本轮 AI+Java中级开发面试题库（带答案）
生成时间：2026-05-20 22:37
【面试题】1. RAG系统中检索到的文档片段相关性不高，导致大模型回答"跑偏"，你会怎么优化？
【标准答案】我会从三个层面入手。检索层面：先看chunk切分策略是否合理——太大会混入无关内容，太小会丢失上下文，一般512-1024 token比较合适；然后引入混合检索，把BM25关键词召回和向量语义召回做加权融合，互相补短板；最后对top-k结果做rerank重排序，用cross-encoder精排把真正相关的片段提上来。提示词层面：在system prompt里明确告诉模型"只根据以下参考资料回答，不确定的就说不知道"，减少幻觉。工程层面：加元数据过滤，比如按文档类型、时间范围先过滤一轮再检索，缩小检索空间。实际项目中这三招组合使用，准确率提升非常明显。
【面试题】2. Java中HashMap和ConcurrentHashMap的区别是什么？ConcurrentHashMap在JDK1.8做了哪些改进？
【标准答案】HashMap线程不安全，多线程put可能导致死循环（1.7头插法链表成环）或数据丢失。ConcurrentHashMap是线程安全的。1.7 vs 1.8的核心区别：1.7用Segment分段锁，每个Segment继承ReentrantLock，默认16段，并发度固定；1.8取消了Segment，改用CAS+synchronized，锁粒度从段级降到桶级别（每个Node头节点加锁），并发度等于桶数量，大幅提升。1.8的另一个改进：链表长度超过8且数组长度≥64时转红黑树，查找从O(n)降到O(logn)。面试关键点：1.8的synchronized锁的是桶头节点，不是整个表，所以不同桶可以并发操作，这是性能提升的核心。
【面试题】3. 什么是AI Agent？和普通的Prompt调用有什么本质区别？
【标准答案】普通Prompt调用是一次性的：输入prompt→输出结果，没有自主性。AI Agent的核心区别是自主决策循环——它能在运行中自己决定下一步做什么。具体来说，Agent具备四个要素：感知（接收环境和用户输入）、推理（用LLM做规划和决策）、行动（调用工具/API/数据库等）、记忆（短期对话上下文+长期知识存储）。比如用户说"帮我查下北京天气并订机票"，普通prompt做不到，但Agent可以：先调天气API获取信息，再调订票API完成操作，中间根据返回结果决定下一步。技术框架层面，LangChain的Agent+Tools机制、Spring AI的Function Calling都是实现这个模式。
【面试题】4. JVM内存模型中，新生代和老年代的GC策略分别是什么？什么情况下对象会直接进入老年代？
【标准答案】新生代用复制算法（Eden + Survivor0 + Survivor1，默认8:1:1），Minor GC时存活对象复制到另一个Survivor，年龄+1。老年代用标记-整理或标记-清除，Full GC触发。对象直接进老年代的几种情况：①大对象（超过-XX:PretenureSizeThreshold阈值）直接分配到老年代，避免在新生代大量复制；②长期存活对象（年龄达到15，-XX:MaxTenuringThreshold）晋升；③Survivor区相同年龄对象大小总和超过Survivor空间一半，该年龄及以上的直接晋升（动态年龄判断）；④Minor GC后Survivor放不下，通过担保机制进入老年代。面试加分点：说清楚为什么要有这些机制——核心是为了减少Full GC频率。
【面试题】5. Spring AI中Function Calling的工作原理是什么？如何让大模型调用本地Java方法？
【标准答案】Spring AI的Function Calling流程：第一步，用@Description注解或Bean定义注册一个Java函数，描述它的功能；第二步，ChatClient发起请求时把函数描述传给大模型；第三步，大模型判断是否需要调用函数，如果需要，返回一个function_call响应（包含函数名和参数JSON）；第四步，Spring AI自动拦截这个响应，反射调用对应的Java方法，拿到返回值；第五步，把返回值作为工具结果拼回prompt，再次请求大模型生成最终回答。整个过程对开发者是透明的——你只需要写Java方法+注册，框架帮你处理调度。关键配置是ChatOptions里指定要暴露哪些functions，以及temperature设低一点让模型更倾向调工具。
【面试题】6. Redis分布式锁用SETNX实现有什么问题？Redlock算法能解决吗？
【标准答案】SETNX的问题：①锁过期但业务没执行完，被其他线程获取，导致并发冲突——解法是看门狗机制自动续期；②客户端宕机锁无法释放——解法是加过期时间，但SETNX和EXPIRE非原子——解法是用SET key value NX EX seconds原子命令；③主从同步延迟，主节点加锁后宕机，从节点没同步到锁信息，另一个客户端又加锁成功——这是最核心的问题。Redlock：在多个独立Redis实例（通常5个）上同时加锁，超过半数（3个）成功才算获取锁，解决了单点故障问题。但Redlock有争议——Martin Kleppmann指出它依赖时钟同步，在网络分区等场景下不安全。实战建议：大多数场景用Redisson的RLock（看门狗续期+可重入）就够了；对一致性要求极高的用ZooKeeper或etcd。
【面试题】7. 向量数据库（如Milvus/Qdrant）的索引类型有哪些？如何选择？
【标准答案】核心索引类型分几类：FLAT——暴力搜索，精度最高但速度最慢，适合小数据量（<10万）；IVF（倒排索引）——先用K-means聚类，搜索时只查最近的nprobe个簇，速度和精度的折中方案，适合百万级；HNSW（层级可导航小世界图）——基于图的近似最近邻，查询速度极快，召回率高，是当前最流行的索引，适合实时性要求高的场景；PQ（乘积量化）——把向量压缩编码，内存占用极低，适合亿级数据但精度有损失。选择原则：小规模用FLAT保精度；百万级+实时查询用HNSW；亿级+内存有限用IVF+PQ组合；对召回率要求不高但要求极快用IVF。面试关键点：所有向量索引都是近似搜索（ANN），不是精确搜索，这是精度和速度的trade-off。
【面试题】8. MySQL中InnoDB的MVCC机制是怎么实现的？它能解决幻读吗？
【标准答案】MVCC通过隐藏列+Undo Log+ReadView实现。每行数据有两个隐藏列：trx_id（最后修改的事务ID）和roll_pointer（指向Undo Log中的前版本链）。ReadView是事务开始时创建的快照，记录当前活跃事务ID列表，通过比较trx_id判断版本是否可见：trx_id小于ReadView中最小活跃ID→可见；大于最大ID→不可见；在中间看是否在活跃列表中→在则不可见。RR级别：ReadView在事务第一次SELECT时创建并复用，所以同一事务多次读结果一致。RC级别：每次SELECT都创建新的ReadView。能否解决幻读：快照读（普通SELECT）通过MVCC解决了幻读；但当前读（SELECT FOR UPDATE/INSERT/UPDATE）会读最新数据，MVCC管不了，这时靠Gap Lock+Next-Key Lock来防止幻读。所以严格说，InnoDB在RR级别通过MVCC+间隙锁组合才解决了幻读。
【面试题】9. 大模型微调方式LoRA的原理是什么？和全量微调相比有什么优劣？
【标准答案】LoRA（Low-Rank Adaptation）的核心思想：大模型参数矩阵W是d×d的，全量微调要更新所有参数；LoRA冻结原始权重W，旁边加一个低秩分解 W'=W + BA，其中B是d×r，A是r×d，r远小于d（比如r=8或16）。这样可训练参数从d²降到2×d×r，减少几个数量级。优势：①训练参数极少，显存占用大幅降低，单卡能微调大模型；②训练好的LoRA权重很小（几MB到几十MB），可以像插件一样切换，多个任务共享基座模型；③推理时可以合并到原始权重，零额外延迟。劣势：①表达能力上限低于全量微调，复杂任务可能不够；②rank选择需要实验，太小欠拟合太大过拟合；③多个LoRA同时服务时需要动态加载。实战建议：大多数业务场景LoRA够用，先试LoRA，效果不行再考虑全量微调。
【面试题】10. Kafka如何保证消息不丢失？生产者、Broker、消费者三个环节分别怎么做？
【标准答案】三个环节都要处理：生产者端：acks参数设为all（或-1），确保所有ISR副本都确认写入才返回成功；同时开启重试retries，配合幂等性参数enable.idempotence=true防止重试导致重复。Broker端：min.insync.replicas设为≥2，配合acks=all确保至少2个副本写入成功；unclean.leader.election.enable设为false，禁止非ISR副本成为Leader，防止数据丢失；副本因子replication.factor≥3。消费者端：关闭自动提交enable.auto.commit=false，业务处理完成后再手动提交offset；如果是消费+写入数据库的场景，用事务或幂等表保证Exactly-Once语义。面试关键点：三层防御缺一不可，只做一层都不保险。另外要提一下，Kafka的Exactly-Once是靠事务+幂等实现的，不是靠单独某个配置。