Java 大厂面试实录Spring Boot Kafka Redis Spring Cloud RAG 的一场“燕双非”翻车现场场景互联网大厂 Java 求职者面试人物严肃面试官、搞笑但时常水货的程序员燕双非第一轮电商大促与订单链路面试官我们先从电商大促聊起。一个下单接口Spring Boot 里你会怎么设计它的分层燕双非嗯Controller 接收参数Service 做业务Repository 负责数据访问最好再加一个 DTO 转换层避免实体直接暴露。面试官不错至少结构是对的。那如果你要做参数校验和统一异常处理呢燕双非参数校验用 JSR-380哦不对现在应该叫 Jakarta Validation 吧统一异常处理用 ControllerAdvice失败时返回统一的错误码和提示信息。面试官可以说明基础还在。那下单后要发消息扣库存、发券、写日志你会怎么保证可靠性燕双非这个我熟先本地事务提交再发 Kafka 消息。为了防止重复消费消费者要做幂等通常可以用业务唯一键或 Redis 去重。面试官对继续说说 Kafka 适合这个场景的原因。燕双非吞吐高、可扩展适合大促这种峰值流量。并且可以通过分区提升并发处理能力不过我经常把分区和副本搞混……面试官副本是高可用分区是并行度别混。那库存扣减如果要避免超卖你会怎么做燕双非嗯……数据库乐观锁或者 Redis 预扣库存再异步落库面试官思路没问题先这样。大促系统里缓存和消息队列的组合要是能想清楚已经比很多人强了。第二轮用户画像与推荐系统联动面试官接下来假设你在做内容社区用户浏览、点赞、收藏后要做画像沉淀。Redis 在这里能怎么用燕双非可以做热点内容缓存、用户最近行为缓存还能用 Sorted Set 记录热度榜。用户标签也可以先存在 Redis 里定时批量入库。面试官不错。那如果你要同时支持实时推荐和离线推荐Spring Cloud 体系里怎么拆服务燕双非可以拆成用户服务、内容服务、推荐服务、行为采集服务。服务之间用 OpenFeign 调用注册发现可以用 Eureka 或者 Consul。面试官很好。那推荐服务不稳定时怎么避免拖垮整个系统燕双非用 Resilience4j 做限流、熔断、隔离。这样推荐挂了也不至于影响主链路最多降级成热门列表。面试官降级思路对。再往下行为数据如果量很大要做流式处理你会怎么选燕双非如果是实时统计可以用 Flink如果是离线批处理可以用 Spark。对了Kafka 也可以作为数据管道。面试官可以。那这里的推荐结果你如何解释“为什么给用户推这个内容”燕双非呃……因为模型觉得他会喜欢如果要技术上解释应该结合用户画像标签、相似用户行为、内容向量召回这些。面试官这就开始像样了。推荐系统不是只会“推”还要能解释、能回溯、能调参。第三轮AIGC 助手与企业文档问答面试官最后我们看一个 AIGC 场景。公司要做一个企业知识库问答助手基于 Spring AI你会怎么设计燕双非先做文档加载把 PDF、Word、Wiki 文档统一切分成文本块再做向量化存进向量数据库比如 Milvus 或 Redis 向量能力。用户提问时先语义检索再把召回结果拼进提示词给大模型。面试官不错已经到 RAG 了。那如果企业文档很杂答案需要引用来源你怎么控制幻觉燕双非要做检索增强生成限制模型只能基于召回上下文回答同时输出引用片段和文档来源。如果检索不到就明确说不知道而不是瞎编。面试官对这就是抑制 AI 幻觉的关键。那如果要做复杂工作流比如“先查制度、再查审批人、再发起通知”你会怎么组织燕双非可以把它拆成 Agent 或工具调用流程。模型负责决定调用哪个工具工具执行框架负责调用内部系统比如审批服务、消息通知、WebSocket 实时推送。面试官很好。那如果要把这个系统做成可扩展的企业级方案你觉得 MCP 这种标准有什么价值燕双非嗯……它像是把模型和工具之间的接口标准化方便不同模型接不同工具减少重复集成。这样以后换模型或者加新工具会更稳。面试官回答得还行虽然有点飘但方向没错。今天先到这里你回家等通知吧。问题详解结合业务场景深入理解1. Spring Boot 分层与统一异常处理在电商下单场景中Controller 负责接入请求Service 处理业务规则Repository 负责数据持久化DTO/VO 负责数据隔离。统一异常处理通过ControllerAdvice和ExceptionHandler实现能够让接口返回统一格式便于前端和调用方处理。2. Kafka 在大促链路中的作用Kafka 适用于高吞吐、削峰填谷和异步解耦。下单成功后发送订单事件库存、积分、营销等下游服务异步消费避免同步链路过长。需要关注消息幂等、重试、死信队列、消息顺序和重复消费等问题。3. 库存防超卖常见方案包括数据库乐观锁、悲观锁、Redis 预扣库存、消息最终一致性等。高并发下通常先用 Redis 或本地缓存拦截流量再异步落库核心是让库存扣减具备原子性并配合幂等和补偿机制。4. Redis 在内容社区与画像场景中的使用Redis 可用于热点内容缓存、用户行为计数、排行榜、会话存储等。对于用户画像可通过 Hash、Set、ZSet 等结构保存标签和热度数据再通过定时任务或流式任务落库。关键在于缓存一致性、过期策略和热点 Key 保护。5. Spring Cloud、OpenFeign 与 Resilience4j在微服务中OpenFeign 便于声明式调用远程服务Eureka/Consul 提供注册发现Resilience4j 提供限流、熔断、重试和隔离。推荐服务挂了不应影响主流程因此要设计降级策略例如返回热门内容或默认推荐。6. Flink 与 Spark 的区别Flink 更偏实时流处理适合事件驱动、低延迟统计、实时画像Spark 更适合批处理和离线分析。内容社区中可用 Kafka 收集行为日志再通过 Flink 实时计算热度和用户兴趣离线画像则由 Spark 生成更完整的特征。7. RAG 企业知识库问答RAG 的核心是“先检索再生成”。先把企业文档切分、Embedding、向量化并存入向量库用户提问时做语义检索召回相关片段后再交给大模型回答。这样可显著降低幻觉提高答案与企业知识的一致性。8. 如何抑制 AI 幻觉要通过检索约束、引用来源、回答边界控制、置信度判断和失败兜底来降低幻觉。对于无法从知识库检索到的内容要明确告知用户无法确认而不是生成看似合理但错误的答案。9. Agent、工具调用与 MCPAgent 负责智能决策决定下一步调用哪个工具工具执行框架负责真正执行系统操作MCP 则是将模型与工具之间的交互标准化让工具接入更统一、更可扩展。适用于复杂企业工作流如审批、检索、通知、工单流转等。10. WebSocket 在企业助手中的作用WebSocket 可用于实时推送问答进度、审批状态、任务执行结果等。对于长耗时任务前端无需轮询体验更好也更适合协同办公、智能客服等场景。感谢阅读希望这篇文章能帮助大家更好地准备 Java 面试在真实业务场景中理解技术、掌握技术、讲清技术。祝大家面试顺利早日拿到满意的 offer