互联网大厂 Java 求职面试实战：从 Spring Boot 到 AI 复合场景的 3 轮深度问答

标签：Java, 面试, SpringBoot, 微服务, AI, 大数据, Kafka, Redis, SpringSecurity, CI/CD

场景设定

面试官（严肃且专业） 谢飞机（自称 “水货程序员”，却在简单问题上能答出要点，遇到复杂点则支支吾吾）

面试官给出的业务背景是 “一个面向内容社区与 UGC 的 AI 驱动推荐系统”， 需要支撑音视频上传、弹幕实时、AI 生成摘要、精准推荐、以及高并发的消息推送。整个系统采用微服务架构，底层依赖 Java 生态的全链路技术栈。

下面的 3 轮提问 按照业务场景由浅入深，兼顾 技术点的连贯性 与 面试官的引导，并在每轮结束后给出 详尽答案 与 小白学习笔记。

第一轮：基础设施与核心框架（3‑5 问）

1. Spring Boot 与 Maven：请说明如何使用 Maven 创建一个 Spring Boot 项目并配置默认端口为 8088。
2. 数据库连接池：在高并发场景下，你会选用哪款连接池？请简述 HikariCP 与 C3P0 的核心区别。
3. ORM 框架：若业务涉及大量的 读写分离，你会如何在 MyBatis 中实现主从切换？
4. 日志框架：请写出在 Spring Boot 中使用 Logback 输出 JSON 格式日志的配置片段。
5. 单元测试：举例说明 JUnit 5 与 AssertJ 配合使用的基本写法。

第二轮：微服务、消息与缓存（3‑5 问）

1. Spring Cloud 与 Eureka：简述服务注册与发现的流程，并说明如何在 application.yml 中配置 Eureka 客户端。
2. Kafka 消息：在用户上传视频后，需要异步触发 AI 摘要生成，如何使用 Spring Kafka 完成 生产者 的可靠发送（事务/幂等）？
3. 缓存选型：对于热点文章的阅读计数，你会选用什么缓存？请比较 Redis 与 Caffeine 的优缺点。
4. 容错与降级：在调用外部 AI 服务时，如何使用 Resilience4j 实现 超时 与 熔断？
5. CI/CD：简述使用 GitLab CI 与 Docker 自动化构建 Spring Boot 镜像的关键步骤。

第三轮：AI、安全与运维（3‑5 问）

1. Spring AI 与向量检索：请解释如何在系统中集成 Milvus 向量数据库，实现基于 Embedding 的相似内容检索。
2. JWT 与 Spring Security：在微服务网关层，你会怎样使用 JWT 完成无状态身份验证？请给出关键的配置代码。
3. OpenTelemetry 与 Jaeger：如果需要全链路追踪用户的上传‑AI‑推荐过程，你会怎样在 Spring Boot 中接入 OpenTelemetry 并将数据推送到 Jaeger？
4. Prometheus 与 Grafana：请列出两项关键业务指标（Metric）以及对应的 PromQL 示例。
5. AI 幻觉（Hallucination）防护：面对大语言模型可能产生的错误答案，你会在系统层面做哪些防护措施？

面试官的收尾

面试官："谢飞机，你今天的表现还不错，尤其在 Spring Boot 与 Kafka 的细节上把握得很到位。不过在 AI 向量检索和安全细节上还有待加强。回去好好复习，等我们有进一步的结果会再联系你。"

详细答案与技术解读（供小白学习）

第一轮答案

1. Maven 创建 Spring Boot 项目

   mvn archetype:generate \
       -DgroupId=com.example \
       -DartifactId=ugc‑ai‑service \
       -DarchetypeArtifactId=maven‑archetype‑quickstart \
       -DinteractiveMode=false
   

   在 pom.xml 中加入 Spring Boot 父 POM 并配置 spring-boot-maven-plugin。

   <parent>
       <groupId>org.springframework.boot</groupId>
       <artifactId>spring-boot-starter-parent</artifactId>
       <version>2.7.5</version>
   </parent>
   <properties>
       <java.version>11</java.version>
   </properties>
   

   默认端口：在 src/main/resources/application.yml

   server:
     port: 8088
   

2. 连接池选型
   • HikariCP：轻量、启动快、内部采用异步队列，性能领先。
   • C3P0：历史悠久，功能丰富（如自动回收），但在高并发下吞吐量略低。
3. MyBatis 主从切换
   • 使用 Spring‑Boot‑Starter‑Mybatis 并配置 动态数据源（如 Atomikos 或 ShardingSphere）。
   • 在 @Transactional 注解中加入 propagation = Propagation.REQUIRES_NEW 并通过 AOP 切面决定读写路由。
4. Logback JSON 输出

   <configuration>
       <appender name="STDOUT" class="ch.qos.logback.core.ConsoleAppender">
           <encoder class="net.logstash.logback.encoder.LoggingEventCompositeJsonEncoder"/>
       </appender>
       <root level="INFO">
           <appender-ref ref="STDOUT"/>
       </root>
   </configuration>
   

5. JUnit 5 + AssertJ 示例

   @Test
   void shouldCalculateDiscount() {
       Order order = new Order(100);
       order.applyDiscount(0.1);
       assertThat(order.getTotal()).isEqualTo(90);
   }
   

第二轮答案

1. Eureka 配置

   eureka:
     client:
       service-url:
         defaultZone: http://eureka-server:8761/eureka/
   

2. Kafka 事务生产者

   @Bean
   public KafkaTemplate<String, String> kafkaTemplate(ProducerFactory<String, String> pf) {
       pf.getConfigurationProperties().put(ProducerConfig.TRANSACTIONAL_ID_CONFIG, "video‑summary‑tx");
       KafkaTemplate<String, String> template = new KafkaTemplate<>(pf);
       template.setTransactionIdPrefix("tx-");
       return template;
   }
   
   // 发送示例
   kafkaTemplate.executeInTransaction(t -> t.send("summary-topic", key, value));
   

3. Redis vs Caffeine
   • Redis：分布式、持久化、支持过期策略，适合跨服务热点计数。
   • Caffeine：本地 JVM 缓存，读写极快，适合作为二级缓存或单实例计数。
4. Resilience4j 超时/熔断

   @Bean
   public Retry retry() { return Retry.ofDefaults("aiService"); }
   @Bean
   public TimeLimiter timeLimiter() { return TimeLimiter.of(Duration.ofSeconds(2)); }
   @Bean
   public CircuitBreaker circuitBreaker() { return CircuitBreaker.ofDefaults("aiService"); }
   

5. GitLab CI Docker 构建

   stages:
     - build
   build_image:
     stage: build
     image: docker:latest
     services:
       - docker:dind
     script:
       - docker login -u $CI_REGISTRY_USER -p $CI_REGISTRY_PASSWORD $CI_REGISTRY
       - docker build -t $CI_REGISTRY_IMAGE:$CI_COMMIT_SHORT_SHA .
       - docker push $CI_REGISTRY_IMAGE:$CI_COMMIT_SHORT_SHA
   

第三轮答案

1. Spring AI + Milvus
   • 使用 Spring AI 提供的 EmbeddingModel（如 OpenAI）生成向量。
   • 将向量写入 Milvus 集合（Embedding 字段），查询时使用 向量相似搜索（L2 或 IP）。

   @Service
   public class VectorSearchService {
       private final MilvusClient milvus;
       private final EmbeddingModel model;
       public List<Long> searchSimilar(String text) {
           float[] vec = model.embed(text);
           SearchParam param = SearchParam.builder()
                   .withVector(vec)
                   .withTopK(5)
                   .build();
           return milvus.search(param).getIds();
       }
   }
   

2. JWT + Spring Security

   @Configuration
   public class SecurityConfig extends WebSecurityConfigurerAdapter {
       @Override
       protected void configure(HttpSecurity http) throws Exception {
           http.csrf().disable()
               .sessionManagement().sessionCreationPolicy(SessionCreationPolicy.STATELESS)
               .and()
               .addFilterBefore(new JwtAuthFilter(jwtProvider), UsernamePasswordAuthenticationFilter.class)
               .authorizeRequests()
               .antMatchers("/api/public/**").permitAll()
               .anyRequest().authenticated();
       }
   }
   

3. OpenTelemetry + Jaeger
   • 引入 spring-boot-starter-opentelemetry。
   • 在 application.yml 中配置 Jaeger 导出器。

   otel:
     exporter:
       jaeger:
         endpoint: http://jaeger:14250
   

4. Prometheus 指标 & PromQL
   • 视频上传成功率：sum(rate(video_upload_success_total[1m])) / sum(rate(video_upload_total[1m]))
   • AI 摘要延迟：histogram_quantile(0.95, sum(rate(ai_summary_latency_seconds_bucket[5m])) by (le))
5. 防止 AI 幻觉
   • Chunked Prompt：把检索到的文档按段落分块，让 LLM 只在相关片段上生成答案。
   • Post‑validation：使用规则引擎（Drools）或二次查询（RAG）校验关键字段是否在原文中出现。
   • 置信度阈值：返回答案前检查模型的 log‑prob 或 token‑level 置信度，低于阈值则返回 “暂无答案”。

小结

本篇文章通过 面试官与谢飞机的三轮对话，把 Java 大厂面试 常见的技术栈与业务场景（UGC、AI 推荐、音视频）有机结合。每个问题都配有完整代码示例和概念解释，帮助 零基础的小白 能快速建立对 Spring 生态、微服务、AI 向量检索、以及全链路监控 的系统认知。

温馨提示：在准备面试时，务必把 概念 → 实践 → 常见坑 三个层面都熟悉一次，尤其是 分布式事务、向量检索、安全防护，因为这些往往是面试官的“拔高点”。祝大家面试顺利，早日进入理想的大厂！