在这个定制化Agent项目中，数据的重要性如何？如何获取和处理这些数据？
11. Docker和K8s有什么区别？
12. 微服务架构和单体架构的区别与优势是什么？
13. 如何设计一个高并发系统的架构？
14. 常见的负载均衡算法有哪些？
15. Java中遇到死锁该如何分析和解决？
16. 如何处理前端的跨域问题？
17. MySQL查询性能如何优化？
18. 你对前端技术了解多少？

我的回答策略与核心亮点

针对问题：开场自我介绍，展示个人技术全貌

回答策略/框架：我采用了“技术栈 → 项目经验 → 学习理念 → 全栈能力”的结构化叙述方式，旨在快速建立一个技术扎实、有实践、爱钻研的立体形象。
核心案例与亮点：
项目经验具体化：通过“库存管理系统”引出性能优化能力（ES提升检索、RocketMQ削峰、Redis缓存热点）。
突出前沿技术：通过“智慧农业项目”展示AI应用开发能力（Spring AI, RAG问答引擎），并用“大创国家级”奖项来量化成果。
展现学习深度：主动提及学习MIT课程并实现Raft算法，强调自己对底层原理的追求和强大的自驱力。

针对问题：考察学习能力、技术视野和决策逻辑

回答策略/框架：我提出了一个“实践驱动”的学习模型：“先概览框架 → 快速上手实战 → 深入底层查漏补缺”。对于技术选型问题，我从“场景适用性”（如C++底层 vs. Java业务）和“技术趋势”（如Python for AI）两个维度进行阐述，展示了我的决策逻辑。
核心案例与亮点：这个回答的亮点不在于某个具体案例，而在于其方法论本身。它向面试官清晰地传递了我的核心优势：拥有高效、系统化的自学能力，能够快速掌握并应用新技术，同时具备清晰的技术判断力。

针对问题：深入考察AI应用项目的技术实现细节和原理理解

回答策略/框架：我采用了“What-How-Why”的解释框架。
What：这是一个基于Spring AI的RAG Agent。
How：通过添加外部知识库、使用Redis持久化对话记忆等方式实现。
Why：着重解释了为何自定义数据处理流程（PDF转Markdown、语义分块、向量化），而不是直接使用框架自带功能。
核心案例与亮点：本环节最大的亮点在于对“PDF按页切分会破坏语义完整性，从而影响检索精度”这一细节的深入分析。这不仅展示了我对RAG原理的深刻理解，更体现了我在工程实践中追求细节、主动优化、解决问题的能力。此外，在回答定制化Agent问题时，我提出了从提示工程 → RAG → 模型微调 (LoRA) 的分层解决方案，展现了全面的技术视野和对成本效益的考量。

针对问题：考察后端核心架构与概念（分布式、高并发、数据库等）

回答策略/框架：
对于架构设计类问题（如高并发），我采用“多维度拆解法”，从多级缓存、熔断机制、高可用架构（主从/集群）等多个角度系统性地展开。
对于概念类问题（如死锁），我采用“原理+解决方案”的模式，先清晰阐述其形成的四个必要条件，再讲解如何通过破坏其中条件来解决。
核心案例与亮点：回答的系统性和深度是关键。例如，在谈论负载均衡时，不仅能罗列出轮询、哈希等算法，还能进一步分析“最少连接/空闲实例算法”相比于简单轮询的优势，这体现了对技术背后原理的深入思考，而非简单背诵。

针对问题：考察技术广度和知识边界（前端/容器）

回答策略/框架：
对于熟悉的部分（前端跨域），同样采用“原理+解决方案”模式，并提供了前端（反向代理）和后端（CORS配置）两种维度的解法，展示了全栈视野。
对于不熟悉的部分（K8s），采取“诚实承认+阐述已知基础”的策略，先表明自己主要使用Docker Compose，然后从理论层面尽力对比二者。
核心案例与亮点：对跨域问题的双端解决方案是加分项。同时，坦诚自己对K8s实践经验不足，并尝试进行理论分析，展现了诚实和积极思考的态度。这也提醒大家，面试中遇到知识盲区，诚实是最好的策略，如果能补充一些理论理解会更好。