Java 面试实战：Spring Boot + Kafka + Redis + MCP 在电商推荐与客服场景中的 3 轮追问

场景设定：互联网大厂 Java 面试现场，业务方向是电商推荐与智能客服。面试官严肃专业，候选人是外号“水货程序员燕双非”的搞笑选手。简单题他能答上来，答得好面试官会顺势追问并夸赞；复杂题他就开始含糊其辞，东拉西扯。整个过程共 3 轮，每轮 3-5 个问题，层层递进，最终面试官让他“回家等通知”。

第一轮：基础能力与系统搭建

面试官：我们先从电商推荐系统的整体架构说起。如果你要用 Spring Boot 快速搭一个商品推荐服务，你会怎么拆分模块？

燕双非：嗯……先有 controller、service、dao，再加个推荐算法模块，缓存模块，消息模块。Spring Boot 启动快，直接把配置少、自动装配强的优点用起来。

面试官：回答得还算清楚。那如果推荐结果需要短时间高频读取，你会怎么结合 Redis 做缓存？

燕双非：可以把热门商品推荐结果放 Redis，设置合理过期时间。比如用户首页的个性化推荐，先查缓存，没命中再查数据库或推荐引擎。更新时可以用消息队列通知清缓存，避免脏数据。

面试官：不错，能把缓存和消息联动起来。那你怎么避免缓存击穿、缓存雪崩？

燕双非：击穿可以加互斥锁或者逻辑过期；雪崩就把过期时间打散，或者热点数据提前预热。嗯……还可以加本地缓存兜底。

面试官：可以，思路是对的。那在推荐服务中，如果你要记录埋点事件，比如曝光、点击、加购，你会选 Kafka 还是 RabbitMQ？为什么？

燕双非：我……一般选 Kafka 吧，适合高吞吐日志流。埋点这种场景数据量大、顺序要求相对没那么绝对，Kafka 比较合适。

面试官：嗯，这个场景判断是对的。继续往下问，如果要保证埋点消息至少一次投递，你怎么设计消费幂等？

燕双非：可以在数据库里做唯一键去重，比如 event_id 做唯一索引；或者消费端记录 offset 和业务状态，重复消息直接跳过。

第二轮：服务治理、鉴权与观测

面试官：现在推荐服务和客服服务都要对外提供 API，你会如何设计鉴权？

燕双非：嗯，Spring Security 加 JWT。网关层校验 token，服务内部解析用户身份和权限。客服后台和用户端权限分开，按角色控制接口访问。

面试官：好，至少方向没偏。那如果客服系统需要接入企业知识库，提供“商品售后”“物流查询”“退款规则”问答，你如何把 RAG 引入进来？

燕双非：先把文档切分后做向量化，存到向量数据库里，比如 Milvus 或 Redis 向量能力。用户提问时先做语义检索，再把相关文档拼进提示词，交给大模型回答。这样能减少幻觉。

面试官：说得不错。那你怎么理解 MCP？它在这个客服系统里能做什么？

燕双非：MCP 我理解是让模型统一调用外部工具的协议。比如客服机器人要查订单、查物流、查退款进度，可以通过标准化工具接口去调用内部服务，不用每接一个模型就重写一遍工具适配。

面试官：这个回答挺像样。那如果大模型要查订单状态、优惠券余额、售后单进度，你怎么防止它“乱调用”或者越权？

燕双非：要做工具白名单、参数校验、用户身份绑定和审计日志。模型只能调用允许的工具，并且每次工具调用都要带用户上下文，不能让它自己瞎编。

面试官：很好。最后一个问题，如果系统请求量突然上涨，你怎么做可观测性？

燕双非：用 Micrometer 打指标，Prometheus 抓取，Grafana 看图。日志用 Logback 或 Log4j2，链路追踪可以接 Jaeger 或 Zipkin。这样能看 QPS、延迟、错误率，还有调用链。

面试官：嗯，能把监控体系讲完整，说明你不是完全“水”。

第三轮：高并发、云原生与 AI 深水区

面试官：现在我们把场景升级一下：电商大促期间，推荐、客服、订单查询都在高峰期。你如果用 Spring WebFlux，会在什么地方考虑它？

燕双非：我觉得……像客服问答、订单状态查询这种 I/O 密集型接口可以考虑 WebFlux，减少线程阻塞。数据库如果也支持响应式，比如 R2DBC，就更匹配。

面试官：不错，能区分 I/O 场景。那如果你接入 Kubernetes 部署，Spring Boot 服务如何配合做弹性扩缩容？

燕双非：容器化后用 Deployment 部署，配 HPA 根据 CPU、QPS 或自定义指标扩缩容。服务启动要快，健康检查要完善，避免扩容后实例不可用。

面试官：好。那 Kafka 消费者在扩容后如何避免重复消费和分区抖动带来的问题？

燕双非：嗯……要合理设置分区数，消费者组里尽量保持实例稳定。消费逻辑要幂等，提交 offset 的时机也要谨慎。至于分区再均衡，应该尽量减少频繁上下线。

面试官：还行，知道核心风险。最后一个问题，假设客服机器人经常答非所问，也就是 AI 幻觉严重，你会怎么治理？

燕双非：加 RAG，优先基于企业文档回答；对低置信度问题转人工；提示词里限制模型不要编造；还可以增加答案引用来源。嗯……如果还是不行，就让它少说话，多检索。

面试官：行，今天先到这里。你的基础概念还可以，但深水区回答不够稳定。你先回去等通知吧。

问题详解：结合电商推荐与智能客服场景逐题拆解

1. Spring Boot 推荐服务如何拆分模块？

在电商推荐场景中，通常