本轮 AI+Java中级开发面试题库（带答案）

生成时间：2026-05-24 20:29 题目数量：10道 AI:Java 比例：5:5

【面试题】1. 请解释大语言模型中的"幻觉"现象，以及在实际项目中如何有效降低幻觉风险？

【标准答案】幻觉是指大模型生成看似合理但实际上不准确或虚构的内容。原因主要有：模型训练数据中的噪声、生成式模型的概率特性、以及上下文理解偏差。

在项目中降低幻觉的实用方法：

RAG检索增强：引入外部知识库，让模型基于真实文档回答，而不是依赖参数记忆
提示词约束：明确要求"如果不确定，请直接说不知道"，并设置温度参数为较低值（如0.3）
多轮验证：对关键回答使用模型自反思，让模型检查自己的答案
引用溯源：要求模型在回答时标注信息来源，方便人工核查

我之前做的智能客服项目中，通过接入企业知识库做RAG，幻觉率从20%降到了5%以下。

【面试题】2. Java中synchronized和ReentrantLock有什么区别？什么场景下会选择ReentrantLock？

【标准答案】核心区别有四点：

实现层面：synchronized是JVM层面的关键字，ReentrantLock是JUC包下的API类
锁获取方式：synchronized自动加锁解锁，ReentrantLock需要手动lock()和unlock()，必须在finally中释放
功能特性：ReentrantLock支持公平锁选择、可中断锁获取、尝试非阻塞获取锁，synchronized不支持
性能：JDK6之后synchronized做了大量优化，性能差距不大，但高竞争场景下ReentrantLock更稳定

选择ReentrantLock的场景：

需要公平锁保证顺序
需要tryLock尝试获取，获取不到要有降级逻辑
需要响应中断，避免死等
需要配合Condition实现精细的线程通信

实际项目里，如果是简单同步，用synchronized更简洁；涉及复杂锁逻辑时，用ReentrantLock。

【面试题】3. 什么是RAG（检索增强生成）？它解决了大模型应用的哪些痛点？

【标准答案】 RAG是Retrieval-Augmented Generation的缩数，核心思路是：先从知识库检索相关文档，再把文档作为上下文喂给大模型，让模型基于检索结果生成答案。

解决的痛点：

知识时效性：大模型训练有截止日期，RAG可以接入最新数据，比如今天的新闻、最新的产品文档
领域专业性：企业私有数据没在模型训练集中，RAG可以让模型"学会"企业的业务规则和技术文档
幻觉问题：有检索结果作为"证据"，模型生成的答案更可靠，还能溯源引用
成本控制：不用为了新知识重新训练模型，检索即用，成本远低于微调

典型流程：用户提问 → 向量化 → 向量数据库检索top-K → 文档片段拼接prompt → 大模型生成答案。

【面试题】4. Spring Boot中@Autowired和@Resource有什么区别？实际开发推荐用哪个？

【标准答案】区别主要有三点：

来源：@Autowired是Spring自带的，@Resource是JSR-250标准，来自JDK
注入方式：@Autowired默认按类型注入，配合@Qualifier可以按名称；@Resource默认按名称注入
依赖性：@Autowired必须要有Spring容器支持，@Resource更通用，其他容器也能用

实际开发推荐用@Autowired，原因：

Spring生态更统一，IDE支持更友好
配合构造器注入（Spring 4.3+可省略@Autowired），代码更简洁，也能明确依赖关系
单元测试时Mock更方便

不过如果是跨框架项目，或者要遵循JDK标准规范，@Resource也可以。

【面试题】5. 设计一个AI Agent系统，能够自动分析用户问题、调用合适工具并给出答案，请描述核心架构。

【标准答案】 AI Agent的核心架构分五个模块：

意图理解模块：大模型解析用户输入，识别任务类型（查询类、操作类、分析类等）
工具调度模块（Tool Router）：
- 维护工具注册表（API、数据库、代码执行器等）
- 大模型根据任务规划，选择调用哪些工具
- 典型框架：LangChain的Agent + Tools，或Spring AI的Function Calling
执行引擎：实际调用工具，获取结果，处理异常和超时
记忆模块：
- 短期记忆：当前对话的上下文
- 长期记忆：向量数据库存储历史交互和知识
输出模块：汇总工具执行结果，大模型生成自然语言回复

关键技术点：

提示词工程：设计System Prompt，引导模型遵循ReAct（Reasoning + Acting）范式
工具描述：每个工具的描述要清晰，让模型知道何时调用、如何传参
容错机制：工具调用失败时，要有重试或降级策略

【面试题】6. MySQL索引什么情况下会失效？请列举常见场景和优化建议。

【标准答案】索引失效的常见场景：

LIKE以通配符开头：如LIKE '%abc'，索引失效；LIKE 'abc%'可以走索引
索引列参与计算：WHERE age + 1 = 30，对age列的计算导致索引失效
函数作用于索引列：WHERE DATE(create_time) = '2024-01-01'，函数导致失效
隐式类型转换：字段是varchar，查询用数字，如WHERE phone = 13800138000（phone是varchar）
负向查询：NOT IN、!=、<>、NOT EXISTS通常不走索引
OR连接非索引列：WHERE indexed_col = 1 OR non_indexed_col = 2
索引列使用IS NULL或IS NOT NULL：部分场景失效，取决于数据分布

优化建议：

LIKE查询避免前缀通配，考虑用全文索引或Elasticsearch
计算放到应用层，SQL保持索引列"纯净"
用函数索引（MySQL 8.0+）或虚拟列
保证类型一致，避免隐式转换
OR场景考虑拆分成UNION ALL

【面试题】7. 向量数据库（如Milvus/Pinecone）在AI应用中起什么作用？与传统数据库有什么区别？

【标准答案】向量数据库专门用于存储和检索高维向量数据，在AI应用中的核心作用：

相似度搜索：快速找到与查询向量最相似的top-K结果，用于RAG、推荐系统、图像检索
语义匹配：把文本、图片转成向量后，相似语义的内容向量距离也近
大规模检索：传统数据库无法高效处理百万级向量的相似度计算，向量数据库用ANN（近似最近邻）算法优化

与传统数据库的区别：

维度	传统数据库	向量数据库
数据类型	结构化数据（表、行、列）	向量（浮点数组）
查询方式	精确匹配（WHERE、JOIN）	相似度匹配（余弦距离、欧氏距离）
索引结构	B+树、哈希	HNSW、IVF、PQ等向量索引
典型场景	事务处理、报表	RAG、推荐、图像搜索

典型流程：文本 → Embedding模型（如text-embedding-ada-002） → 向量 → 存入向量库 → 查询时做相似度检索。

【面试题】8. 请解释JVM的垃圾回收算法，CMS和G1收集器有什么区别？

【标准答案】主流垃圾回收算法：

标记-清除：标记存活对象，清除未标记的。缺点：内存碎片
标记-整理：标记后把存活对象移到一端。优点：无碎片，适合老年代
复制算法：分成两块，把存活对象复制到另一块。优点：简单高效，适合新生代
分代收集：新生代用复制，老年代用标记-整理或CMS

CMS（Concurrent Mark Sweep）：

目标：最低停顿时间
过程：初始标记（STW）→ 并发标记 → 重新标记（STW）→ 并发清除
缺点：CPU敏感、有内存碎片、浮动垃圾问题

G1（Garbage First）：

目标：可控停顿时间 + 高吞吐
思路：把堆分成多个Region，按回收价值优先回收垃圾多的Region
优点：无内存碎片、可预测停顿时间、适合大堆（6GB+）

实际选择：小堆用CMS，大堆用G1，云原生场景考虑ZGC。

【面试题】9. 如何设计一个高效的提示词（Prompt）来让大模型生成高质量的代码？

【标准答案】高效提示词的结构：角色设定 + 任务描述 + 约束条件 + 示例 + 输出格式

具体设计：

角色设定："你是一个资深Java开发工程师，熟悉Spring Boot和微服务架构"
任务描述：
- 明确要生成什么功能
- 提供上下文：现有代码结构、依赖版本、业务场景
- 说明输入输出格式
约束条件：
- "代码要包含异常处理和日志记录"
- "遵循阿里巴巴Java开发规范"
- "不要使用过时的API"
Few-shot示例：给1-2个相似功能的代码示例，让模型有参照
- 示例要简洁，突出模式
- 示例质量要高，模型会模仿风格
输出格式：
- "只输出代码，不要解释"
- "代码用Markdown代码块包裹，标注语言"

进阶技巧：

分步骤生成：先生成接口设计，再生成实现，最后生成测试用例
迭代优化：第一次生成后，追加"请优化性能"或"请添加注释"
用System Prompt固定风格，User Prompt描述具体任务

【面试题】10. Redis如何实现分布式锁？有什么注意事项和优化方案？

【标准答案】基础实现（SETNX）：

java

SETNX lock_key unique_value
EXPIRE lock_key 30  // 设置过期时间
// 执行业务
DEL lock_key  // 释放锁

问题：SETNX和EXPIRE不是原子操作，可能死锁。

优化方案一：SET扩展命令（推荐）

java

SET lock_key unique_value NX EX 30
// NX：不存在才设置
// EX：设置过期时间

优化方案二：Lua脚本保证原子性释放锁时，要检查value是否是自己加的，避免误删别人的锁：

lua

if redis.call("GET", KEYS[1]) == ARGV[1] then
    return redis.call("DEL", KEYS[1])
else
    return 0
end

注意事项：

锁续期：业务执行时间超过过期时间，需要看门狗线程续期
锁释放：只有加锁的线程才能释放，用unique_value标识
集群问题：主从切换时锁可能丢失，用Redlock算法（多节点加锁）

实际方案：

简单场景：Redis SET NX EX + Lua释放
复杂场景：Redisson框架（已实现看门狗、可重入锁、联锁）

本轮面试题生成完毕

本轮 AI+Java中级开发面试题库（带答案） ​

【面试题】1. 请解释大语言模型中的"幻觉"现象，以及在实际项目中如何有效降低幻觉风险？ ​

【面试题】2. Java中synchronized和ReentrantLock有什么区别？什么场景下会选择ReentrantLock？ ​

【面试题】3. 什么是RAG（检索增强生成）？它解决了大模型应用的哪些痛点？ ​

【面试题】4. Spring Boot中@Autowired和@Resource有什么区别？实际开发推荐用哪个？ ​

【面试题】5. 设计一个AI Agent系统，能够自动分析用户问题、调用合适工具并给出答案，请描述核心架构。 ​

【面试题】6. MySQL索引什么情况下会失效？请列举常见场景和优化建议。 ​

【面试题】7. 向量数据库（如Milvus/Pinecone）在AI应用中起什么作用？与传统数据库有什么区别？ ​

【面试题】8. 请解释JVM的垃圾回收算法，CMS和G1收集器有什么区别？ ​

【面试题】9. 如何设计一个高效的提示词（Prompt）来让大模型生成高质量的代码？ ​

【面试题】10. Redis如何实现分布式锁？有什么注意事项和优化方案？ ​