面试官与水货程序员谢飞机的 Java 大厂面试实战

场景：音视频内容社区平台（类似抖音短视频）后端招聘，面试官严肃，程序员谢飞机（自称“水货”）搞笑却偶尔答出要点。全程围绕 Java SE、Spring 生态、微服务、缓存、消息队列、监控、安全、AI 大模型 等技术栈展开，共三轮、每轮 3‑5 个递进问题。

第一轮：基础设施与架构设计

1. 请描述一下你在项目中使用 Maven/Gradle 管理依赖的经验，为什么要使用多模块工程？
2. Spring Boot 与传统 Spring MVC 项目在启动速度和自动配置上有什么区别？
3. 在高并发音视频上传场景下，你会选用哪种数据库和连接池？请说明理由。
4. 如何使用 Flyway（或 Liquibase）管理数据库版本？
5. 简述一下 HikariCP 与 C3P0 的主要区别，以及在生产环境中如何做监控。

第二轮：微服务、容错与消息系统

1. 请解释 Spring Cloud Netflix Eureka 与 Consul 的注册中心原理，并说说各自适用的场景。
2. 在音视频处理链路中，为什么会使用 Kafka 而不是 RabbitMQ？请给出两点技术对比。
3. 介绍一下 Resilience4j 的限流（RateLimiter）和熔断（CircuitBreaker）如何配置，举例说明在上传服务的异常降级。
4. OpenFeign 与 RestTemplate 的区别是什么，如何在 Feign 接口上添加 JWT 鉴权？
5. 如果要在微服务之间实现实时字幕推送，选用哪种技术（WebSocket、Server‑Sent Events、gRPC）最合适？请说明原因。

第三轮：安全、监控、AI 大模型集成

1. Spring Security 如何实现基于 OAuth2 的登录授权，并在前后端分离的音视频平台中使用 JWT？
2. 在日志体系中，你会如何组合 Logback、SLF4J 与 ELK Stack，实现日志的结构化与聚合？
3. 请说明使用 Micrometer 与 Prometheus、Grafana 监控微服务的关键指标（如 QPS、延迟、GC）以及如何自定义业务指标。
4. 面对内容审核的 AI 需求，你准备怎样利用 Spring AI 与 OpenAI 的 Embedding 模型实现向量化检索（RAG）？涉及的组件包括向量数据库、提示填充和工具调用。
5. 在生产环境中，如何防止 AI 幻觉（Hallucination）导致错误审核结果？请给出两种技术手段。

参考答案（文章末尾）

在 第一轮，谢飞机的回答大致如下：

• Maven 多模块有助于分层管理业务、公共、工具模块，提升编译速度与依赖可视化；Gradle 则因其增量编译更适合大项目。
• Spring Boot 通过 spring-boot-starter 自动装配，约 30% 启动时间相较于传统 Spring MVC，且约 70% 的配置免写。
• 对于音视频上传，倾向使用 MySQL（或 PostgreSQL） + HikariCP，因为其高并发获取连接能力；如果是时序写入可考虑 ClickHouse。
• Flyway 通过 V1__init.sql、V2__add_column.sql 等版本文件顺序执行，配合 spring.flyway.enabled=true 在启动时自动迁移。
• HikariCP 采用 Fast‑Path 连接获取，延迟在 1‑2 ms；C3P0 则更老旧，监控可通过 HikariPool-Metrics JMX 暴露给 Prometheus。

在 第二轮，谢飞机的回答稍显含糊，但要点包括：

• Eureka 采用 基于 HTTP 的心跳，适合 AWS 私有云；Consul 支持 KV 存储 与 健康检查，更适合多语言混合环境。
• Kafka 天生 高吞吐、持久化、分区，适合视频上传的海量日志与事件流；RabbitMQ 更适合 任务调度、消息确认 的场景。
• Resilience4j 中 RateLimiter.ofDefaults() 设置每秒 100 次请求，CircuitBreaker 通过 failureRateThreshold（默认 50%）熔断；在上传服务出现 5xx 时可 fallback 返回 “上传服务暂时不可用”。
• Feign 在接口上加 @RequestHeader("Authorization") String token，配合 OAuth2ResourceServer 自动注入 JWT；相比 RestTemplate 更易维护。
• 实时字幕推送建议使用 WebSocket，因其 双向、低延迟，而 SSE 只能单向，gRPC 则需要额外的流式实现成本。

在 第三轮，谢飞机虽然有点紧张，但仍交代了核心思路：

• Spring Security + OAuth2 Resource Server 可直接解析 JWT，在 SecurityFilterChain 中配置 http.oauth2ResourceServer().jwt()；
• Logback 配合 Logstash Encoder 输出 JSON，使用 SLF4J 统一 API，ELK 收集后通过 Kibana 可视化；
• Micrometer 提供 Timer、Counter，在 application.yml 中开启 management.metrics.export.prometheus.enabled=true，Grafana 仪表盘展示 QPS、99th percentile 延迟、GC Pause。业务自定义如 @Timed("video.upload.time")。
• Spring AI 通过 EmbeddingModel 将视频标题、描述向量化，存入 Milvus（向量数据库），检索时结合 RAG Prompt：[UserQuery] + [RelevantDocs]；工具执行框架可调用 OpenAI ChatCompletion 完成审核判定。
• 防止 AI 幻觉：① 后置校验（规则引擎 + 人工审核）；② 多模型 ensemble（同一查询使用不同模型投票），低置信度返回 “待人工”。

总结

这场面试通过 逐层递进 的方式，覆盖了 从项目构建、微服务注册、消息中间件、容错、监控、到 AI 内容审核 完整链路。对求职者而言，理解每个技术点的 业务场景、选型原因、配置要点 是通关大厂面试的关键。即使是“水货”程序员谢飞机，也能在面试官的指点下逐步展现出专业深度。

祝各位小伙伴面试顺利，技术进步！