27 实习 (oc)

开始两个项目的拷打，问的不是很具体，很笼统然后八股:哪个版本的JDK,为什么用这个版本的JDK然后垃圾回收器用的什么，我回答G1,然后被问到G1原理和垃圾回收过程，然后问频繁出现Young GC怎么排查，怎么定位接着是问的线程池相关，项目中怎么用的线程池，然后问数据库深分页问题，MQ消息堆积问题如何解决手撕：三数之和类似，返回最接近目标值的三数之和

1h，应该是凉了自我介绍拷打实习拷打项目算法：322. 零钱兑换 秒了1. redis数据结构2. zset底层实现，底层为什么用跳表，跳表底层实现，跟其他数据结构比有什么好处3. redis持久化方案，实现方案，优缺点4. io多路复用5. 又问了select，epoll，poll实现区别优缺点，这些实在不会了，操作系统没仔细看6. 哈希冲突处理方法 ，缺点？其他处理哈希冲突方法？7. tcp与udp分别介绍一下，区别？8. redolog undolog binlog9. mysql隔离级别10. 覆盖索引，索引下推11. mysql数据从入库到提交到修改有哪些流程12. 怎么用redis实现分布式锁13. 怎么增加标识14. 实现分布式锁其他方案？15. 用过哪些mq介绍一下16. 数据库表设计，结合他们的一些业务写一些建表语句（应该是用来水时间的）

自我介绍 选一个项目介绍支付模块逻辑为什么这么设计多线程改多进程会有类似线程安全的问题吗数据一致性问题多线程下数据一致性mq什么作用mq削峰带来的问题（消息堆积，复杂度上升）mq削峰会不会影响用户体验有没有用过其他语言（Python写了qq机器人）python问了点没打上Java c加加区别反射redis的zest底层（这个老考）了解游戏相关的技术栈吗（答了ue5 有c++和蓝图，unity用c#）对编程语言要求吗（回答思路更重要 语言是实现工具）为什么选广州是否为独生子场景题:地图软件如何估计拥堵路段通过所需时间地图软件在没有开启导航的时候不能上传数据吗

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。