Java大厂面试真题：Spring Boot+微服务+AI智能客服三轮技术拷问实录

面试官（推了推眼镜，面无表情）：请进。

战五渣（紧张地搓手）：您好！我是来面试Java开发岗的，三年经验，主攻Spring Boot……

面试官：嗯，我们是做智慧医疗+AI智能客服系统的，用的是Spring Cloud Alibaba + Spring AI + 向量数据库。先从基础开始吧。

---

🟢 第一轮：核心框架与Web技术（电商场景衔接）

Q1：Spring Boot自动装配原理是什么？

战五渣：这个我知道！就是通过@SpringBootApplication注解，它包含了@EnableAutoConfiguration，会扫描META-INF/spring/org.springframework.boot.autoconfigure.package文件里的配置类，然后根据条件注解比如@ConditionalOnClass来决定是否加载Bean。

面试官（点头）：不错，理解到位。那如果我想自定义一个starter，该怎么写？

战五渣：要新建一个Maven项目，引入spring-boot-autoconfigure，然后写一个Configuration类，加上条件注解，最后在META-INF/spring.factories里注册……哦不对，现在是META-INF/spring/org.springframework.boot.autoconfigure.autoconfiguration.imports了！

面试官：很好，跟上了版本变化。继续——你们项目里用Redis缓存商品信息，怎么避免缓存穿透？

战五渣：用布隆过滤器！先把所有合法key放进去，查询前先判断是否存在。或者缓存空值，设置短过期时间。

面试官：如果缓存雪崩呢？

战五渣：给不同key加随机过期时间，比如原本8小时，加个±1小时的偏移；再配合多级缓存和限流降级……

面试官：还行。那用过RabbitMQ吗？

战五渣：用过！发短信验证码的时候用的，生产者发送，消费者异步处理，保证最终一致性。

---

🟡 第二轮：微服务与云原生（智慧医疗场景延伸）

Q1：你们服务之间是怎么鉴权的？

战五渣：呃……我们用JWT，在网关校验token……

面试官：JWT存在哪些安全风险？

战五渣：啊？不是挺安全的吗……

面试官：比如没有刷新机制、容易被窃取、无法主动注销。你们有没有结合OAuth2？

战五渣：啊……我们没用那么复杂，就自己生成token……

面试官（皱眉）：那Eureka和Nacos有什么区别？

战五渣：Eureka是Netflix的，Nacos是阿里的……Eureka不更新了？

面试官：对，停更了。Zookeeper呢？CP还是AP？

战五渣：ZooKeeper是CP系统，强调一致性……但网络分区时可能不可用……

面试官：那Consul呢？

战五渣：好像是AP？不对……等等，我记混了……

面试官（打断）：Consul支持多种模式，默认是CP。下一个——你们日志怎么收集的？

战五渣：用ELK，Logback输出到Filebeat，传到ES，Kibana查……

面试官：有没有做过链路追踪？

战五渣：Zipkin？我们项目没集成……但我知道它是靠TraceID串联请求的！

---

🔴 第三轮：AI融合架构（企业智能客服场景）

Q1：了解RAG吗？

战五渣：知道知道！Retrieval-Augmented Generation，先检索再生成，避免幻觉！

面试官：具体流程？

战五渣：用户提问 → 向量化 → 在向量数据库查相似文档 → 拼成Prompt → 给大模型生成答案。

面试官：用过哪些向量数据库？

战五渣：Redis也能做向量搜索！还有Milvus、Chroma……

面试官：Embedding模型用哪个？

战五渣：OpenAI的text-embedding-ada-002……本地的话可以用Ollama跑BGE……

面试官：Agentic RAG和普通RAG有什么区别？

战五渣：呃……就是多了个Agent？能自己决策要不要查资料？

面试官：工具执行框架了解吗？比如Spring AI的Tool Calling？

战五渣：这个……好像可以调外部API？但我没实战过……

面试官：如果AI回答错误医疗建议，怎么办？

战五渣：加审核？提示词里写不准瞎说？

面试官（叹气）：要有兜底知识库、人工复核流程、责任边界划分……好了，今天就到这里。

战五渣（松口气）：谢谢老师！

面试官：你先回去等通知吧。

---

✅ 真题解析：从小白到高手的技术跃迁

一、第一轮技术点详解

1. Spring Boot自动装配

• 原理：基于spring.factories或autoconfiguration.imports加载配置类
• 条件装配：@ConditionalOnClass, @ConditionalOnMissingBean等
• 自定义Starter：命名规范为xxx-spring-boot-starter

2. 缓存三大问题

问题	解决方案
穿透	布隆过滤器、缓存空值
雪崩	随机TTL、多级缓存、熔断
击穿	热点数据永不过期 + 异步更新

3. RabbitMQ应用场景

• 异步解耦：订单→短信、邮件通知
• 流量削峰：秒杀系统中缓冲请求
• 可靠投递：confirm机制+手动ACK

---

二、第二轮深度剖析

1. 微服务安全

• JWT缺陷：无法主动失效、需配合黑名单或短期Token
• 推荐方案：OAuth2 + JWT + Opaque Token + Gateway鉴权

2. 注册中心对比

工具	一致性模型	特点
Eureka	AP	自治，适合高可用
Zookeeper	CP	强一致，选举耗时
Nacos	支持AP/CP	动态切换，国产首选
Consul	CP为主	多数据中心支持

3. 分布式追踪

• 实现方式：Sleuth生成TraceID → Zipkin/Jeager收集 → Grafana展示
• 核心字段：TraceID, SpanID, ParentSpanID

---

三、AI融合系统设计

1. RAG全流程

User Query → Embedding Model → Vector DB Search → Context Augmentation → LLM → Response

• 关键组件：向量化模型、语义检索、Prompt工程

2. 向量数据库选型

• Milvus：高性能，适合大规模
• Chroma：轻量级，Python友好
• Redis：已有的Redis可扩展模块，节省成本

3. 防止AI幻觉

• 方法：
  • 上下文约束（Contextual Grounding）
  • 置信度阈值过滤
  • 人工审核通道
  • 提示词中明确“不知道就说不知道”

4. Agentic RAG

• 不只是检索→生成，而是让Agent自主决策：
  • 是否需要查资料？
  • 查几次？
  • 调用哪个工具？
• 典型框架：LangChain, Semantic Kernel, Spring AI

---

四、业务场景串联

我们以【智慧医疗AI客服】为例：

1. 用户问：“高血压吃什么药？”
2. 系统使用BGE模型将问题向量化
3. 在Milvus中检索《中国高血压防治指南》相关段落
4. 拼接成Prompt，调用通义千问生成回答
5. 加上免责声明：“本回答仅供参考，具体请咨询医生”
6. 日志上报ELK，链路追踪记录全过程

这样既发挥了AI的语言能力，又规避了医疗风险。

---

💡 总结建议：

• 基础要牢：Spring Boot、JVM、MySQL、Redis必须扎实
• 微服务要懂治理：注册发现、配置中心、熔断限流
• AI不是噱头：要能落地到真实业务，解决幻觉、可控性问题
• 架构思维：能讲清楚为什么选A而不是B

祝各位早日拿下大厂Offer！