AI+Java中级开发面试题库
生成时间: 2026-05-22 22:48
题目数量: 10道
本轮 AI+Java中级开发面试题库（带答案）
【面试题】1. 请解释Transformer架构中Self-Attention机制的工作原理，为什么它比RNN更适合处理长序列？
【标准答案】Self-Attention的核心是计算序列中每个词与其他所有词的相关性。具体来说，输入经过三个线性变换得到Query、Key、Value，然后计算Query和Key的点积并归一化，得到注意力权重，再对Value加权求和。
相比RNN，Self-Attention有三个优势：第一，并行计算能力强，RNN必须顺序处理，而Attention可以同时计算所有位置的关系；第二，长距离依赖问题得到解决，RNN随着序列增长信息会衰减，而Attention可以直接建模任意两个位置的关系，距离不会影响；第三，梯度传播更稳定，RNN容易出现梯度消失或爆炸，Attention则没有这个问题。这也是为什么现在的GPT、BERT等大模型都用Transformer架构的原因。
【面试题】2. ConcurrentHashMap在Java 8相比Java 7有什么重大改进？它是如何保证线程安全的？
【标准答案】Java 7的ConcurrentHashMap采用分段锁机制，把数据分成多个Segment，每个Segment一把锁，并发度受限于Segment数量。
Java 8做了重大改进，放弃了分段锁，改用CAS+synchronized锁单个Node。具体来说：插入时先用CAS尝试直接插入，失败则用synchronized锁住当前桶的头节点，粒度更细。另外，数据结构也从数组+链表升级为数组+链表+红黑树，当链表长度超过8时转红黑树，查询效率从O(n)提升到O(log n)。
这样做的好处是锁粒度更细，并发性能更好，内存占用也更少。这也是现在主流的做法。
【面试题】3. 在RAG系统中，什么是检索增强生成的"幻觉"问题？有哪些有效的解决方案？
【标准答案】幻觉问题指的是模型生成了与检索内容不符甚至编造事实的回答。原因有三个：检索到的文档不相关、模型过度依赖内部知识、或上下文整合不当。
解决方案主要有四类：第一，检索优化，用混合检索（关键词+向量）、重排序、提升Top-k文档相关性；第二，提示词优化，明确要求"仅根据提供的文档回答，不知道就说不知道"；第三，生成后验证，让模型自我评估答案是否有依据，或用另一个模型做事实校验；第四，引入引用机制，要求答案标注来源段落，便于人工核查。
实际项目中，我建议从检索质量入手，因为垃圾进垃圾出，检索是RAG的地基。
【面试题】4. Spring Boot中@Autowired和@Resource有什么区别？你推荐使用哪种？
【标准答案】两者主要区别有三点：第一，来源不同，@Autowired是Spring提供的，@Resource是JDK标准注解（JSR-250）；第二，注入方式不同，@Autowired默认按类型注入，配合@Qualifier按名称，@Resource默认按名称注入；第三，required属性，@Autowired支持required=false允许注入失败，@Resource不支持。
实际项目中的建议：如果只用Spring生态，推荐@Autowired配合构造器注入，代码更清晰、便于单元测试。如果要保持代码的可移植性（可能换其他DI框架），用@Resource。不过现在主流都是@Autowired，团队统一风格最重要。
【面试题】5. 设计一个AI Agent的工作流程，如何让Agent能够自主规划和执行任务？
【标准答案】一个完整的AI Agent需要四个核心组件：规划器、记忆系统、工具调用、反思机制。
工作流程是这样的：第一，用户输入任务后，规划器将任务拆解成子步骤，可以用思维链CoT或任务分解框架如Plan-and-Solve；第二，对于每个子任务，Agent判断是否需要调用外部工具（搜索、数据库查询、代码执行），通过Function Calling执行；第三，执行结果存入短期记忆或长期记忆向量库；第四，反思机制评估当前进度，如果失败则调整策略重试；第五，所有子任务完成后，整合结果输出给用户。
关键点在于让Agent有"自主性"，比如加入ReAct框架（推理-行动循环），让模型自己决定下一步做什么。实际落地时，用LangChain的AgentExecutor或Spring AI的ChatClient都能快速实现。
【面试题】6. MySQL的索引什么时候会失效？能否举例说明？
【标准答案】索引失效是面试高频考点，常见情况有六种：
第一，对索引列使用函数或运算，比如WHERE YEAR(create_time) = 2024，索引失效；第二，隐式类型转换，比如字符串索引列传了数字参数；第三，LIKE以通配符开头，LIKE '%abc'失效，LIKE 'abc%'有效；第四，OR条件中有一个字段没有索引，整个索引失效；第五，联合索引不满足最左前缀原则，比如索引(a,b,c)，WHERE b=1 AND c=2失效；第六，使用NOT、!=、<>、IS NOT NULL等否定条件。
实际排查用EXPLAIN，看type列是否为ALL或key列是否为NULL。开发中养成好习惯，写完SQL记得EXPLAIN一下。
【面试题】7. 什么是向量数据库？为什么在RAG系统中它比传统数据库更适合？
【标准答案】向量数据库是专门存储和检索高维向量嵌入的数据库，如Milvus、Pinecone、Chroma等。
在RAG场景下，向量数据库有三个核心优势：第一，语义检索能力，传统数据库做精确匹配或模糊查询，无法理解语义相似性，而向量数据库通过余弦相似度或欧氏距离，能找到语义相近的内容，比如"汽车"和"轿车"能匹配上；第二，检索效率高，向量数据库用ANN（近似最近邻）算法如HNSW、IVF，在百万级数据也能毫秒级返回；第三，专为AI设计，原生支持Embedding存储、元数据过滤、分布式扩展。
实际架构中，一般是向量数据库存Embedding做语义召回，再结合传统数据库做精确过滤，两者配合使用。
【面试题】8. 请解释Java中的Volatile关键字的作用和使用场景。
【标准答案】Volatile有两个核心作用：保证可见性和禁止指令重排序。
可见性是指，当一个线程修改了volatile变量，其他线程能立即看到最新值。原理是修改后立即刷新到主内存，其他线程读取时从主内存重新加载。禁止重排序是通过内存屏障实现的，比如在DCL单例模式中，volatile防止对象初始化和引用赋值的重排序，避免其他线程拿到半初始化的对象。
使用场景主要有两类：一是状态标志位，比如volatile boolean running = true; 用于控制线程启停；二是DCL单例模式的双重检查锁。
但注意，volatile不能保证原子性，所以volatile i++这种场景是线程不安全的，得用AtomicInteger或锁。
【面试题】9. Redis如何实现分布式锁？Redlock算法解决了什么问题？
【标准答案】基础版分布式锁用SET key value NX PX milliseconds，NX保证不存在才设置，PX设置过期时间防死锁。释放锁用Lua脚本保证原子性：判断value是否一致再删除。
但基础版有问题：单点故障。如果Master加锁后挂了，锁没同步到Slave，另一个客户端又能加锁。Redlock算法解决了这个问题，核心思路是在多个独立的Redis实例上同时加锁，只有超过半数实例加锁成功才算成功。比如5个实例，需要至少3个成功。
实际项目中，更推荐用Redisson框架，它封装了Redlock，还提供看门狗机制自动续期，避免业务执行时间超过锁过期时间导致锁提前释放。
【面试题】10. 如何评估一个大模型在生产环境中的性能？有哪些关键指标？
【标准答案】评估大模型生产性能，从三个维度看：
第一，延迟指标，首字生成时间TTFT（Time to First Token）影响用户等待体验，一般要求<1秒；每秒生成Token数TPS，影响整体响应速度；端到端延迟P99，确保99%的请求在可接受时间内。
第二，吞吐量指标，QPS即每秒处理的请求数，并发用户数，GPU利用率（SM利用率和显存占用）。
第三，质量指标，虽然是性能但也很关键：准确率、幻觉率、回答相关性，可以用LLM-as-a-Judge让GPT-4打分。
优化手段包括：量化（FP16→INT8/INT4）、KV Cache优化、Batch策略调整、使用vLLM或TGI等推理框架。实际落地时，用Prometheus+Grafana监控这些指标，设置告警阈值。
题目分布: AI方向 5题 | Java方向 5题
覆盖维度: 技术基础(4题) | 架构设计(2题) | 场景实操(2题) | 性能优化(2题)