工作知识库

Appearance

AI+Java中级开发面试题库（带答案） ​

生成时间: 2026-05-24 19:32
题目数量: 10题
覆盖范围: AI方向 + Java中级方向

【面试题】1. 请解释大模型的"涌现能力"现象，并举例说明在什么情况下会出现？ ​

【标准答案】

涌现能力是指模型在规模达到一定阈值后，突然展现出小模型完全不具备的能力。这不是渐进式提升，而是"质变"。

典型例子：

  • 思维链推理：小模型随机猜，大模型能逐步推理
  • 指令遵循：小模型听不懂复杂指令，大模型能精准执行
  • 少样本学习：给几个例子就能学会新任务

关键点是规模阈值——不是越大越好，而是要跨过临界点。比如Chain-of-Thought在模型参数超过100亿后才显著涌现。

面试加分点：可以提到"Scale is all you need"的观点，但也要指出涌现的不可预测性是目前AI研究的难点。

【面试题】2. RAG中的向量数据库选型，你会考虑哪些因素？对比Milvus、Pinecone和Chroma？ ​

【标准答案】

选型核心维度：

1. 部署模式

  • Pinecone：纯托管，零运维，适合快速落地
  • Milvus：自托管或云托管，灵活但需运维
  • Chroma：轻量级，适合原型和小规模场景

2. 性能规模

  • Pinecone：亿级向量，毫秒级延迟
  • Milvus：十亿级，支持分布式扩展
  • Chroma：百万级以下，单机场景

3. 功能特性

  • Milvus：支持标量过滤、混合查询最全
  • Pinecone：自动扩缩容、多可用区
  • Chroma：API最简洁，开发体验好

实战建议：

  • POC阶段：Chroma快速验证
  • 生产环境：Pinecone省心，Milvus省钱（数据量大时）
  • 特殊需求：需要混合查询选Milvus

【面试题】3. Spring Boot中@Transactional注解在什么情况下会失效？如何避免？ ​

【标准答案】

失效场景我总结为"五个坑"：

1. 方法不是public

  • 原因：Spring AOP代理只拦截public方法
  • 解决：改成public或用AspectJ编译时织入

2. 同类内部调用

java
@Service
public class OrderService {
    public void placeOrder() {
        this.createOrder(); // 直接调用，绕过代理
    }
    @Transactional
    public void createOrder() {}
}
  • 解决：注入自己或用AopContext.currentProxy()

3. 异常被吞掉

  • 默认只回滚RuntimeException和Error
  • checked异常不回滚
  • 解决：@Transactional(rollbackFor = Exception.class)

4. 数据库引擎不支持

  • MySQL的MyISAM不支持事务
  • 解决：用InnoDB

5. 传播行为设置错误

  • REQUIRES_NEW会挂起当前事务
  • 嵌套事务用NESTED（需要数据库支持savepoint）

面试加分：提一下事务传播机制的7种行为，以及分布式事务场景下@Transactional的局限性。

【面试题】4. 提示词工程中的"思维链（CoT）"和"思维树（ToT）"有什么区别？分别适用什么场景？ ​

【标准答案】

思维链（Chain-of-Thought）：

  • 单线推理：一步一步往下走
  • 适合：数学计算、逻辑推理、代码调试
  • 示例："请一步步思考：小明有5个苹果，吃了2个，妈妈又给了3个..."

思维树（Tree-of-Thought）：

  • 多分支探索：生成多个可能路径，评估后选择最优
  • 适合：创意写作、复杂决策、博弈问题
  • 示例：生成3个方案→评估每个优缺点→选择最优→继续深化

核心区别：

维度CoTToT
搜索空间单路径多路径
计算成本低高
适用问题有明确解法需要探索权衡
实现复杂度简单需要多轮对话

实战建议：先用CoT验证思路，复杂问题再升级ToT。LangChain有现成的ToT实现。

【面试题】5. MySQL索引设计原则有哪些？什么情况下索引会失效？ ​

【标准答案】

设计原则（最左前缀是核心）：

  1. 选择性高的列优先：唯一性越高，索引效果越好
  2. 联合索引顺序：等值查询列在前，范围查询列在后
  3. 覆盖索引：查询列都在索引里，避免回表
  4. 前缀索引：长字符串用前缀，节省空间但无法排序

索引失效场景：

  1. 对索引列做运算：WHERE YEAR(create_time) = 2024
  2. 函数处理：WHERE LOWER(name) = 'abc'
  3. 隐式类型转换：字符串字段传数字WHERE phone = 13800138000
  4. LIKE左模糊：WHERE name LIKE '%张'
  5. OR连接非索引列：WHERE indexed_col = 1 OR non_indexed_col = 2
  6. 联合索引不满足最左前缀：索引(a,b,c)，查询WHERE b=1

面试加分：提一下EXPLAIN看执行计划，type字段从好到坏：system > const > eq_ref > ref > range > index > ALL。

【面试题】6. AI Agent中的ReAct框架是什么？它如何解决传统Prompt的局限性？ ​

【标准答案】

ReAct = Reasoning + Acting，是Agent的核心框架。

传统Prompt的局限：

  • 只能基于已有知识回答
  • 无法获取实时信息
  • 无法执行实际操作

ReAct的工作流程：

Thought: 我需要查今天北京的天气
Action: search("北京天气 2026年5月24日")
Observation: 晴，气温28°C
Thought: 用户可能想知道是否适合户外活动
Action: 完成
Answer: 今天北京晴天28度，适合户外活动

核心优势：

  1. 可解释：推理过程透明
  2. 可纠错：Observation能发现错误重新规划
  3. 可扩展：接入任意工具（搜索、计算器、API）

实战框架：LangChain的ReAct Agent、AutoGPT、BabyAGI都是这个思路。

面试加分：提到ReAct的"思维痕迹"可以用来优化提示词，也是一种Few-shot的数据来源。

【面试题】7. Redis实现分布式锁有哪些方案？各自的问题和解决方案是什么？ ​

【标准答案】

方案一：SETNX

redis
SETNX lock:order 1
EXPIRE lock:order 10  # 设置过期时间

问题：两条命令不是原子的，SETNX成功后宕机会死锁。

方案二：SET扩展参数（推荐）

redis
SET lock:order "uuid" NX EX 10

原子操作，解决死锁问题。

方案三：Redisson（生产推荐）

  • 看门狗机制：自动续期
  • 可重入锁：同一线程可多次获取
  • 红锁：多节点防止单点故障

核心问题及解决：

问题解决方案
死锁设置过期时间
误删别人的锁用UUID标识，释放时校验
过期时间不好估计Redisson看门狗自动续期
主从切换丢锁红锁（RedLock）多节点
锁竞争激烈分段锁、乐观锁

面试加分：提到Redis分布式锁的"不可靠"场景，比如GC停顿导致锁过期，极端情况用ZooKeeper。

【面试题】8. 如何评估一个RAG系统的效果？有哪些核心指标？ ​

【标准答案】

RAG评估分两层：检索质量 + 生成质量。

检索层指标：

  • 召回率（Recall）：相关文档找回的比例
  • 精确率（Precision）：找回文档中相关的比例
  • MRR：第一个相关文档的排名倒数
  • MRR@K：前K个结果中第一个相关文档的位置

生成层指标：

  • 忠实度（Faithfulness）：答案是否基于检索内容，无幻觉
  • 答案相关性：答案是否回答了问题
  • 上下文精确度：检索内容是否精炼不冗余

评估框架：

  • RAGAS：开源评估框架，自动化打分
  • TruLens：支持LLM评估LLM
  • 人工评估：最终兜底，但成本高

实战建议：

  1. 先用小数据集调参（chunk_size, top_k）
  2. RAGAS自动化评估
  3. 定期badcase分析优化

面试加分：提到"检索增强"不只是加文档，Embedding模型选择、重排序、查询改写都是优化点。

【面试题】9. Java线程池的核心参数有哪些？如何合理配置？ ​

【标准答案】

七大核心参数：

java
ThreadPoolExecutor(
    int corePoolSize,      // 核心线程数
    int maximumPoolSize,   // 最大线程数
    long keepAliveTime,    // 非核心线程存活时间
    TimeUnit unit,         // 时间单位
    BlockingQueue<Runnable> workQueue,  // 工作队列
    ThreadFactory threadFactory,         // 线程工厂
    RejectedExecutionHandler handler     // 拒绝策略
)

配置原则：

1. 线程数配置

  • CPU密集型：corePoolSize = CPU核心数 + 1
  • IO密集型：corePoolSize = CPU核心数 * (1 + 等待时间/计算时间)
  • 混合型：分开成两个线程池

2. 队列选择

  • ArrayBlockingQueue：有界，防止OOM
  • LinkedBlockingQueue：无界，慎用
  • SynchronousQueue：直接提交，适合任务快

3. 拒绝策略

  • AbortPolicy：抛异常（默认）
  • CallerRunsPolicy：调用者执行
  • DiscardOldestPolicy：丢弃最老任务
  • DiscardPolicy：静默丢弃

监控指标：

  • getActiveCount()：活跃线程
  • getQueue().size()：队列堆积
  • getCompletedTaskCount()：完成任务数

面试加分：提到Spring的@Async默认用SimpleAsyncTaskExecutor（每次新建线程），生产要自定义线程池。

【面试题】10. 大模型微调的LoRA方法是什么原理？相比全量微调有什么优势？ ​

【标准答案】

原理：LoRA（Low-Rank Adaptation）用低秩分解冻结原模型，只训练两个小矩阵。

传统微调：W = W₀ + ΔW，ΔW是满秩矩阵，参数量=原模型。

LoRA：ΔW = B × A，B是d×r，A是r×d，r<<d。

举个例子：

  • 原模型权重：4096×4096 = 16M参数
  • LoRA（r=8）：4096×8 + 8×4096 = 65K参数
  • 参数量减少250倍！

核心优势：

维度全量微调LoRA
显存占用100GB+20GB内
训练速度慢快3-5倍
模型切换需要多个大模型共享基座+多个小adapter
效果最优接近最优（r够大时）

实战应用：

  • QLoRA：4bit量化+LoRA，单卡微调65B模型
  • 多任务场景：一个基座模型+多个LoRA adapter
  • 推理时：W = W₀ + α × B × A，α控制适配强度

面试加分：提到LoRA的局限——对基座模型能力要求高，如果基座不懂中文，LoRA很难救回来。

【本轮题目统计】

方向题号考点
AI1大模型原理-涌现能力
AI2向量数据库选型
AI4提示词工程-CoT/ToT
AI6AI Agent-ReAct框架
AI8RAG系统评估
AI10模型微调-LoRA
Java3Spring事务失效
Java5MySQL索引
Java7Redis分布式锁
Java9线程池配置

覆盖维度：技术基础、架构设计、场景实操、性能优化