面灵AI→

滴滴 AI 应用 / Java 后端二面:硬编码规则的边界、工作流调度与 AI 代码把关

轮次
二面
时间
2026-11
来源
牛客网

《面试题目》

项目与学校经历

  1. 课程是否涉及 AI?有无实验室或导师项目经历?
  2. 选一个印象深、帮助大的实习项目介绍。
  3. 使用的是公司自研模型,还是外部模型?
  4. 为什么需要硬编码?数据清洗、结构化和规则不能都让 AI 做吗?
  5. 如果规则、规范或 Prompt 足够明确,还会有幻觉吗?
  6. 总结是预先生成,还是面试过程中不断更新?
  7. 是定时生成,还是点击后才生成?最终落在哪里?
  8. 工作流整体耗时是多少?
  9. 如何管控耗时、并发和任务处理?
  10. 做了哪些细分场景优化?
  11. 怎么识别岗位并路由到不同场景?

AI 辅助完整软件开发

  1. 拿到一批历史系统和代码仓库,如何用 AI 快速上手?
  2. 实习主要是工作流和脚本,有没有更完整的 Java / AI Coding 项目?
  3. 怎么避免 AI 写出有问题的功能,而自己还不知道?
  4. AI 设计表字段和索引,你会怎样审核?
  5. 历史前端系统被用户反馈功能异常,如何借助 AI 解决?

Java 与分布式并发

  1. Java 怎么做到线程安全?
  2. 分布式系统的并发安全怎么解决?
  3. 什么场景使用线程池?

《参考解析》

为什么还要硬编码:模型擅长理解与生成,不擅长「必须每次都对」的确定性问题。数据清洗中的字段映射、单位换算、枚举归一、时间格式、必填校验,用代码做是确定且可测试的,交给模型则每次结果可能不同、还会引入幻觉;规则还承担合规与审计要求(谁能看到什么、哪些结论必须留痕)。合理分工是:确定性的抽取、校验、路由用代码,语义理解、归纳、生成用模型,模型输出再过一遍代码校验。被问「Prompt 足够明确还会不会幻觉」时,答案是会——幻觉来自模型对未见信息的补全,不来自指令不清;指令只能降低概率,不能消除,所以关键字段必须由程序校验或人工确认。

总结的生成时机与落点:预生成适合结果稳定、可离线计算的场景(面试结束后统一生成报告),成本可控、失败可重试;实时更新适合需要随对话推进的场景,但每次调用都要带全上下文、成本高、延迟敏感。工程上常用「增量摘要 + 终稿生成」:过程中按轮次或时间窗做增量摘要,结束时基于摘要与关键片段生成终稿。结果落库要存版本、模型、提示词版本与输入摘要,便于复现与追责。

工作流耗时与并发:先把耗时拆开(模型调用、检索、数据拉取、后处理),再针对最大项优化:能并行的节点并行(如多个维度同时抽取)、能缓存的缓存(相同输入与配置命中缓存)、模型调用做流式与超时控制、长任务异步化并给前端进度。并发控制要有限流(按用户、按下游)、队列与优先级、失败重试与熔断;任务状态机要能恢复,进程重启后未完成任务可续跑。

岗位识别与路由:先做规则兜底(关键词、岗位字典、公司库精确匹配),命中即走确定路径;未命中再用模型分类,输出限定在枚举集合内并给出置信度,低置信度走通用路径或追问。路由结果要可观测(记录命中规则、模型输出、最终路径),便于发现分类漂移。

用 AI 接手历史系统:先建索引(目录结构、模块职责、接口清单、数据表关系),再让 AI 基于检索回答具体问题,而不是把整个仓库丢进上下文。有效做法是「从调用链入手」:给一个入口(接口、定时任务、页面),让 AI 追出调用链与数据流,再由人核对关键分支。要防范 AI 编造不存在的函数与配置,所有结论回到源码行号验证。

AI 代码的把关:分三层——生成时给足约束(接口签名、类型、现有工具函数、禁止引入的依赖);生成后跑确定性检查(编译、类型、lint、单测、集成测试);合入前人工看关键路径(边界、错误处理、并发、权限)。对表结构与索引的审核要点是:字段类型与长度是否匹配业务、是否可空、默认值、唯一约束、索引是否覆盖真实查询(看 where/order by/join 的列顺序)、写入放大的代价、以及上线与回滚方案(大表加索引要评估锁与耗时)。AI 给的建议必须用执行计划验证。

线上功能异常借助 AI:先收集事实(错误日志、请求 ID、时间窗、影响面、最近变更),再让 AI 在给定证据内做假设排序,而不是让它自由发挥。排查路径是「最近变更 → 依赖状态 → 数据异常 → 代码缺陷」,每一步都用日志或数据验证。AI 的价值在快速读大量日志、比对代码差异、生成复现步骤,最终判断仍由人做。

Java 线程安全:不可变对象、线程封闭(ThreadLocal、栈上变量)、同步(synchronized、ReentrantLock)、原子类与 CAS、并发容器(ConcurrentHashMap、BlockingQueue)、以及用消息队列把并发变成串行。要讲清 volatile 只保证可见性与禁止重排、不保证原子性;ConcurrentHashMap 的分段/CAS 演进与复合操作要用原子方法(computeIfAbsent)而不是「先 get 再 put」。

分布式并发安全:单机锁在多实例下失效,需要分布式锁(Redis 的 SET NX PX + Lua 释放、ZooKeeper 临时顺序节点)或把并发收敛到单点(按业务键哈希到同一实例、数据库唯一约束、队列串行消费)。分布式锁要处理锁过期与业务未完成(看门狗续期或 fencing token)、主从切换丢锁、以及重入问题。更强一致的方案是数据库乐观锁/悲观锁或状态机(UPDATE ... WHERE status = ?),用影响行数判断是否抢到。

线程池场景:适合把「提交与执行解耦」的任务——异步通知、批量计算、IO 密集的远程调用聚合、需要限流的后台任务。不适合长时间阻塞且需要严格顺序的任务,也不适合 CPU 密集且数量巨大的计算(会争抢核)。参数按任务类型定,队列必须有界,拒绝策略要明确(调用方执行、降级、丢弃并记录),并监控活跃线程数、队列长度、拒绝次数与任务耗时。