Java 大厂面试实录基于 Spring Boot、Kafka、Redis、Spring AI 的电商智能推荐与支付风控三轮深挖场景互联网大厂电商与 AI 服务平台 Java 面试面试官我们今天聊一个电商平台的核心链路包含商品推荐、下单支付、风控审核、消息通知和 AI 助手。请你结合自己的理解从系统设计和 Java 技术栈说起。燕双非好的老师我虽然写代码比较快但是思路也很快。这个场景我熟用户一进来先推荐买了之后就支付支付完再发消息最后再让 AI 帮他挑货。第一轮基础链路与核心架构1. 你会如何用 Spring Boot 搭建一个电商推荐服务燕双非Spring Boot 最方便了直接 starter 一把梭内嵌 Tomcat配置少启动快。推荐服务我会拆成 controller、service、repository 三层再加一个定时任务同步商品特征。面试官基础思路是对的至少说明你知道分层和自动配置。那如果推荐接口要同时查用户画像和商品信息你怎么控制响应时间2. 数据层你会优先考虑 JPA 还是 MyBatis为什么燕双非如果查询比较固定我可能会用 MyBatisSQL 可控如果是简单 CRUD我会用 JPA省事一些。电商推荐这种读多写少的场景读模型可以单独优化。面试官回答得还可以至少知道按场景选型。那如果商品表特别大你会怎么做索引和分页3. 推荐结果需要缓存你会选 Redis 还是 Caffeine怎么组合燕双非Redis 适合分布式缓存多个实例都能共享Caffeine 适合本地热点缓存性能更高。我会先用 Caffeine 扛热点再用 Redis 做二级缓存。面试官不错说明你知道多级缓存。那缓存一致性怎么保证4. 你如何设计商品下架后缓存失效和推荐降级燕双非下架后发一个消息通知所有节点删缓存推荐服务拿不到最新数据就走兜底策略比如返回相似商品或者热门榜单。面试官这个方向是对的。消息通知、缓存失效和降级已经开始有大厂味道了。第二轮支付风控、消息链路与安全1. 支付下单后如何保证消息不丢你会用 Kafka 还是 RabbitMQ燕双非如果是高吞吐的订单流我可能偏 Kafka因为它适合日志和事件流。支付成功后发订单事件库存、积分、通知各自消费。面试官至少你知道事件驱动了。那重复消费怎么办2. 订单消息重复投递如何做幂等燕双非可以用业务唯一键比如订单号加状态消费前先查数据库或者 Redis处理过就直接返回。也可以在表里加唯一约束防止重复写入。面试官很好幂等是消息系统的基本功。那如果支付回调乱序了呢3. 支付风控里JWT 和 Spring Security 怎么配合燕双非JWT 里放用户身份和权限信息Spring Security 负责鉴权拦截。支付接口可以加更严格的权限控制比如二次验证、设备指纹和风险等级判断。面试官说得不错至少知道认证和授权的边界。那你怎么处理令牌失效和踢下线4. 如果要接入风控规则引擎你会怎么设计燕双非嗯……我会先把规则写成配置像金额阈值、频次限制、IP 黑名单这些放到数据库或者配置中心。具体怎么动态加载……这个我需要回去再想一下。面试官方向没错但表达还不够完整。风控系统最关键的是规则可配置、可审计、可回溯后面我们会继续看你的设计能力。5. 你会如何监控支付链路的延迟和错误率燕双非我会接 Prometheus 和 Grafana再配 Micrometer 打点。出了问题还能看日志和链路追踪比如 Jaeger 或 Zipkin。面试官这个回答明显比前面成熟能把监控、指标和链路追踪串起来很好。第三轮AI 推荐、企业文档问答与复杂工作流1. 如果要做“AI 导购助手”你会怎么理解 Spring AI、RAG 和 Agent燕双非Spring AI 可以帮 Java 项目接大模型RAG 是先检索再生成避免模型瞎编。Agent 就是让模型能调用工具比如查库存、查订单、查优惠券。面试官这几个关键词你分得还算清楚。那为什么企业场景里不能只靠纯大模型问答2. 企业商品知识、活动规则、售后政策如何做语义检索燕双非要先把文档切分再做 embedding 向量化存到向量数据库里比如 Milvus、Chroma 或 Redis 向量能力。用户提问后先做语义检索再把相关片段拼进提示词。面试官很好已经接近实际方案了。那如果检索到了错误内容怎么办3. 你如何降低 AI 幻觉在客服场景里的影响燕双非嗯……我觉得可以让模型少自由发挥多引用知识库另外把回答限定在业务规则里不确定就让它转人工。还可以加工具调用标准化所有关键结果都走系统接口。面试官这个回答方向正确虽然不够细但至少知道“控答复、控来源、控流程”。4. 如果 AI 助手需要处理“查订单-改地址-验证身份-通知仓库”这种复杂工作流你怎么设计燕双非我会把它拆成多个步骤前面用 Agent 做意图识别和工具调度后面用工作流编排。比如先查订单再走权限验证再调用订单服务和仓储服务最后发消息通知。面试官这个思路开始像做过项目了。大厂很看重这种端到端闭环能力。5. 你会如何让 Java 服务和 AI 服务一起具备可扩展性燕双非我会把模型服务和业务服务解耦业务侧通过 HTTP 或 RPC 调用模型能力必要时加异步队列和缓存。工具调用标准化后后面换模型或者换供应商改动会更小。面试官不错已经能说到架构演进了。那今天先到这里吧你回去等通知。所有面试问题详细解答1. 如何用 Spring Boot 搭建电商推荐服务Spring Boot 的核心价值是快速构建、约定优于配置和统一的依赖管理。在电商推荐场景中推荐服务通常是高并发读服务可以采用 Controller Service Repository 的经典分层结构同时把推荐逻辑与用户行为采集、特征加工、召回排序解耦。业务上用户进入首页时服务需要快速返回推荐商品列表。此时可以把推荐结果提前预计算或者对热点用户做缓存。对于复杂推荐策略可以在 Service 层组合多个召回源例如协同过滤、热门榜单、类目偏好和活动商品。2. JPA 与 MyBatis 的选型JPA 更适合标准 CRUD 和领域模型清晰的系统能减少样板代码。MyBatis 更适合复杂 SQL、强控制需求和需要精细调优的场景。电商推荐系统往往既有简单查询也有复杂报表、统计和排序查询因此常见做法是两者并存写模型用 ORM复杂查询用 MyBatis。业务中如果推荐结果查询依赖多表聚合、窗口函数或复杂排序MyBatis 更灵活如果订单、用户基础信息维护比较标准JPA 能显著提高开发效率。3. Redis 与 Caffeine 的多级缓存Caffeine 适合单机热点缓存命中延迟更低Redis 适合分布式共享缓存适合多实例部署。电商推荐中常见组合是本地缓存扛热点、Redis 扛共享数据数据库作为最终可信来源。一致性方面可以采用“先更新数据库再删除缓存”或基于消息队列广播失效的方式。对于商品下架、价格变动等强一致性更敏感的场景可以缩短缓存 TTL并在变更后主动失效所有相关缓存键。4. Kafka 在订单事件中的作用Kafka 非常适合订单创建、支付完成、库存扣减、积分发放等事件流场景。其高吞吐、可扩展和分区特性适合大厂电商链路。支付成功后业务系统可发布订单事件多个下游系统各自消费实现解耦。为了避免消息丢失通常需要配合本地事务、消息落库、重试和补偿机制。消费者侧要做幂等处理避免重复消费导致库存多扣、积分重复发放等问题。5. 消息幂等的实现幂等是消息系统的核心能力。常见方案包括使用业务唯一键、数据库唯一约束、Redis 去重、消费日志表、状态机校验等。对于订单事件可以通过订单号事件类型作为唯一标识消费前先检查是否已处理。如果业务状态允许状态机本身也是很好的幂等保障。例如已支付状态再次收到支付成功消息系统应识别为重复事件并直接忽略。6. JWT 与 Spring Security 的配合JWT 负责携带身份信息和声明Spring Security 负责过滤请求、解析 token、完成认证和授权。支付场景中除了基础登录态还应加入更严格的二次验证、设备风控和行为校验。对于踢下线和失效控制通常需要结合 token 黑名单、短有效期 token refresh token或者在服务端维护会话状态。单靠无状态 JWT 在强踢下线场景里并不够灵活。7. 风控规则引擎设计风控系统要强调规则可配置、可审计、可解释。可以把规则抽象为金额阈值、频次限制、IP 黑名单、设备异常、地理位置异常等并支持动态加载和灰度发布。业务上风控规则不能只给出“拒绝/通过”还应该告诉运营和审核人员命中的规则是什么、命中原因是什么、证据链是什么。这样才能支持事后追溯和人工复核。8. Prometheus、Grafana、Micrometer 与链路追踪Micrometer 负责在 Java 应用里统一暴露指标Prometheus 负责拉取和存储指标Grafana 用于可视化展示。对于支付链路需要重点监控接口耗时、错误率、Kafka 堆积、数据库连接池使用率和外部调用成功率。Jaeger 或 Zipkin 用于链路追踪能帮助定位一次支付请求在多个服务间的耗时分布。大厂场景里指标、日志和链路追踪要联合使用才能快速排障。9. Spring AI、RAG、Agent 的区别Spring AI 是在 Java 生态中对接大模型的基础框架便于调用模型、管理提示词、接入工具和处理会话。RAG 是检索增强生成通过“先检索知识再生成答案”降低幻觉。Agent 则更进一步强调模型可以根据目标自主规划并调用工具完成任务。电商导购助手中RAG 适合回答商品规格、活动规则、售后政策Agent 更适合执行“帮我查订单并改地址”这类多步骤任务。10. 向量化、语义检索与向量数据库企业文档问答的第一步是文档加载与切分然后使用 embedding 模型把文本转为向量存入向量数据库。用户提问时把问题向量化后做最近邻检索召回相似片段再交给大模型生成答案。向量数据库可以选 Milvus、Chroma 或 Redis 向量能力。关键不只是“能搜到”更要控制切分粒度、召回质量、重排策略和权限过滤避免把不该给用户看的内容返回出来。11. 如何降低 AI 幻觉降低幻觉的关键在于限制模型自由发挥一是尽量让回答基于检索到的企业知识二是设置置信度阈值低置信度时转人工三是把高风险操作改成工具调用由系统返回事实结果四是对回答内容做规则校验。在客服和售后场景里宁可保守回答也不要编造政策。幻觉一旦落到真实业务里可能直接造成投诉或损失。12. 复杂工作流与工具调用标准化复杂工作流通常包含意图识别、权限验证、数据查询、状态变更和通知多个步骤。最佳实践是把模型放在“决策层”把业务系统放在“执行层”。模型负责理解用户意图和选择工具真正的写操作由确定性的业务接口完成。工具调用标准化的好处是模型切换、供应商切换、接口扩展时业务影响较小。对于企业协同、物流、金融等场景这种架构特别重要。感谢阅读希望这篇文章能帮助大家更好地理解 Java 大厂面试中的技术深挖方式也希望能对正在准备面试的你有所帮助祝大家面试顺利拿到理想 offer