场景：互联网大厂Java后端开发面试

第一轮提问
面试官：小曾，我们公司电商业务采用Spring Boot+Spring Cloud构建微服务架构，使用Kafka处理订单消息，你熟悉这个链路吗？
小曾：（自信）嗯，知道！订单创建后通过API Gateway（Zuul）路由到订单服务，订单服务用JPA+MyBatis存入MySQL，然后异步发送Kafka消息到库存服务。
面试官：很好，能具体说下Kafka消费者如何实现幂等性吗？
小曾：呃…用数据库事务？或者Redis分布式锁？好像…都行？
面试官：（点头）Redis分布式锁更优，但要注意锁超时问题。继续，如果库存服务宕机，你会怎么设计补偿机制？
小曾：…重试？或者短信通知管理员？

面试官：试试补偿订阅？
小曾：（挠头）这个…好像没细研究…

第二轮提问
面试官：我们内容社区系统需要秒级推荐，你用过哪些缓存方案？
小曾：Redis啊！本地缓存用Ehcache，热点数据用Redis Cluster，还加过CDN…
面试官：CDN算边缘计算吗？为什么不用Hazelcast实现跨机房缓存？
小曾：啊…Hazelcast？没试过，感觉Redis够用了…

面试官：考虑过缓存穿透问题吗？
小曾：…可以布隆过滤器？或者直接查数据库？

第三轮提问
面试官：现在我们搞AIGC项目，需要用Spring AI接入OpenAI API，你会怎么设计？
小曾：（突然兴奋）Spring AI！太好了！我之前用过LangChain，可以试试用Feign调用OpenAI的Embedding模型，然后用Elasticsearch做向量检索？
面试官：不错！那怎么处理AI幻觉问题？
小曾：（卡壳）…应该加事实核查？比如用知识图谱？

面试官：可以，继续。如果用Flink处理电商实时数据，如何设计水位线防止数据丢失？
小曾：…水位线？是延迟数据？可以用事件时间+反压流？

面试官：（叹气）回去等通知吧。

答案解析与业务场景分析

1. 电商系统微服务

   • 技术选型：Spring Cloud（Netflix Eureka+Zuul）+ JPA/MyBatis分库分表
   • 业务场景：订单服务需要高可用，所以用Kafka异步调用库存服务（避免超时雪崩）。幂等性设计关键点：
     • Redis分布式锁（分布式事务的轻量级替代方案）
     • Kafka补偿订阅（确保消息丢失时触发重试）
   • 扩展学习：订单系统常见瓶颈在库存同步，可以用Flink状态管理实现实时双写

2. 内容社区推荐系统

   • 技术选型：多级缓存（本地Ehcache+Redis Cluster+CDN）
   • 业务场景：秒级推荐需要冷启动优化，CDN部署在CDN节点，Hazelcast适合跨机房数据同步（分布式Map）。
   • 缓存穿透解决方案：
     • 布隆过滤器（提前判断key无效）
     • 空值缓存（存空值+过期时间）

3. AIGC接入方案

   • 技术选型：Spring AI + OpenAI Embedding + Elasticsearch
   • 业务场景：AIGC问答系统需要：
     • 向量化（将用户问题转为向量）
     • 语义检索（用Elasticsearch匹配相似向量）
     • 幻觉防御（结合知识图谱验证答案准确性）
   • 扩展学习：RAG（检索增强生成）架构需要实现：
     • 文档加载（增量更新知识库）
     • 工具调用标准化（用OpenAPI规范API接口）

4. 大数据实时处理

   • 技术选型：Flink + MySQL双写 + 水位线
   • 业务场景：电商秒杀场景中，需要处理超时未支付订单（数据回滚）。水位线实现步骤：
     1. 按订单创建时间排序（事件时间）
     2. 维护水位线（最大延迟+时间戳）
     3. 反压流（backpressure）控制数据速率

小白学习路径建议

1. 基础阶段：Java SE+JVM + Spring Boot+Maven
2. 进阶阶段：Spring Cloud微服务 + Kafka+Redis
3. AI阶段：学习LangChain+OpenAI API + Elasticsearch
4. 实战案例：电商系统（订单-库存）+ 内容推荐（多级缓存）+ AIGC问答系统