程序员面试专题库

AI 项目要从模型效果走向业务闭环，能说明指标、反馈、坏例、迭代和监控，才像真实上线系统。

结构化输出不是让模型“按 JSON 返回”这么简单，后端必须承担解析、校验、重试、降级和审计。

MQ 不是把请求丢出去就结束，真正难点在消息可靠、消费幂等、状态补偿和堆积恢复。

AI 后端不能只关注回答质量，模型调用的超时、失败、成本和降级策略同样决定项目是否能上线。

epoll、线程池、连接池这些概念最终都要落到线上排查：请求为什么卡住，资源在哪里耗尽。

金融科技后端题常把 Java 基础和业务一致性结合起来，候选人要能说明数据正确性、审计和失败补偿。

Agent 项目真正难的是让模型动作可控、可审计、可恢复，而不是把几个函数接给模型。

LRU 代码题背后考的是数据结构选择，也考缓存系统的容量、并发、命中率和一致性边界。

网络题不是背协议名，而是把可靠性、加密、传输控制和线上超时联系起来，回答出工程边界。

前端异步问题不只是输出顺序。搜索框、列表筛选和分页切换里，旧请求覆盖新结果是很常见的项目坑。

线上事故排查不只是会命令。面试里要讲清现场证据、影响范围、恢复动作和事后复盘。

热点缓存失效时，真正危险的是大量请求同时回源。面试回答要讲清发现、保护和验证。