AI+Java中级开发面试题库（带答案）

生成时间： 2026-05-20 22:28
题目数量： 10道
覆盖范围： AI（5题） + Java中级（5题）

【面试题】1. 请详细说说RAG检索增强生成的核心原理，以及如何优化RAG系统的检索准确率？

【标准答案】RAG的核心原理其实很简单：把检索和生成结合起来。传统大模型有个硬伤——知识截止，训练完就固定了。RAG的思路是：用户提问时，先从知识库里检索相关内容，把检索结果塞进Prompt，再让大模型基于这些内容回答。

架构分三步：

离线索引：文档切片 → 向量化（Embedding）→ 存入向量数据库
在线检索：用户Query向量化 → 向量相似度搜索 → 返回Top-K相关片段
增强生成：检索内容 + Query拼成Prompt → 大模型生成答案

优化检索准确率的几个关键点：

切片策略优化：别傻傻按固定字符数切，要按语义边界（段落、章节）。重叠窗口（Overlap）也很重要，防止关键信息被切断。
Embedding模型选型：通用模型（如text-embedding-ada-002）不一定适合垂直领域。企业内部文档建议微调或选择领域专用模型。
混合检索：纯向量检索有局限，加上关键词检索（BM25）做Hybrid Search，效果更稳。Elasticsearch 8.x已经支持向量+关键词混合查询。
重排序（Rerank）：检索Top-50，用Cross-Encoder重排取Top-10，精度能提升15%-30%。代价是多一次模型调用，但值得。
Query改写与扩展：用户Query可能表达模糊，用LLM改写或生成多个查询变体，扩大召回面。

实际项目中，我们就是这么优化的：切片用语义切分+10%重叠，检索用Hybrid，Rerank后Top-10进Prompt，准确率从72%提到91%。

【面试题】2. JVM内存模型是怎样的？线上Full GC频繁，你如何排查和优化？

【标准答案】JVM内存模型分五大区域：

堆（Heap）：对象实例存储，GC主要区域。年轻代（Eden + Survivor0 + Survivor1）和老年代。
方法区（Metaspace）：类元数据、常量池。JDK8后从永久代改成Metaspace，用本地内存。
虚拟机栈：每个线程一个，存储栈帧（局部变量表、操作数栈）。
本地方法栈：Native方法服务。
程序计数器：当前执行的字节码行号。

Full GC频繁排查步骤：

先看GC日志：-XX:+PrintGCDetails 开启。看Full GC频率、耗时、原因（System.gc()? 老年代满？Metaspace满？）。
dump内存分析：jmap -histo:live pid 快速看对象统计，jmap -dump:format=b,file=heap.hprof pid 导出完整堆，用MAT或JProfiler分析。重点关注：
- 哪些对象占用最多内存
- 谁在引用它们（Dominator Tree）
- 是否有内存泄漏（对象该回收但没回收）
常见原因及优化：
- 大对象直接进老年代：调整 -XX:PretenureSizeThreshold，让大对象进年轻代或直接分配在堆外。
- 对象晋升过快：Survivor区太小，调大 -XX:SurvivorRatio（默认8:1:1，改成6:1:1）。
- 内存泄漏：静态集合、ThreadLocal未remove、连接池未关闭。修复代码。
- Metaspace满：类加载过多（反射、动态代理），调大 -XX:MaxMetaspaceSize 或优化代码。
GC算法调优：
- 低延迟场景用G1：-XX:+UseG1GC，设置期望停顿时间 -XX:MaxGCPauseMillis=200。
- 大堆场景用ZGC：JDK15+生产可用，停顿时间<10ms。

实战案例：我们有个服务每小时Full GC一次，查出来是定时任务批量加载数据到静态Map没清理。改成局部变量+弱引用后，Full GC消失。

【面试题】3. 请设计一个AI Agent的架构，能够完成"分析用户需求→调用工具→生成报告"的完整流程。

【标准答案】AI Agent架构核心是规划（Planning）→ 执行（Action）→ 反思（Reflection）的循环。我设计一个实用的架构：

整体架构：

用户输入
    ↓
意图识别器（Intent Classifier）
    ↓
任务规划器（Planner）←──┐
    ↓                  │
工具选择器（Tool Router）│
    ↓                  │
工具执行器（Executor）───┘
    ↓                  │
结果聚合器（Aggregator）←
    ↓
反思修正器（Reflector）
    ↓
报告生成器（Generator）
    ↓
结构化报告输出

核心模块设计：

意图识别器：轻量级模型（如GPT-4o-mini）快速分类，确定任务类型（数据分析、文档查询、代码生成等）。
任务规划器：主模型拆解任务为子步骤。用ReAct（Reasoning + Acting）模式，先"思考"再"行动"。
工具路由层：
- 工具注册表：维护可用工具清单（数据库查询、API调用、文件读写、代码执行等）
- 语义匹配：用Embedding匹配用户意图与工具描述
- 输出：调用工具名 + 参数（LLM生成）
执行器：
- 沙箱隔离执行（如Python REPL、Docker容器）
- 超时控制、异常捕获
- 执行结果标准化返回
反思修正器：
- 检查执行结果是否满足任务目标
- 不满足则重新规划（Re-planning）
- 最多3轮迭代
报告生成器：
- 模板化输出（Markdown/JSON/PDF）
- 包含：任务摘要、执行步骤、关键发现、可视化图表

技术选型：

框架：LangChain（灵活）或 Spring AI（Java生态）
工具定义：JSON Schema描述输入输出
状态管理：Redis存储对话历史和中间结果

核心Prompt示例（ReAct）：

Thought: 用户想要分析销售数据，我需要先查询数据库。
Action: sql_query
Action Input: {"query": "SELECT * FROM sales WHERE date > '2024-01-01'"}
Observation: [返回10000条记录]
Thought: 数据太多，我需要聚合统计...
Action: python_code
Action Input: {"code": "df.groupby('region').sum()"}

这套架构在我参与的项目中落地，能完成数据分析、报告生成的端到端自动化。

【面试题】4. Spring Boot的自动装配原理是什么？如何自定义Starter？

【标准答案】Spring Boot自动装配核心就一句话：约定优于配置 + 条件化装配。

原理拆解：

@SpringBootApplication注解是个组合注解：
- @SpringBootConfiguration：本质是@Configuration
- @ComponentScan：扫描当前包及子包
- @EnableAutoConfiguration：自动装配核心
@EnableAutoConfiguration通过@Import(AutoConfigurationImportSelector.class)导入选择器。
AutoConfigurationImportSelector的核心逻辑：
- 读取META-INF/spring.factories（旧版）或META-INF/spring/org.springframework.boot.autoconfigure.AutoConfiguration.imports（新版）
- 加载所有候选配置类（如RedisAutoConfiguration、DataSourceAutoConfiguration）
- 根据条件注解筛选生效的配置：
  - @ConditionalOnClass：类路径存在某类
  - @ConditionalOnMissingBean：容器中不存在某Bean
  - @ConditionalOnProperty：配置文件有某属性
执行时机：Spring容器启动时，通过ImportSelector回调selectImports()方法，批量注册配置类。

自定义Starter步骤：

假设我们要做一个logging-spring-boot-starter：

创建Maven项目：

logging-spring-boot-starter（空项目，只做依赖聚合）
logging-spring-boot-autoconfigure（核心逻辑）

autoconfigure模块编写配置类：

java

@Configuration
@ConditionalOnClass(LoggingService.class)
@EnableConfigurationProperties(LoggingProperties.class)
public class LoggingAutoConfiguration {
    
    @Bean
    @ConditionalOnMissingBean
    public LoggingService loggingService(LoggingProperties props) {
        return new LoggingService(props.getLevel(), props.getFormat());
    }
}

属性类：

java

@ConfigurationProperties(prefix = "logging.custom")
public class LoggingProperties {
    private String level = "INFO";
    private String format = "JSON";
    // getter/setter
}

注册自动配置：
- 在resources/META-INF/spring/创建文件org.springframework.boot.autoconfigure.AutoConfiguration.imports
- 内容：com.example.LoggingAutoConfiguration

使用方引入依赖：

xml

<dependency>
    <groupId>com.example</groupId>
    <artifactId>logging-spring-boot-starter</artifactId>
</dependency>

配置application.yml：

yaml

logging:
  custom:
    level: DEBUG
    format: TEXT

关键点：条件注解确保"有配置就用，没配置就用默认"，不干扰用户自定义Bean。

【面试题】5. 向量数据库选型时需要考虑哪些因素？Milvus、Pinecone、Chroma各自适合什么场景？

【标准答案】向量数据库选型要看五个维度：性能、规模、部署方式、生态、成本。

选型考量因素：

性能指标：
- 查询延迟（QPS、P99延迟）
- 索引构建速度
- 吞吐量（并发能力）
规模支撑：
- 向量维度支持（通常512-1536维）
- 数据量级（百万、十亿级）
- 横向扩展能力
索引算法：
- HNSW（层次导航小世界）：高召回率，内存占用大
- IVF（倒排文件索引）：适合大规模，可调精度
- PQ（乘积量化）：压缩向量，牺牲精度换空间
部署方式：云托管 vs 自托管
生态集成：SDK语言、框架集成（LangChain/LlamaIndex支持）

主流方案对比：

特性	Milvus	Pinecone	Chroma
部署	自托管（K8s/Docker）	仅云托管	嵌入式/自托管
规模	十亿级向量	百亿级（云原生）	百万级
性能	高性能，支持GPU加速	全托管，性能稳定	轻量级，适合开发
索引	HNSW/IVF/PQ多种	自研索引，黑盒	HNSW
生态	Python/Go/Java SDK，LangChain支持	Python SDK，深度集成	Python优先，LangChain原生
成本	自建硬件成本，开源免费	按向量数+查询量计费	免费
适合场景	大规模生产环境	快速上线、无运维需求	原型开发、小规模应用

推荐场景：

Milvus：数据量大（>1亿向量）、有K8s运维能力、对成本敏感、需要定制化索引调优。国内企业首选，社区活跃。
Pinecone：快速验证产品、团队小、不想折腾运维、预算充足。海外创业公司常用。
Chroma：本地开发测试、百万级以下数据、嵌入式部署（直接跑在应用进程里）、Python技术栈。

实战建议：

项目初期用Chroma快速验证，确定需求后再迁移到Milvus生产环境。
Milvus集群建议至少3节点，数据量<500万可以用单机版测试。
索引选择：召回率要求高用HNSW，数据量大用IVF+PQ组合。

我们项目用Milvus自托管，2000万向量，QPS 500+，P99延迟15ms，跑得很稳。

【面试题】6. Redis分布式锁如何实现？Redlock算法解决了什么问题？生产环境如何保证可靠性？

【标准答案】Redis分布式锁基础实现用SET key value NX PX expire，但单节点有单点故障风险。生产环境要用Redlock算法或Redisson框架。

基础实现（单节点）：

java

// 加锁
String lockValue = UUID.randomUUID().toString();
Boolean locked = redis.set("lock:order_123", lockValue, "NX", "PX", 30000);

// 业务逻辑...

// 解锁（Lua脚本保证原子性）
String script = "if redis.call('get', KEYS[1]) == ARGV[1] then " +
                "return redis.call('del', KEYS[1]) else return 0 end";
redis.eval(script, Arrays.asList("lock:order_123"), lockValue);

问题：单节点Master宕机，锁丢失，多个客户端同时获得锁。

Redlock算法原理：

获取当前时间戳
依次向N个Redis节点请求加锁（通常5个）
计算加锁成功节点数，超过半数（3个）且总耗时<锁过期时间，则加锁成功
有效时间 = 锁过期时间 - 加锁耗时
失败则向所有节点发起解锁

Redisson实现（推荐）：

java

RLock lock = redissonClient.getLock("order:123");
try {
    // 尝试加锁，等待10秒，锁30秒后自动释放
    if (lock.tryLock(10, 30, TimeUnit.SECONDS)) {
        // 业务逻辑
    }
} finally {
    if (lock.isHeldByCurrentThread()) {
        lock.unlock();
    }
}

Redisson内置Watch Dog机制，自动续期，防止业务没执行完锁就过期。

生产环境可靠性保证：

锁续期（Watch Dog）：业务执行时间超过锁过期时间，后台线程自动续期（默认每10秒续期到30秒）。
锁可重入：Redisson用Hash结构存储，field是线程ID，value是重入次数。
等待队列：加锁失败的线程进入等待队列，锁释放后通过Pub/Sub通知，避免自旋空转。
多节点部署：Redis Cluster或5个独立节点，防止单点故障。
** fencing token机制**：每次加锁生成递增token，业务操作时校验token，防止锁过期后误操作（适合对一致性要求极高的场景）。

注意点：

锁过期时间设置合理（业务执行时间的2-3倍）
不要在事务内加锁，可能导致锁提前释放
异常情况必须解锁，用try-finally包裹

替代方案对比：

方案	优点	缺点
Redis分布式锁	性能高，实现简单	极端情况可能丢锁
Zookeeper锁	强一致性强	性能差，运维复杂
etcd分布式锁	强一致性，K8s原生	学习成本高

业务允许少量冲突用Redis，金融级强一致用Zookeeper或etcd。

【面试题】7. 提示词工程（Prompt Engineering）有哪些核心技巧？如何设计一个结构化的系统Prompt？

【标准答案】提示词工程核心目标：让大模型稳定输出预期结果。关键技巧有8个：

核心技巧：

角色设定（Role Prompting）
- 明确身份："你是一位资深Java架构师..."
- 设定能力边界："你只回答Java相关问题，其他领域请说不知道"
任务拆解（Chain-of-Thought）
- 分步思考："请一步步分析：1.先理解问题 2.列出方案 3.对比优劣 4.给出结论"
- Zero-shot CoT："让我们一步步思考"

Few-Shot示例

给2-5个示例，定义输出格式

输入：Java 8新特性
输出：Lambda表达式、Stream API、Optional类

输入：Spring Boot核心注解
输出：@SpringBootApplication、@Configuration、@EnableAutoConfiguration

输出格式约束
- JSON Schema、Markdown、表格
- "请以JSON格式返回，包含字段：name, age, skills"
约束与否定
- "不要使用专业术语"
- "回答不超过100字"
- "不要编造信息，不确定就说不知道"
上下文注入
- 提供背景信息、用户画像、业务场景
- "用户是Java中级开发，请用他能理解的语言"
迭代优化
- 先写初版Prompt → 测试 → 分析错误 → 优化
- A/B测试不同Prompt效果
结构化Prompt模板

系统Prompt结构化设计：

markdown

# 角色定义
你是一位AI+Java技术面试官，专门考察Java中级开发和AI应用能力。

## 能力设定
- 深谙Java并发编程、JVM调优、Spring生态
- 熟悉大模型原理、RAG架构、Prompt工程
- 面试风格：追问细节、考察实战经验

## 任务目标
根据候选人回答，评估技术深度、逻辑清晰度、表达能力。

## 回答规范
1. 先给出评分（1-10分）及理由
2. 指出回答亮点（用✓标注）
3. 指出不足或遗漏（用✗标注）
4. 追问1-2个延伸问题

## 输出格式
### 评分：X/10
### 亮点
- ✓ ...
### 不足
- ✗ ...
### 追问
1. ...

## 约束
- 不要过度鼓励，客观评价
- 不懂的领域直接说"超出考察范围"
- 评分标准统一，避免前后矛盾

实战建议：

系统Prompt和用户Prompt分离，系统Prompt定义人设和规则，用户Prompt提供具体任务
复杂任务用多轮Prompt（规划→执行→校验）
高频场景沉淀Prompt模板库

我们团队的Prompt模板已经标准化，新项目5分钟就能配好一个可用的Agent。

【面试题】8. MySQL索引优化实战：联合索引(a,b,c)，查询WHERE a=1 AND c=3能走索引吗？如何优化？

【标准答案】这道题考的是最左前缀原则。答案是：能走索引，但只能用到a列，c列用不上索引，需要回表过滤。

最左前缀原则详解：

联合索引(a,b,c)的B+树结构是按a、b、c的顺序排列的。可以理解为：

先按a排序
a相同时按b排序
a、b都相同时按c排序

就像电话簿：先按姓排序，同姓按名排序。你只知道名，没法直接查找。

查询案例分析：

WHERE a=1 → ✅ 完全走索引
WHERE a=1 AND b=2 → ✅ 完全走索引（a、b都能用）
WHERE a=1 AND b=2 AND c=3 → ✅ 完全走索引
WHERE a=1 AND c=3 → ⚠️ 只有a走索引，c需要回表过滤
WHERE b=2 → ❌ 完全不走索引
WHERE a=1 AND b>2 AND c=3 → ⚠️ a、b走索引，c不走（范围查询后的列失效）

执行计划验证：

sql

EXPLAIN SELECT * FROM t WHERE a=1 AND c=3;
-- key: idx_abc（用了索引）
-- key_len: 4（只用到了a，4字节）
-- Extra: Using index condition; Using where（ICP下推，但仍需回表）

优化方案：

方案1：调整索引顺序

如果查询模式多为(a, c)查询，创建联合索引(a, c, b)：

sql

ALTER TABLE t ADD INDEX idx_acb(a, c, b);

方案2：覆盖索引

查询只返回索引列，避免回表：

sql

SELECT a, b, c FROM t WHERE a=1 AND c=3;
-- Extra: Using index（索引覆盖，不需要回表）

方案3：ICP（Index Condition Pushdown）

MySQL 5.6+默认开启，把c列过滤下推到存储引擎层，减少回表次数。

方案4：强制索引（不推荐）

sql

SELECT * FROM t FORCE INDEX(idx_abc) WHERE a=1 AND c=3;

索引设计原则：

选择性高的列放左边：区分度大的列优先，比如user_id > status
覆盖高频查询：分析慢查询日志，针对性建联合索引
避免冗余索引：有(a, b, c)就不需要(a, b)和(a)
控制索引数量：单表建议≤5个索引，索引过多影响写入性能

实战案例：

订单表查询慢，索引是(user_id, order_time, status)，查询WHERE user_id=123 AND status='PAID'。调整索引为(user_id, status, order_time)后，查询从500ms降到10ms。

【面试题】9. LangChain和Spring AI在AI应用开发上各有什么优势？如何选择？

【标准答案】这是个好问题，直接决定技术栈选型。核心区别：LangChain是Python生态的AI应用框架，Spring AI是Java/Spring生态的对应方案。

LangChain优势：

生态丰富：
- 模型集成：OpenAI、Anthropic、Azure、本地模型（Ollama）开箱即用
- 向量库：Milvus、Pinecone、Chroma等20+支持
- 工具链：Google Search、Wikipedia、Python REPL等
- 社区活跃：GitHub 90k+ stars，第三方集成多
抽象完整：
- Chain：任务编排链
- Agent：自主决策+工具调用
- Memory：对话历史管理
- RAG：检索增强生成组件
- LCEL（LangChain Expression Language）：声明式编排
开发效率高：
- Python脚本快速原型验证
- Jupyter Notebook交互调试
- LangSmith可视化追踪调试
适合场景：
- AI Native应用（AI是核心功能）
- 快速原型验证
- 数据科学团队（Python技术栈）

Spring AI优势：

Java企业级开发：
- 与Spring Boot无缝集成
- 依赖注入、配置管理、Actuator监控开箱即用
- 企业级安全、事务、日志体系
生产级特性：
- 与Spring AI集成的Observability（Micrometer）
- 多模型统一API（OpenAI、Azure、Ollama、通义千问）
- VectorStore抽象（Redis、Milvus、PGVector）
团队适配：
- Java团队学习成本低
- 现有Spring项目快速集成AI能力
- 企业级部署、运维体系成熟
适合场景：
- 传统企业应用增加AI能力
- Java技术栈团队
- 需要与现有Spring生态集成

选型建议：

维度	选LangChain	选Spring AI
团队技术栈	Python为主	Java/Spring为主
应用定位	AI Native产品	传统应用+AI增强
开发阶段	快速原型、探索阶段	生产级稳定版本
运维要求	容器化部署、云原生	传统企业运维体系
集成需求	深度集成AI工具链	与现有Spring体系集成

混合方案：

有些团队这样搞：Python+LangChain做AI核心服务（RAG、Agent），Java+Spring Boot做业务服务，通过HTTP/gRPC通信。适合AI团队和业务团队分离的场景。

我们项目是Java团队，选的Spring AI，2周就接上了通义千问+Milvus，RAG问答服务上线。

【面试题】10. 线上服务CPU飙到100%，如何快速定位和解决？

【标准答案】CPU 100%是线上最常见的问题之一，排查思路要快、准、狠。

快速定位步骤：

第1步：确认是哪个进程

bash

top -c  # 查看CPU占用最高的进程
# 或
htop    # 更友好的界面

找到占用CPU最高的Java进程PID，比如12345。

第2步：确认是用户态还是内核态

bash

top -p 12345 -H

%us高：用户态，Java应用代码问题
%sy高：内核态，系统调用频繁（如大量IO、上下文切换）

第3步：找到占用CPU的线程

bash

top -H -p 12345  # 显示进程内所有线程

找到CPU占用最高的线程TID，比如9876，转成16进制：0x2694。

第4步：Dump线程栈

bash

jstack 12345 > thread_dump.txt
# 或
kill -3 12345  # 输出到应用日志

在thread_dump.txt中搜索0x2694（16进制TID），定位到具体代码。

常见原因及解决：

死循环/无限循环
- Thread Dump显示同一段代码一直在执行
- 定位到代码修复
频繁GC
- jstat -gcutil 12345 1000 查看GC频率
- 如果Full GC频繁，按前面讲的方法分析堆内存
- 可能是内存泄漏或堆设置太小
锁竞争激烈
- Thread Dump显示大量线程BLOCKED状态
- 找到锁对象，优化锁粒度或改用无锁数据结构
正则表达式回溯
- 复杂正则匹配大文本，导致CPU飙升
- 优化正则，加超时限制
序列化/反序列化
- JSON/XML序列化大对象，CPU密集
- 异步处理或优化数据结构
加密/解密运算
- 大量加密操作占用CPU
- 使用硬件加速或异步处理

紧急处理：

bash

# 1. 快速扩容（如果有备用节点）
# 2. 限流，降低流量入口
# 3. 重启问题节点（保留现场，先dump）
jstack 12345 > /tmp/dump_$(date +%s).txt
kill -9 12345
# 4. 服务降级，关闭非核心功能

预防措施：

监控告警：CPU > 80%告警
定期做性能测试和压测
代码审查关注死循环、正则复杂度
GC日志持久化，定期分析

实战案例：

我们有次CPU 100%，Thread Dump定位到一个正则校验邮箱地址的代码，正则写得复杂，遇到特殊构造的输入就疯狂回溯。修复正则后，CPU降到10%以内。

总结

本轮覆盖：

AI方向（5题）：RAG原理与优化、AI Agent架构设计、向量数据库选型、Prompt工程、框架对比
Java方向（5题）：JVM内存与GC、Spring Boot自动装配、Redis分布式锁、MySQL索引优化、CPU问题排查

题目类型分布：

技术基础：3题（JVM、索引、Redis）
架构设计：3题（RAG、Agent、框架选型）
场景实操：2题（向量数据库、分布式锁）
性能优化：2题（CPU排查、索引优化）
工程实践：穿插在各题中

每道题答案都是面试场景的满分口语版，直击要点，不堆砌术语。

AI+Java中级开发面试题库（带答案） ​

【面试题】1. 请详细说说RAG检索增强生成的核心原理，以及如何优化RAG系统的检索准确率？ ​

【面试题】2. JVM内存模型是怎样的？线上Full GC频繁，你如何排查和优化？ ​

【面试题】3. 请设计一个AI Agent的架构，能够完成"分析用户需求→调用工具→生成报告"的完整流程。 ​

【面试题】4. Spring Boot的自动装配原理是什么？如何自定义Starter？ ​

【面试题】5. 向量数据库选型时需要考虑哪些因素？Milvus、Pinecone、Chroma各自适合什么场景？ ​

【面试题】6. Redis分布式锁如何实现？Redlock算法解决了什么问题？生产环境如何保证可靠性？ ​

【面试题】7. 提示词工程（Prompt Engineering）有哪些核心技巧？如何设计一个结构化的系统Prompt？ ​

【面试题】8. MySQL索引优化实战：联合索引(a,b,c)，查询WHERE a=1 AND c=3能走索引吗？如何优化？ ​

【面试题】9. LangChain和Spring AI在AI应用开发上各有什么优势？如何选择？ ​

【面试题】10. 线上服务CPU飙到100%，如何快速定位和解决？ ​

总结 ​

AI+Java中级开发面试题库（带答案）

【面试题】1. 请详细说说RAG检索增强生成的核心原理，以及如何优化RAG系统的检索准确率？

【面试题】2. JVM内存模型是怎样的？线上Full GC频繁，你如何排查和优化？

【面试题】3. 请设计一个AI Agent的架构，能够完成"分析用户需求→调用工具→生成报告"的完整流程。

【面试题】4. Spring Boot的自动装配原理是什么？如何自定义Starter？

【面试题】5. 向量数据库选型时需要考虑哪些因素？Milvus、Pinecone、Chroma各自适合什么场景？

【面试题】6. Redis分布式锁如何实现？Redlock算法解决了什么问题？生产环境如何保证可靠性？

【面试题】7. 提示词工程（Prompt Engineering）有哪些核心技巧？如何设计一个结构化的系统Prompt？

【面试题】8. MySQL索引优化实战：联合索引(a,b,c)，查询WHERE a=1 AND c=3能走索引吗？如何优化？

【面试题】9. LangChain和Spring AI在AI应用开发上各有什么优势？如何选择？

【面试题】10. 线上服务CPU飙到100%，如何快速定位和解决？

总结