Java 大厂面试实录：Spring Boot + Kafka + Redis + Spring Security + RAG 的电商 AIGC 进阶追问

第一轮：电商下单链路与基础架构

面试官：我们先从电商场景开始。假设现在有一个大促活动，用户点击“立即购买”后，你会如何设计一个 Java 后端服务的整体结构？

燕双非：我会先用 Spring Boot 搭一个下单服务，拆成商品、库存、订单三个模块。前端先调商品详情接口，下单时先校验库存，再创建订单，最后异步发消息给库存系统扣减库存。这样结构比较清楚。

面试官：思路还不错。那你为什么会优先选 Spring Boot，而不是传统的 Spring MVC 手工配置？

燕双非：因为 Spring Boot 上手快，自动配置省事，内嵌容器也方便部署，适合电商这种迭代快的场景。

面试官：可以，至少说明你知道它的价值。那如果活动流量很大，下单接口怎么防止重复提交？

燕双非：我会给每次提交加一个 token，提交成功后就失效；或者用 Redis 做幂等校验，限制同一用户同一商品短时间内只能成功一次。

面试官：嗯，这个方向对。那订单创建成功后，你会怎么把“扣库存”这件事解耦出去？

燕双非：用 Kafka 发个消息到库存 topic，库存服务消费后做扣减。这样下单链路不会被库存服务拖慢。

面试官：不错，终于有点分布式系统的味道了。

第二轮：安全、缓存、监控与接口治理

面试官：接下来我们往深一点聊。电商系统里用户登录、下单、支付，你怎么做认证和授权？

燕双非：登录我一般会用 Spring Security 搭配 JWT，登录成功后签发 token，后续请求带上 token 就能识别用户身份。不同角色比如普通用户、运营人员、管理员，权限不一样。

面试官：那 JWT 放在前端哪里更合适？

燕双非：这个……一般会放在浏览器本地存储里？不过如果是高安全场景，可能要配合 HttpOnly Cookie，避免被脚本直接读到。

面试官：这回答开始像样了。那你怎么防止缓存击穿、缓存穿透和缓存雪崩？

燕双非：缓存穿透我会做空值缓存或者布隆过滤器；缓存击穿可以用互斥锁或者热点预热；缓存雪崩就给缓存设置随机过期时间，避免同一时间大量失效。

面试官：很好。那在商品详情页这种高频读场景里，Redis 适合放哪些数据？

燕双非：商品基础信息、库存快照、购物车、限流计数、用户最近浏览记录都可以放。对特别热点的数据，我会考虑本地缓存配合 Redis 双层缓存。

面试官：很好。接口这么多，怎么让前后端和测试同学更容易协作？

燕双非：可以用 Swagger/OpenAPI 生成接口文档，把请求参数、响应结构、错误码都写清楚，联调会省很多时间。

面试官：那服务运行后，你怎么知道它是不是扛得住大促流量？

燕双非：我会接 Prometheus 和 Grafana 看 QPS、RT、错误率、JVM 指标，还可以用 Micrometer 统一采集业务指标，比如下单成功率、支付回调延迟。

面试官：不错，至少知道不能只看 CPU。

第三轮：AIGC 推荐、RAG 与工程化落地

面试官：现在很多电商都在做 AIGC。假设我们要做一个“智能导购”功能，用户输入“适合夏天通勤的轻便鞋”，系统怎么给出结果？

燕双非：我会先把商品文案、属性、评价做向量化，存到向量数据库里，然后根据用户的自然语言查询做语义检索，再把候选商品交给大模型生成推荐理由。

面试官：思路不错。那你觉得纯大模型直接回答，和 RAG 有什么区别？

燕双非：纯大模型可能会瞎编，RAG 会先检索企业知识库或者商品数据，再基于检索结果回答，准确性更高，幻觉更少。

面试官：如果要把这个系统接到企业内部文档和商品知识库里，你会怎么设计？

燕双非：我会先做文档加载和清洗，再切分成片段，生成 embedding，存到 Milvus 或 Redis 向量索引里。查询时先做语义检索，再把召回内容和用户问题一起拼到提示词里，交给大模型生成答案。

面试官：如果导购系统还要支持多轮聊天、工具调用和订单查询呢？

燕双非：那就要加聊天会话内存，记录上下文；再接一个工具执行框架，让模型在需要时调用查订单、查库存、查物流这些接口。最好把工具调用标准化，不然以后扩展很麻烦。

面试官：嗯，终于说到一点 Agent 的味道了。那如果大模型回答错了，甚至推荐了不存在的商品，你怎么处理？

燕双非：一方面要限制生成范围，只让它基于检索到的数据回答；另一方面要加结果校验，比如商品 ID、库存状态、价格都要二次验证。必要时可以让模型输出结构化结果，再由后端做最终裁决。

面试官：好，今天先到这里吧。你回去等通知。

问题详解与知识点总结

1. 电商下单链路为何适合 Spring Boot？
Spring Boot 的核心价值是快速开发、自动配置、内嵌容器和生态完整。对于订单、商品、库存这类高并发业务，Boot 能快速搭建标准化服务，并与监控、缓存、消息队列、安全框架无缝集成。

2. 重复提交为什么要做幂等控制？
用户在弱网、超时、重复点击时可能发起多次请求。若不做幂等，可能导致重复下单、重复扣库存。常见方案包括：请求 token、Redis 去重、唯一业务键、数据库唯一索引、消息消费幂等等。

3. Kafka 为什么适合解耦库存扣减？
Kafka 适合高吞吐、可扩展、可削峰填谷的异步场景。下单服务只负责发送消息，库存服务异步消费处理。这样可以降低主链路耗时，也能让不同系统独立扩容。

4. Spring Security + JWT 的核心作用是什么？
Spring Security 负责认证授权框架能力，JWT 负责无状态身份承载。常用于前后端分离系统，服务端无需维护会话，但必须注意 token 失效、续期、撤销、签名安全和存储安全。

5. Redis 中如何避免缓存三大问题？
缓存穿透：布隆过滤器、空值缓存；缓存击穿：互斥锁、热点预热、逻辑过期；缓存雪崩：随机过期时间、多级缓存、限流降级。不同问题要针对性治理。

6. Prometheus、Grafana、Micrometer 各自的角色是什么？
Micrometer 负责统一指标采集，Prometheus 负责拉取和存储指标，Grafana 负责可视化展示。业务系统还应关注订单成功率、支付延迟、库存失败率等业务指标，而不只是 JVM 和 CPU。

7. 为什么 AIGC 场景里 RAG 很重要？
大模型本身不掌握企业实时数据，也容易产生幻觉。RAG 通过“先检索、后生成”把模型回答限定在知识库和业务数据之内，更适合商品推荐、企业文档问答、智能客服等场景。

8. 向量化、语义检索、向量数据库分别解决什么问题？
向量化把文本、商品、文档转成可计算的向量；语义检索通过相似度找出相关内容；向量数据库负责高效存储与召回。它们一起支撑自然语言语义搜索和 Agentic RAG。

9. 为什么多轮对话要加入会话内存和工具调用？
多轮对话依赖上下文，会话内存用于保存历史；工具调用让模型不只“会说”，还能“会做”，例如查订单、查物流、查库存、下单推荐。这是智能客服和复杂工作流的重要基础。

10. 如何降低大模型幻觉？
常见方式有：限制回答范围、增强检索质量、让模型输出结构化结果、结果二次校验、加入规则引擎、人审兜底、对高风险回答做拒答或转人工。

感谢阅读，希望这篇面试实录能帮助你更好地准备 Java 大厂面试，理解业务场景背后的技术选型与核心原理。祝大家都能在面试中稳住发挥，拿到满意的 offer。