AI+Java中级开发面试题库
生成时间：2026-05-20 23:47
【面试题】1. RAG系统中检索召回率低，常见的优化手段有哪些？请结合实际项目经验说明。
【标准答案】召回率低一般从三个维度优化。第一，Chunk策略优化——不要无脑按固定长度切分，要按语义边界切（比如按段落、按标题层级），chunk大小建议300-500 token，overlap 10%-20%，这样跨chunk的语义不会断裂。第二，检索方式升级——单路向量检索容易漏，改成混合检索：向量检索管语义相似，BM25关键词检索管精确匹配，用RRF或加权融合合并结果，召回率能提升15%-30%。第三，Query改写与扩展——用户原始query往往太短或表达模糊，用LLM做Query Expansion，生成2-3个同义改写一起检索，或者用HyDE让LLM先生成假设性答案再用答案做检索。实际项目中这三招组合用，基本能把召回率从60%拉到85%以上。
【面试题】2. Java中ConcurrentHashMap在JDK 1.8相比1.7做了哪些核心改进？为什么这么改？
【标准答案】核心改进两个。第一，锁粒度从Segment段锁改成了Node节点级别的CAS+synchronized——1.7用Segment分段锁，每个Segment是一把ReentrantLock，默认16段意味着最多16个并发写线程；1.8直接锁链表/红黑树的头节点，并发度等于桶数量，理论上无限并发。第二，数据结构从纯链表改成链表+红黑树——当链表长度超过8且数组长度>=64时转红黑树，查找从O(n)降到O(logn)，hash冲突严重时性能差距巨大。为什么这么改？Segment设计太重了，Segment本身继承ReentrantLock，初始化就占大量内存，而且分段数固定不能动态扩展。改成节点级锁后内存省、并发度高、实现更简洁。面试时关键是要说清"锁粒度细化"这个核心思路。
【面试题】3. Spring AI中如何实现对大模型的Function Calling？请描述调用流程和关键代码结构。
【标准答案】Spring AI的Function Calling流程四步走。第一步，定义一个实现java.util.function.Function接口的类，泛型是<I, O>输入输出类型，用@Description注解描述函数功能，Spring AI会自动注册。第二步，在ChatClient调用时通过.functions("funcName")声明可用函数。第三步，运行时——用户提问后，模型判断需要调函数，返回一个tool_call请求；Spring AI框架自动拦截，根据函数名找到对应Bean，反序列化参数，执行函数，把结果拼回prompt再发给模型。第四步，模型拿到函数返回值后生成最终回答。关键点：函数注册是自动的，只要Bean在Spring容器中且标记了@Description；参数序列化/反序列化框架全包了；整个调用链是自动多轮的，模型可以连续调用多个函数。实际项目中注意控制函数数量，超过10个模型容易选错。
【面试题】4. MySQL中InnoDB的间隙锁（Gap Lock）是什么？在什么场景下会产生死锁？如何避免？
【标准答案】间隙锁是InnoDB在RR隔离级别下为了防止幻读而加的锁，锁住索引记录之间的"间隙"，不让别的事务在这个范围插入新记录。比如事务A执行SELECT * FROM t WHERE id > 5 FOR UPDATE，不仅锁住id>5的已有记录，还锁住5到正无穷的间隙，事务B插入id=6就会被阻塞。死锁场景：事务A按id升序锁范围(5,10)，事务B按id降序锁范围(8,3)，A等B释放间隙，B等A释放间隙，死锁。避免方法：第一，按固定顺序加锁，所有事务都升序或都降序；第二，缩小查询范围，用等值查询代替范围查询减少间隙锁覆盖面；第三，降低隔离级别到RC（RC下没有间隙锁）；第四，加锁时用SELECT ... FOR UPDATE配合合理索引，避免锁全表。面试官最爱听"固定顺序加锁"这个答案。
【面试题】5. 向量数据库（如Milvus/Pinecone）的HNSW索引原理是什么？为什么它比暴力搜索快？
【标准答案】HNSW全称Hierarchical Navigable Small World，核心思想是构建一个多层图结构，上层稀疏下层稠密。搜索时从最上层开始，每层找离目标最近的节点，然后往下跳到下一层继续找，类似跳表的思路。这样从顶层到底层逐步缩小范围，不用遍历所有向量。为什么比暴力搜索快？暴力搜索是O(n)逐一计算距离，HNSW利用图的小世界性质——任何两个节点之间只需少量跳转就能到达，搜索复杂度近似O(logn)。建图时每层通过贪心策略连接最近邻，保证了导航效率。实际使用中注意三个参数：M（每层最大连接数，越大精度越高但内存越大，推荐16-64）、efConstruction（建图时的搜索宽度，影响索引质量）、ef（查询时的搜索宽度，越大越准但越慢，生产环境建议ef=128-256）。面试时说出"多层图+跳表式导航"这个核心机制就够了。
【面试题】6. Java线程池的核心参数有哪些？拒绝策略怎么选？实际项目中如何动态调参？
【标准答案】七个核心参数：corePoolSize核心线程数、maximumPoolSize最大线程数、keepAliveTime空闲存活时间、unit时间单位、workQueue任务队列、threadFactory线程工厂、handler拒绝策略。拒绝策略四种：AbortPolicy抛异常（默认）、CallerRunsPolicy由提交线程执行（最常用，起到削峰作用）、DiscardPolicy静默丢弃、DiscardOldestPolicy丢弃队列最老任务。实际选型：大多数业务用CallerRunsPolicy，既不丢任务又能自然限流。动态调参：ThreadPoolExecutor提供了setCorePoolSize()和setMaximumPoolSize()方法，可以在运行时调整，不需要重启。实际项目中我们把线程池参数放在Nacos配置中心，写一个@RefreshScope的配置监听器，参数变更时调用set方法热更新。另外建议用自定义线程工厂给线程起有意义的名字，出了问题线程dump一目了然。
【面试题】7. AI Agent中ReAct模式的工作原理是什么？和纯Chain-of-Thought相比有什么优势？
【标准答案】ReAct是Reasoning + Acting的循环模式，每轮三步：Thought（推理当前该做什么）→ Action（调用工具执行）→ Observation（观察工具返回结果），然后进入下一轮循环，直到得出最终答案。和纯CoT的区别是：CoT只在脑子里想，ReAct是边想边动手。优势很直观——第一，能获取实时信息，纯CoT只能用训练时的知识，ReAct可以调搜索API、查数据库、读文件；第二，能验证推理结果，想错了可以看Observation修正，CoT想错了就一路错下去；第三，可解释性强，整个思考-行动-观察链路全程可追溯。实际开发中用LangChain的AgentExecutor或Spring AI的ChatClient就能实现ReAct模式，关键是定义好Tool描述，让模型知道什么时候该调什么工具。注意控制最大迭代次数，防止死循环。
【面试题】8. Redis分布式锁用SETNX实现有什么问题？Redlock算法解决了什么？生产环境怎么选？
【标准答案】基础SETNX锁三个问题：第一，不可重入——同一线程拿两次锁第二次会阻塞；第二，锁过期释放问题——业务没执行完锁就过期了，别的线程拿到锁导致并发冲突；第三，主从切换丢锁——主节点加锁后未同步到从就宕机，从升主后锁丢失。Redlock算法解决第三个问题：向N个独立Redis实例加锁，超过半数(N/2+1)加锁成功且总耗时小于锁有效期才算成功，这样单节点故障不影响锁安全。但Redlock争议很大，Martin Kleppmann写过文章批评它时钟依赖等问题。生产环境怎么选？如果只是防并发、允许极小概率出问题，用Redisson的RLock就行，它支持看门狗自动续期、可重入，够用了；如果对正确性要求极高（金融场景），直接上ZooKeeper或etcd的分布式锁，基于一致性协议不依赖时钟。面试时说清"看门狗续期"和"主从切换丢锁"这两个点就到位了。
【面试题】9. 大模型微调中LoRA的原理是什么？为什么它比全量微调更实用？
【标准答案】LoRA全称Low-Rank Adaptation，核心假设是预训练模型的权重矩阵在微调时的变化量是低秩的，不需要改整个矩阵，只需要学习一个低秩分解就行。具体做法：冻结原始权重W，新增两个小矩阵A和B，W' = W + BA，其中A是d×r的矩阵，B是r×d的矩阵，r就是秩，通常取8-64，远小于原始维度。为什么更实用？第一，参数量暴降——原始7B模型全量微调要训练7B参数，LoRA只训练0.1%-1%的参数；第二，训练速度快、显存占用低，单卡就能微调；第三，LoRA权重可以即插即用，基础模型共享，不同任务加载不同LoRA adapter就行，推理时合并到原始权重零额外延迟。实际项目中用PEFT库几行代码就能做LoRA微调，关键是选好r值和target_modules（通常选q_proj和v_proj）。面试官追问QLoRA的话，核心是4-bit量化+LoRA，显存再降一个量级。
【面试题】10. Spring Cloud中服务熔断和限流有什么区别？Sentinel和Resilience4j怎么选？
【标准答案】熔断是保护调用方——当下游服务异常率超过阈值，熔断器打开，后续请求直接走降级逻辑不再调用下游，给下游恢复时间，类似电路保险丝。限流是保护被调用方——控制单位时间内的请求量，超出部分排队或拒绝，防止流量压垮服务。两者保护对象不同，熔断保自己，限流保别人。Sentinel vs Resilience4j：Sentinel是阿里开源，功能全面（熔断+限流+热点+系统保护+集群流控），有可视化Dashboard实时监控，中文文档友好，但重、依赖多；Resilience4j是轻量级函数式设计，只有熔断、限流、重试、隔离仓四个核心模块，零依赖，适合云原生轻量架构。选型建议：项目已经用Spring Cloud Alibaba生态就选Sentinel无缝集成；追求轻量、已经在用Spring Cloud 2020+版本就选Resilience4j。面试官喜欢听"熔断保调用方、限流保服务方"这个区分。