面试官聊聊在线教育平台的 Java 技术栈你别整花活场景某互联网大厂在线教育业务负责直播课、题库、作业批改、智能推荐与课程交易的核心 Java 后端岗位面试。面试官今天不聊虚的直接从业务链路开始。你先说说在线教育平台从下单、开课到学习记录回传后端怎么分层设计燕双非这题我会。一般分成订单服务、课程服务、学习中心、消息通知、支付回调几个模块。前面用 Spring Boot 做 REST 接口内部服务之间可以用 OpenFeign 调用复杂一点的异步用 Kafka。课程状态、订单状态最好别揉在一个大服务里不然改一个功能像拆炸弹。面试官能说到服务拆分说明你不是完全水。那如果直播课开播时系统要同时给十万学生推送开播通知你怎么保证通知不雪崩燕双非先把通知写进消息队列比如 Kafka。然后消费者限流、批量发送配合 Redis 做开课状态缓存。前端轮询太费最好用 WebSocket 或者长连接推送。嗯……还可以加个熔断降级别让通知把主链路拖死。面试官这个方向是对的说明你知道先削峰再做异步。那如果有学生反馈“开播提醒收到了但进直播间却提示已结束”你怎么排查燕双非大概率是缓存和数据库状态不一致。比如 Redis 里课程状态没及时更新或者 Kafka 消息重复消费了。得看日志最好有链路追踪像 Jaeger 或 Zipkin。然后看数据库事务有没有提交成功缓存有没有做双写一致性处理。——第二轮题库、批改与推荐面试官题库系统里学生做题后要实时判题。选择题简单主观题要走 AI 批改。你怎么设计接口和数据流燕双非选择题直接规则判分主观题可以先落库再异步发到 AI 服务。接口层用 Spring MVC 或 Spring Boot 提供提交答案接口返回任务 ID。判题结果回来后再更新作业状态。如果要做流式反馈Spring WebFlux 也能派上用场。面试官不错已经开始有异步思维了。那 AI 批改里如果要结合课程讲义、历史优秀答案做 RAG 检索你会怎么理解燕双非嗯……RAG 就是先去向量数据库里找相似内容再把检索结果拼到提示词里给模型。比如把讲义、题目解析、标准答案做 embedding存 Milvus 或 Redis 向量索引。学生提交后先做语义检索再喂给大模型。这样能减少幻觉不然模型容易瞎编。面试官说到点子上了。那你知道怎么控制提示填充避免把太多无关内容塞进去吗燕双非控制上下文长度按召回分数截断优先保留题目相关的知识点再结合 Agent 工具调用只让模型调用必要的文档检索、评分器、知识库查询工具。嗯提示词不能像往火锅里倒整箱调料太多就串味。面试官比喻很离谱但方向还行。那推荐系统每次给学生推课程怎么让结果更稳定、可回放燕双非可以把推荐请求和特征快照一起落库后面用同样特征重放。缓存层用 Caffeine 或 Redis热门课程做本地缓存用户偏好做分布式缓存。推荐结果最好加版本号不然今天推荐“考研冲刺”明天又推荐“学会飞”就很抽象。——第三轮并发、事务、安全与发布面试官在线教育平台大促课程秒杀、优惠券、支付回调一起上。你怎么保证订单不超卖、不重复扣款燕双非库存秒杀要做预扣减可以用 Redis 原子操作或者 Lua 脚本订单创建和扣款回调要幂等。支付回调那边最好用唯一业务单号数据库加唯一索引。事务里别把远程支付接口也包进去容易把锁持太久。面试官嗯这个答得比较像样。那订单状态流转里如果用 MyBatis 和 JPA 混着来你会注意什么燕双非最好别在同一个核心事务里乱混容易把 ORM 的缓存和 SQL 手写逻辑搞冲突。复杂查询用 MyBatis简单对象关系映射用 JPA。事务边界要统一连接池用 HikariCP别让连接泄漏把线程都堵住。面试官最后一个问题。你们团队要上线 AI 助教要求支持文档问答、智能客服和多轮会话记忆还要能接企业内部工具。你怎么做安全和发布燕双非安全上用 Spring Security JWT企业内部工具权限细分重要接口加审计。多轮会话内存可以放 Redis长期知识进向量库。发布方面走 Jenkins 或 GitHub Actions镜像化部署到 Kubernetes灰度发布观察 Prometheus 和 Grafana 指标。AI 助教如果接 MCP 或工具调用标准化协议工具权限要单独隔离不然模型一激动把财务报表给发出去了那就完了。面试官行今天先到这。你回去等通知吧。面试问题详细解答1. 在线教育平台如何分层与拆服务核心原则是按业务能力拆分课程、订单、学习记录、通知、支付、AI 批改等服务各自独立。接口层负责接收请求应用层编排流程领域层处理核心规则基础设施层负责数据库、缓存、消息队列和外部接口。Spring Boot 适合快速搭建服务OpenFeign 适合服务间调用Kafka 适合异步解耦。业务上要优先保证订单、支付、学习记录等核心链路稳定非核心动作如通知、埋点、推荐可异步化。2. 十万级开播通知如何避免雪崩常见做法是“削峰填谷 异步化 限流降级”。先把通知请求写入 Kafka消费者按固定并发批量处理热点数据如课程开播状态使用 Redis 缓存必要时使用 WebSocket 做实时推送。若下游服务压力过大可以使用 Resilience4j 做熔断、限流和超时控制保证主链路不被拖垮。日志建议配合 SLF4J/Logback监控用 Micrometer Prometheus Grafana排障时再结合 Jaeger 或 Zipkin 看链路。3. 缓存与数据库状态不一致怎么排查最常见问题是双写不一致、消息重复消费、缓存失效时机不对。排查时先看消息队列是否重复投递再看数据库事务是否提交成功最后看缓存更新逻辑是否幂等。对于状态型数据建议采用“数据库为准、缓存为辅”的策略更新时先写数据库再删缓存或延迟双删。对于强一致要求高的场景可以把状态变更和事件发送放在同一事务消息或 Outbox 模式中处理。4. AI 批改中的 RAG 如何落地RAG 的核心是“先检索再生成”。文档、讲义、题解、优秀答案先切分、清洗、向量化存入 Milvus、Chroma 或 Redis 向量能力中。用户提问后先做语义检索召回最相关的上下文再把检索结果拼接到提示词中交给大模型。这样能提升回答准确率减少幻觉。企业场景里还要加文档权限控制、召回结果过滤和引用来源展示避免“看起来很对其实乱编”。5. 提示填充与 Agent 工具有哪些实践要点提示填充要控制上下文长度、信息密度和角色边界。不要把大量无关文档全塞进 prompt而要按检索分数、主题相关度和业务优先级筛选。Agent 则适合处理多步骤任务如“先查课程再查订单再生成答复”。工具调用要标准化权限要最小化避免模型误用高危接口。复杂工作流可以把“检索、校验、生成、审核”拆开形成可观测、可回放的流程。6. 推荐系统如何保证可回放与稳定性推荐结果不仅要准还要能复现。做法是记录请求时的特征快照、模型版本、召回策略和排序策略。缓存层可以使用 Redis、Caffeine 或 Spring Cache热点课程适合本地缓存用户画像适合分布式缓存。对于实验场景建议做 AB 测试和版本化管理保证推荐结果可追踪、可回滚。这样才能在排查线上问题时复现当时的推荐逻辑。7. 秒杀、扣款、回调为什么强调幂等因为网络重试、消息重复投递、用户重复点击都可能造成重复请求。幂等设计通常依赖唯一业务单号、数据库唯一索引、状态机校验、去重表或 Redis 记录请求指纹。支付回调尤其要注意回调接口应允许重复调用但结果只生效一次。库存扣减可用 Redis 原子操作或 Lua 脚本保证并发安全复杂场景再配合数据库乐观锁或分布式锁。8. MyBatis 与 JPA 混用要注意什么MyBatis 适合复杂 SQL、报表查询和性能调优JPA 适合简单对象关系映射和快速开发。混用时要重点控制事务边界、实体状态和数据库连接。不要在一个关键事务里把多个 ORM 的缓存机制搅在一起容易出现脏读、重复更新或脏对象问题。连接池推荐 HikariCP因为性能和稳定性都较好同时要做好 SQL 监控和慢查询治理。9. AI 助教如何做安全与发布安全上要做身份认证、授权、审计和接口隔离。Spring Security JWT 适合前后端分离场景企业内部工具则要按角色、部门和数据域授权。会话记忆可以放 Redis长期知识放向量数据库。发布时用 Jenkins、GitHub Actions 或 GitLab CI 做自动化构建容器化后部署到 Kubernetes结合灰度发布和金丝雀发布逐步放量。监控指标建议覆盖接口延迟、错误率、队列堆积、GPU/CPU 占用以及模型调用成功率。10. 为什么面试中要特别关注日志、监控与链路追踪因为分布式系统不是“写完就跑”而是“出了问题能不能快速找到”。日志负责还原现场监控负责发现异常链路追踪负责定位瓶颈。SLF4J 只是门面Logback 或 Log4j2 才是具体实现Micrometer 可以统一采集指标Prometheus 存储指标Grafana 展示看板Jaeger/Zipkin 则帮助定位一次请求跨多个服务的耗时分布。没有这些手段线上问题基本等于“猜”。11. WebSocket 在在线教育场景里有什么价值WebSocket 适合实时通知、直播互动、作业进度推送、答题结果回传等场景。相比轮询它能减少请求开销并提升实时性。实现时要注意连接管理、心跳保活、断线重连和消息确认。对于大规模连接场景要结合网关、负载均衡和消息中间件做分发避免单点压力过高。12. 总结这组面试题的主线是在线教育业务如何在高并发、强一致、异步化、AI 化和可观测性之间平衡。真正的面试回答不只是背概念而是把技术点放回业务链路中去解释为什么要拆服务、为什么要异步、为什么要幂等、为什么要加监控、为什么 AI 要引入 RAG 和工具调用。只有能结合业务讲清楚才算真正理解了这些技术。感谢阅读希望这篇内容能帮助到正在准备 Java 面试的你祝你面试顺利、拿到心仪 offer