后端开发实习一面面经
完整信息
本篇目录
1、 自我介绍
请做一个简单的自我介绍。
2、换实习的原因
现在仍在 B 站实习,是想换实习吗,还是有其他安排?
3、到岗时间
现在可以随时离开上一家公司、开始下一段实习吗?
4、学校与实习时间安排
学校还有课吗?校外实习可以持续到什么时候?什么时候需要回学校?
5、B 站的实习内容
介绍一下在 B 站实习主要做什么。
6、个人贡献
你本人在项目里做了什么?做了哪些优化?
面试官多次强调,希望听到个人贡献,而不是整个系统的通用方案。
7、仓库规范的用途
规范是用来直接检查代码,还是用来过滤已有问题?是否可以理解成黑名单式过滤?
8、具体代码与实现工作
除了把规范提供给大模型,你具体做了什么?写了什么代码来解决问题?
9、方案如何落地
现在到底采用什么方案解决?是否主要是直接注入 Prompt,再通过多个 Subagent 并行审查来解决 P99 耗时?
10、持续迭代的内容与负责人
历史问题过滤是否就是加一个 Prompt?后续由谁迭代,是你自己迭代吗?
11、不同团队的规范差异
你如何了解其他团队的代码?
同样是版本号写死,在一个团队不算问题,在另一个团队算问题,怎么处理?
这些规范由谁维护,是每个团队各自维护吗?
12、局部审查与全局问题
多个 Subagent 各看一部分代码,局部都没问题、整体架构却有问题时,怎么发现和解决?
13、分组方法与效果
分组真的有效吗?
假设有 3000 行变更、涉及 20 个文件,具体怎么分组?
14、分组校验的依据
是否还是让 AI 分析文件之间的调用关系?具体依据是什么?
15、间接依赖
两个变更文件没有直接联系,而是通过一段没有修改的代码产生间接关联,能发现吗?
这个问题是否解决,还是已知但不处理?
16、上下文超限
分组并行之后,还会不会出现上下文超限?
17、只增不减的边界
分组补充上下文只增不减,不断增加后如何避免再次打满上下文?
18、超大变更的处理
如果几个文件的代码量就把上下文打满了,怎么处理?是否只能报错?
19、兜底、告警与可观测性
即使无法完成审查,是否应该有兜底、告警和用户通知?
如果一个团队有大量 MR 超限、影响发布,研发团队如何及时知道?
20、Issue 向量化的实现
向量化具体怎么做?检索和过滤流程是什么?
21、历史案例的来源
这些历史 Issue 是 AI 扫描出来的吗?
22、Issue 的质量评估
怎么评估 Issue 的质量?最终是人工评测吗?
23、核心指标的定义
核心指标是误报率,还是你说的准确率?最核心看哪个指标?
24、用户反馈与内部判断
用户标为误报,但你们可能认为它不是误报,对吗?
25、当前效果与可用性
现在准确率是多少?只有百分之四十多,用户能用吗?
26、误报对效率的影响
大量输出不正确,会不会影响开发效率?
如果一批代码报出很多问题,其中只有一部分正确,开发者的处理成本怎么办?
27、单一指标的漏洞
如果只看准确率,是不是问题报得越少越好?
比如只报少数非常确定的空指针问题,就能提高准确率。
用什么指标衡量、约束这种情况?
28、上一段实习
介绍一下上一段实习,大概做了什么。
29、上一段实习的个人工作
你本人具体做了什么?
30、印象深刻的问题
挑一个印象深刻的问题讲讲,而不只是介绍简单的 CRUD。
31、项目中的技术深度
两个项目里有没有技术用得比较深入的地方?
能否结合项目问题,体现你对 Java 或具体技术的理解?
32、Top 100 方案的一致性
针对你主动提出的商品点击 Top 100 方案,多个 Redis 分片之间如何保证数据一致性?
33、部分写入失败
如果有五个分片,需要写五次,那么写到第三个失败了怎么办?
34、AI Coding 任务
投屏展示,用 AI 完成现场题目,预计约 20 分钟。
文字稿没有包含完整题面,因此无法整理具体功能要求。
35、实际操作过程
介绍这次做题的实际过程,直接展示本次操作,不用介绍其他案例或泛讲 Skill。
36、与 AI 的具体交互
这次具体跟 AI 说了什么?能否展示实际输入和交互过程?
37、对 AI 输出的判断
AI 给出的这些内容,你都认为可以接受吗?
本篇目录
当前问题0136
- 01
自我介绍 请做一个简单的自我介绍。
- 02
换实习的原因 现在仍在 B 站实习,是想换实习吗,还是有其他安排?
- 03
到岗时间 现在可以随时离开上一家公司、开始下一段实习吗?
- 04
学校与实习时间安排 学校还有课吗?校外实习可以持续到什么时候?什么时候需要回学校?
- 05
B 站的实习内容 介绍一下在 B 站实习主要做什么。
- 06
个人贡献 你本人在项目里做了什么?做了哪些优化? 面试官多次强调,希望听到个人贡献,而不是整个系统的通用方案。
- 07
仓库规范的用途 规范是用来直接检查代码,还是用来过滤已有问题?是否可以理解成黑名单式过滤?
- 08
具体代码与实现工作 除了把规范提供给大模型,你具体做了什么?写了什么代码来解决问题?
- 09
方案如何落地 现在到底采用什么方案解决?是否主要是直接注入 Prompt,再通过多个 Subagent 并行审查来解决 P99 耗时?
- 10
持续迭代的内容与负责人 历史问题过滤是否就是加一个 Prompt?后续由谁迭代,是你自己迭代吗?
- 11
不同团队的规范差异 你如何了解其他团队的代码? 同样是版本号写死,在一个团队不算问题,在另一个团队算问题,怎么处理? 这些规范由谁维护,是每个团队各自维护吗?
- 12
局部审查与全局问题 多个 Subagent 各看一部分代码,局部都没问题、整体架构却有问题时,怎么发现和解决?
- 13
分组方法与效果 分组真的有效吗? 假设有 3000 行变更、涉及 20 个文件,具体怎么分组?
- 14
分组校验的依据 是否还是让 AI 分析文件之间的调用关系?具体依据是什么?
- 15
间接依赖 两个变更文件没有直接联系,而是通过一段没有修改的代码产生间接关联,能发现吗? 这个问题是否解决,还是已知但不处理?
- 16
上下文超限 分组并行之后,还会不会出现上下文超限?
- 17
只增不减的边界 分组补充上下文只增不减,不断增加后如何避免再次打满上下文?
- 18
超大变更的处理 如果几个文件的代码量就把上下文打满了,怎么处理?是否只能报错?
- 19
兜底、告警与可观测性 即使无法完成审查,是否应该有兜底、告警和用户通知? 如果一个团队有大量 MR 超限、影响发布,研发团队如何及时知道?
- 20
Issue 向量化的实现 向量化具体怎么做?检索和过滤流程是什么?
- 21
历史案例的来源 这些历史 Issue 是 AI 扫描出来的吗?
- 22
Issue 的质量评估 怎么评估 Issue 的质量?最终是人工评测吗?
- 23
核心指标的定义 核心指标是误报率,还是你说的准确率?最核心看哪个指标?
- 24
用户反馈与内部判断 用户标为误报,但你们可能认为它不是误报,对吗?
- 25
当前效果与可用性 现在准确率是多少?只有百分之四十多,用户能用吗?
- 26
误报对效率的影响 大量输出不正确,会不会影响开发效率? 如果一批代码报出很多问题,其中只有一部分正确,开发者的处理成本怎么办?
- 27
单一指标的漏洞 如果只看准确率,是不是问题报得越少越好? 比如只报少数非常确定的空指针问题,就能提高准确率。 用什么指标衡量、约束这种情况?
- 28
上一段实习 介绍一下上一段实习,大概做了什么。
- 29
上一段实习的个人工作 你本人具体做了什么?
- 30
印象深刻的问题 挑一个印象深刻的问题讲讲,而不只是介绍简单的 CRUD。
- 31
项目中的技术深度 两个项目里有没有技术用得比较深入的地方? 能否结合项目问题,体现你对 Java 或具体技术的理解?
- 32
Top 100 方案的一致性 针对你主动提出的商品点击 Top 100 方案,多个 Redis 分片之间如何保证数据一致性?
- 33
部分写入失败 如果有五个分片,需要写五次,那么写到第三个失败了怎么办?
- 34
实际操作过程 介绍这次做题的实际过程,直接展示本次操作,不用介绍其他案例或泛讲 Skill。
- 35
与 AI 的具体交互 这次具体跟 AI 说了什么?能否展示实际输入和交互过程?
- 36
对 AI 输出的判断 AI 给出的这些内容,你都认为可以接受吗?
