8 月是技术招聘的分水岭很多朋友在准备 Java 后端跳槽时发现面试官不再只问 JVM、并发、Spring而是会突然抛出一个“AI 应用场景”的题目。这不是个例而是 Java 后端岗位正在和大模型应用能力融合的信号。这篇文章基于 8 月最新面试复盘整理一份覆盖 Java 后端底层、并发编程、JVM 排查、以及 AI/大模型方向的岗位面试攻略。内容会从面试前准备、高频考点、场景题回答思路到 Java 接入大模型 RAG 的最小可运行项目逐步展开希望给正在找工作或准备跳槽的读者一个相对完整的参考。1. 背景与核心概念Java 岗位为什么开始考察 AI 能力1.1 什么是 JavaAI岗位这里说的“JavaAI岗”并不是要求 Java 工程师去训练大模型也不是要求你把数学公式推导到多深的程度而是指你仍然以 Java/Spring Boot 作为主要技术栈但在业务系统中需要接入大模型能力比如智能问答、文档解析、知识库检索、内容生成、Agent 调度等。换句话说Java 后端工程师的核心竞争力从“把 CRUD 写稳”升级成了“把 CRUD 写好并且能集成 AI 能力让系统具备智能化”。面试中常见的考察方式包括让你讲清楚大模型 API 的调用流程。给你一个业务场景问你怎么把文档喂给大模型。让你对比 RAG 和微调的区别。让你设计一个知识库问答系统的后端架构。这些题目并不要求你懂训练但要求你能在 Java 工程里把 AI 能力落地。1.2 与纯后端 Java 岗位的区别纯后端 Java 岗位更侧重Java 语法、集合、并发、JVM、Spring 生态、数据库、分布式中间件、系统设计。JavaAI岗位在原有基础上增加了三类考察维度模型调用与接口设计了解 OpenAI 兼容协议、流式输出、超时与重试。知识库与 RAG文档解析、分块、向量化、向量检索、召回后拼接 Prompt。部署与运维本地大模型部署、显存/内存评估、GPU 或 CPU 推理、接口并发能力。所以准备面试时不能只刷 Java 八股文还要补齐 AI 应用落地的基本链路。1.3 面试考察模型的三个层次根据 8 月面试中遇到的真实问题可以把 JavaAI 岗的面试拆成三个层次层次考察内容典型题目底层基础Java 语法、集合、并发、JVM、Spring线程池参数、OOM 排查、Bean 生命周期工程能力数据库、缓存、分布式、系统设计幂等设计、消息队列、订单超时关闭AI 应用大模型 API、RAG、向量检索、Prompt怎么把数据库数据变成大模型能读的数据很多候选人死在第一层因为 JVM 和并发如果只背概念很难应对连续追问也有很多候选人死在第三层因为完全没有接触过 AI 应用开发。下面按这三个层次展开。2. 面试前环境准备与技术栈盘点在开始刷题之前建议先把自己常用的开发环境整理清楚。面试中经常被问“你项目用的什么版本”这虽然不决定成败但含糊其辞会给面试官留下不好的印象。2.1 JDK 与构建工具目前大多数业务系统使用 JDK 8 或 JDK 17。如果投递的是新项目或云原生方向JDK 17 更常见。面试中不要求你背版本号但要能说明JDK 8 的 Lambda、Stream、Optional 使用。JDK 17 的 sealed class、record、switch 表达式、instanceof 模式匹配。构建工具建议至少熟练一种# Maven 常用命令 mvn clean package -DskipTests mvn spring-boot:run # Gradle 常用命令 gradle clean build -x test gradle bootRun2.2 Spring Boot 与 AI SDKAI 应用通常基于 Spring Boot 搭建需要了解 spring-boot-starter-web、spring-boot-starter-webflux以及 HTTP 客户端工具。调用大模型时常见方式有两种使用官方 OpenAI SDKJava 生态也有 openai-java。直接使用 Spring RestTemplate/WebClient 调用 OpenAI 兼容接口。后端开发中更多使用第二种因为公司内部往往会部署一套兼容 OpenAI 协议的网关统一管理 API Key 和流控。2.3 本地大模型与向量数据库如果你准备面试 AI 应用方向至少要本地跑通一个对话模型。这里不指定具体品牌可以关注支持 OpenAI 兼容协议的本地部署方案。环境允许时建议准备一个支持 OpenAI 兼容接口的本地推理服务。一个向量数据库比如 Milvus、Qdrant、Weaviate、Chroma或者简单先用内存列表模拟。embedding 模型用于把文本转换成向量。面试聊到 AI 时你可以直接说“我在本地部署过模型并且用 Java 调用过接口”这句话比背十个 AI 名词更有说服力。2.4 建议的简历技术栈准备投递 JavaAI岗时简历技术栈建议按以下结构写优先级从高到低Java 基础集合、并发、JVM 调优、泛型、反射。框架Spring Boot、Spring Cloud至少了解注册中心、配置中心、网关。数据存储MySQL、Redis、Elasticsearch/向量数据库。中间件RabbitMQ/Kafka、分布式事务方案。AI 应用OpenAI 兼容接口调用、RAG、向量检索、Prompt 设计、Function Calling。建议不要只写“了解大模型”而是写“基于大模型 API 实现知识库问答功能”这样简历筛选阶段更容易通过。3. 核心考点拆解Java 并发编程从八股到场景题并发编程几乎是 Java 后端面试的必考模块。过去面试官喜欢问“synchronized 和 ReentrantLock 的区别”现在更喜欢给一个场景让你分析问题并给出方案。3.1 不要只背 synchronized要理解锁的升级先说最基础的问题synchronized 是什么它是 JVM 层面的内置锁通过 monitorenter 和 monitorexit 指令实现。面试官追问时重点会落在“锁升级”上。JDK 1.6 之后 synchronized 默认是偏向锁随着竞争加剧会依次升级为轻量级锁、重量级锁。这里的核心是这个流程无锁状态对象头不记录锁信息。偏向锁同一个线程反复进入同步块时只记录线程 ID不触发 CAS。轻量级锁有另一个线程来竞争偏向锁撤销使用 CAS 自旋尝试获取锁。重量级锁CAS 自旋失败或超过阈值锁升级为重量级锁后续线程进入阻塞队列。下面是一个简单示例说明锁的作用范围public class Counter { private int count 0; public synchronized void increment() { count; } public synchronized int get() { return count; } }注意这里的锁是加在对象上的也就是 this。如果两个线程操作同一个 Counter 实例increment 是线程安全的如果操作不同实例synchronized 就起不到互斥作用。这是面试中很容易踩坑的点。3.2 线程池核心参数与拒绝策略线程池是 Java 并发面试里最容易被追问到底的话题。要能把七个参数讲清楚并给出一个真实配置示例。import java.util.concurrent.ArrayBlockingQueue; import java.util.concurrent.ThreadPoolExecutor; import java.util.concurrent.TimeUnit; public class ThreadPoolConfig { public static ThreadPoolExecutor buildPool() { return new ThreadPoolExecutor( 2, // corePoolSize 核心线程数 5, // maximumPoolSize 最大线程数 30, // 线程空闲存活时间 TimeUnit.SECONDS, // 时间单位 new ArrayBlockingQueue(100), // 阻塞队列容量 new ThreadPoolExecutor.AbortPolicy() // 拒绝策略 ); } }需要理解以下过程提交任务时如果当前线程数小于核心线程数创建核心线程执行超过核心线程数任务放入阻塞队列队列满了创建非核心线程达到最大线程数且队列也满了触发拒绝策略。拒绝策略有四种AbortPolicy直接抛异常。CallerRunsPolicy调用者线程自己执行。DiscardPolicy丢弃任务。DiscardOldestPolicy丢弃队列中最早的任务。实际项目中建议自定义拒绝策略记录日志并做降级处理不要直接抛异常导致接口 500。3.3 CompletableFuture 异步编排现代 Java 面试中 CompletableFuture 出现频率很高尤其是涉及多个接口并行调用的场景。面试官会问“如何同时调用三个接口然后聚合结果”或者“如何先查缓存缓存未命中再查数据库”。一个典型示例是并行查询多个商品库存import java.util.concurrent.CompletableFuture; import java.util.concurrent.TimeUnit; public class ParallelDemo { public static void main(String[] args) throws Exception { CompletableFutureInteger stockFuture CompletableFuture.supplyAsync(() - { // 模拟库存服务调用 sleep(100); return 100; }); CompletableFutureDouble priceFuture CompletableFuture.supplyAsync(() - { // 模拟价格服务调用 sleep(200); return 99.9; }); CompletableFutureVoid all CompletableFuture.allOf(stockFuture, priceFuture); all.join(); System.out.println(库存 stockFuture.get()); System.out.println(价格 priceFuture.get()); } private static void sleep(long millis) { try { TimeUnit.MILLISECONDS.sleep(millis); } catch (InterruptedException e) { Thread.currentThread().interrupt(); } } }这里要注意CompletableFuture 默认使用 ForkJoinPool.commonPool()线程数有限。高并发场景建议传入自定义线程池避免任务互相阻塞。3.4 高频场景题AQS、可重入锁、并发容器AQSAbstractQueuedSynchronizer是 Java 并发包的基石。面试官不会让你背源码但会问 ReentrantLock、Semaphore、CountDownLatch 的实现思路。核心理解是AQS 维护了一个 volatile int state 和一个等待队列。获取锁就是通过 CAS 修改 state获取失败则进入等待队列挂起释放锁时唤醒队列头部的线程。并发容器方面需要重点准备ConcurrentHashMap 的锁粒度演进JDK 7 是 Segment 分段锁JDK 8 是 CAS synchronized 锁数组桶。CopyOnWriteArrayList 适合读多写少写时复制底层数组。BlockingQueue 在生产者消费者模型中的应用。到这里并发部分的准备可以覆盖大多数 Java 后端岗位的面试考察。接着是面试中另一座大山JVM。4. 核心考点拆解JVM 与 OOM 高频排查最近热词榜里出现了“java: outofmemoryerror: insufficient memory”很多开发者在启动或运行阶段遇到这类内存问题。面试中JVM 的关注点集中在内存结构、垃圾回收、OOM 排查。4.1 JVM 内存结构一句话总结堆内存存放对象实例方法区存放类元数据、常量虚拟机栈存放栈帧、局部变量本地方法栈服务于 native 方法程序计数器记录线程执行位置。面试时建议按“线程共享”和“线程私有”划分内存区域是否线程私有主要存放内容异常堆否对象实例、数组OutOfMemoryError: Java heap space方法区否类信息、常量、静态变量OutOfMemoryError: Metaspace虚拟机栈是局部变量、操作数栈StackOverflowError本地方法栈是native 方法StackOverflowError程序计数器是当前线程执行字节码行号无4.2 “Insufficient memory” 到底是什么问题OOM 信息里如果出现 insufficient memory常见原因不是 Java 堆空间不足而是操作系统层面的内存不足或者 JVM 启动时无法分配足够的内存。典型场景容器内存限制过小JVM 堆 元空间 线程栈 直接内存超过容器上限。服务器本身物理内存不足。启动参数配置了过大的 -Xmx但实际剩余内存不够。一个常见的排查命令是# 查看系统内存 free -h # 查看 Java 进程内存占用 top -p pid # 查看 JVM 堆内存分布 jmap -heap pid # 导出堆转储快照 jmap -dump:formatb,fileheap.hprof pid4.3 堆外内存与 Direct MemoryJava NIO 使用堆外内存Direct Memory默认大小等于 -XX:MaxDirectMemorySize。如果没有设置默认接近堆大小。使用 Netty 或异步 IO 时很容易在堆内存充足的情况下出现 OOM。下面是直接缓冲区分配示例import java.nio.ByteBuffer; public class DirectBufferDemo { public static void main(String[] args) { // 分配 100MB 直接内存 ByteBuffer buffer ByteBuffer.allocateDirect(100 * 1024 * 1024); System.out.println(直接内存分配成功); } }排查直接内存问题时不能只 dump 堆要查看 JVM 进程的 RSS 私有内存并关注 Direct Buffer 使用量。这也是“Java heap space” 之外的经典 OOM 类型。4.4 JVM 排查清单面试自我介绍时如果提到“线上 OOM 排查经验”建议按这个清单回答查看日志确认 OOM 类型是 heap space、Metaspace、Direct buffer memory还是 unable to create new native thread。检查系统free -h 看物理内存top 看进程占用。导出堆快照jmap 或启动参数配置 HeapDumpOnOutOfMemoryError。分析快照使用 MATMemory Analyzer Tool或 JProfiler 定位大对象。检查代码逻辑是否有大集合未释放、缓存未设置过期、大量线程创建。这里强调一点面试官真正想听的不是你会用某个工具而是你面对内存问题时有完整的排查思路。5. AI/大模型方向的 Java 岗差异化考点当面试进入 AI 应用部分很多有三年以上经验的 Java 工程师也会卡壳。因为这部分不是传统八股文需要真的动手实践过。5.1 大模型接口调用OpenAI 兼容协议目前主流的大模型服务大多兼容 OpenAI 聊天补全接口。Java 后端接入时底层就是一次 HTTP POST 请求。一个最小调用示例使用 Spring 的 RestTemplateimport org.springframework.http.*; import org.springframework.web.client.RestTemplate; import java.util.List; import java.util.Map; public class ChatClient { public static String chat(String apiKey, String prompt) { RestTemplate restTemplate new RestTemplate(); HttpHeaders headers new HttpHeaders(); headers.setContentType(MediaType.APPLICATION_JSON); headers.setBearerAuth(apiKey); MapString, Object body Map.of( model, gpt-3.5-turbo, messages, List.of(Map.of( role, user, content, prompt )), temperature, 0.7 ); HttpEntityMapString, Object request new HttpEntity(body, headers); ResponseEntityString response restTemplate.exchange( https://api.openai.com/v1/chat/completions, HttpMethod.POST, request, String.class ); return response.getBody(); } }这里需要注意API Key 不能硬编码在代码里应该使用环境变量或配置中心。生产环境通常通过公司内部网关转发不会直接暴露外部地址。要考虑超时和重试避免大模型接口慢导致线程阻塞。5.2 RAG 落地链路RAGRetrieval-Augmented Generation是目前 Java 后端集成大模型最常见的落地方式。面试官问“怎么把公司内部文档变成问答系统”本质就是 RAG。RAG 的核心流程文档加载读取 PDF、Word、Markdown、HTML。文本分块把长文档切分为固定长度或按段落切分。向量化用 embedding 模型把每个块转成向量。向量存储保存到向量数据库建立索引。用户提问将问题向量化检索最相似的 Top-K 文本块。拼接 Prompt把检索结果和原始问题一起发给大模型。生成回答大模型基于检索内容生成答案。回答“RAG 和微调的区别”时可以这样说RAG 不需要重新训练模型通过检索外部知识把相关内容拼进 Prompt让模型基于给定材料回答。优点是知识更新快、成本低、结果可控缺点是每次请求都要检索链路更长。微调是用业务数据继续训练模型适合改变模型风格、格式或特定能力但成本高、更新难。5.3 向量化检索与召回向量检索是 RAG 的检索环节。常见相似度计算有欧式距离、余弦相似度、内积。面试中不需要写公式推导但要能说明选择依据文本检索常用余弦相似度因为对向量模长不敏感。Java 中使用向量数据库时一般通过官方 SDK 或 REST API。例如往 Qdrant 中插入向量# 创建 collection PUT http://localhost:6333/collections/demo Content-Type: application/json { vectors: { size: 1536, distance: Cosine } }这里强调的是向量维度要和 embedding 模型的输出维度一致。如果模型输出 768 维但 collection 定义了 1536 维检索结果会无法匹配。5.4 把关系数据库数据变成大模型能读的数据这是一个出现在热词榜的高频话题也是面试官非常喜欢出的场景题“如何把关系数据库里的数据加工成大模型读懂的数据”。回答时建议分三步第一明确数据用途。如果用于训练/微调需要整理成问答对如果用于 RAG 检索需要把一行结构化数据转成自然语言文本。第二结构化数据转文本。例如用户表的一条记录SELECT id, name, age, city, tags FROM user WHERE id 1;查询结果可能是1, 张三, 28, 北京, 技术,算法转成文本格式用户张三今年28岁所在城市是北京标签为技术、算法。在 Java 中可以使用 StringBuilder 或模板字符串拼接。第三按批次导出。数据库数据可能很大不能一次性全量加载。建议分页读取每 1000 条生成一个文件或者直接写入向量库。这个回答思路展示了工程能力比只说“用 Python 写脚本”更有说服力。5.5 本地部署大模型的常见方案如果简历里写熟悉本地部署面试官可能会追问部署方式。这里核心是了解几种常见方案和适用场景CPU 推理适合轻量模型和测试环境部署简单但速度慢。GPU 推理需要 CUDA 环境和足够显存适合大规模服务。量化部署降低模型精度减少显存占用。部署后Java 端调用方式与云端 API 一致只需要把 base url 改成本地服务地址。String baseUrl http://127.0.0.1:8000/v1; // 之后的 chat/completions 请求地址就是 baseUrl /chat/completions这些都是可验证的真实细节面试时如果能随口说出来会明显提升专业感。6. 完整实战案例Java 后端实现本地知识库问答RAG 最小闭环为了让上面的概念更有体感这里用 Spring Boot 本地向量检索 OpenAI 兼容接口实现一个最小 RAG 问答项目。项目不依赖过于复杂的中间件重点演示链路。6.1 项目结构与需求需求用户输入问题系统先从本地知识库中检索相关片段再调用大模型接口生成答案。项目结构rag-demo/ ├── pom.xml └── src/main/java/com/example/ragdemo/ ├── RagDemoApplication.java ├── controller/ChatController.java ├── service/RagService.java ├── service/EmbeddingService.java ├── service/LocalVectorStore.java └── config/ModelConfig.java6.2 添加依赖只用 Spring Boot Web 和 HTTP 客户端不引入重量级搜索框架便于快速运行。!-- pom.xml 核心依赖 -- dependencies dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-web/artifactId /dependency /dependencies6.3 编写向量存储先用内存 Map 模拟向量数据库方便理解 RAG 流程。生产环境再替换为 Qdrant 或 Milvus。// 文件路径src/main/java/com/example/ragdemo/service/LocalVectorStore.java package com.example.ragdemo.service; import org.springframework.stereotype.Component; import java.util.ArrayList; import java.util.List; import java.util.Map; import java.util.concurrent.ConcurrentHashMap; Component public class LocalVectorStore { private final MapString, float[] vectors new ConcurrentHashMap(); public void add(String text, float[] vector) { vectors.put(text, vector); } public ListString search(float[] queryVector, int topK) { return vectors.entrySet().stream() .sorted((a, b) - Double.compare( cosineSimilarity(b.getValue(), queryVector), cosineSimilarity(a.getValue(), queryVector))) .limit(topK) .map(Map.Entry::getKey) .toList(); } private double cosineSimilarity(float[] a, float[] b) { double dot 0.0; double normA 0.0; double normB 0.0; for (int i 0; i a.length; i) { dot a[i] * b[i]; normA a[i] * a[i]; normB b[i] * b[i]; } return dot / (Math.sqrt(normA) * Math.sqrt(normB)); } }6.4 编写模拟 Embedding 服务实际项目中会调用 embedding 模型接口这里为了演示使用一个简单的哈希向量模拟。// 文件路径src/main/java/com/example/ragdemo/service/EmbeddingService.java package com.example.ragdemo.service; import org.springframework.stereotype.Service; import java.nio.charset.StandardCharsets; import java.util.Arrays; Service public class EmbeddingService { public float[] embed(String text) { byte[] bytes text.getBytes(StandardCharsets.UTF_8); float[] vector new float[256]; for (byte b : bytes) { int index (b 0xFF) % vector.length; vector[index] 1.0f; } // 简单归一化 float norm 0; for (float v : vector) { norm v * v; } norm (float) Math.sqrt(norm); for (int i 0; i vector.length; i) { vector[i] / norm; } return vector; } }需要说明这个实现只是为了演示链路生产环境必须使用真正的 embedding 模型否则检索质量没有意义。6.5 编写 RAG 服务// 文件路径src/main/java/com/example/ragdemo/service/RagService.java package com.example.ragdemo.service; import org.springframework.stereotype.Service; import java.util.List; Service public class RagService { private final EmbeddingService embeddingService; private final LocalVectorStore vectorStore; public RagService(EmbeddingService embeddingService, LocalVectorStore vectorStore) { this.embeddingService embeddingService; this.vectorStore vectorStore; } public void addDocument(String content) { float[] vector embeddingService.embed(content); vectorStore.add(content, vector); } public ListString retrieve(String question, int topK) { float[] queryVector embeddingService.embed(question); return vectorStore.search(queryVector, topK); } }6.6 编写 Controller// 文件路径src/main/java/com/example/ragdemo/controller/ChatController.java package com.example.ragdemo.controller; import com.example.ragdemo.service.RagService; import org.springframework.web.bind.annotation.*; import java.util.List; import java.util.Map; RestController RequestMapping(/rag) public class ChatController { private final RagService ragService; public ChatController(RagService ragService) { this.ragService ragService; } PostMapping(/document) public String addDocument(RequestBody MapString, String body) { ragService.addDocument(body.get(content)); return ok; } GetMapping(/retrieve) public ListString retrieve(RequestParam String question, RequestParam(defaultValue 3) int topK) { return ragService.retrieve(question, topK); } }6.7 运行验证启动项目后先添加一条文档curl -X POST http://localhost:8080/rag/document \ -H Content-Type: application/json \ -d {\content\:\Spring Boot 是 Java 后端开发中最常用的微服务框架\}再检索curl http://localhost:8080/rag/retrieve?question常用的Java微服务框架是什么预期能看到检索返回包含“Spring Boot”的文本片段。到这里RAG 的检索链路就已经跑通了。真正的生产项目需要把第三步替换为真实大模型接口把检索到的片段和问题拼成 Prompt 发给模型即可。7. 常见问题与排查思路面试和工作场景中以下问题出现频率最高建议逐项对照检查。问题现象常见原因解决思路启动报 OutOfMemoryError: Java heap space-Xmx 设置过小或代码产生大对象调大堆内存dump 堆快照分析大对象引用报 insufficient memory容器或物理机内存不足-Xmx 要求的内存超过剩余空间free -h 查看系统内存调小堆或增加容器内存限制Lombok 不生效报 you arent using a compiler supported by lombokIDE 的编译器和 Lombok 版本不兼容升级 Lombok 版本或检查 IDEA 中的 Annotation Processing 配置调用大模型接口超时HTTP 客户端没设置超时或模型响应慢、网络不稳定设置连接超时和读取超时使用重试机制流式接口用 SSERAG 检索结果不相关文本分块不合理embedding 模型不匹配向量维度不一致调整分块大小换更好的 embedding 模型检查向量字段维度线程池任务大量堆积队列容量过大拒绝策略不当线程数太少监控队列长度设置容量上限合理设置线程数使用有界队列多线程下数据不一致使用了线程不安全的集合或未加锁使用 ConcurrentHashMap、CopyOnWriteArrayList或加锁保证原子性7.1 Lombok 编译失败问题热词中出现过 Lombok 的报错这是非常常见的开发环境问题。Lombok 通过注解处理器在编译期生成 getter/setter如果 IDE 使用的编译器不是 javac或者项目里 Lombok 版本与 JDK 版本不匹配就会报出类似信息。解决方案在 pom.xml 中确认 lombok 版本是最新的兼容版本。IDEA 中检查 Build Tools Maven Runner确保使用项目 JDK。打开 Settings Build Compiler Annotation Processors勾选 Enable annotation processing。执行 mvn clean compile 验证是否在命令行环境下正常。7.2 大模型接口调用慢怎么办这是 AI 应用方向的高频问题。排查思路如下确认是网络问题还是模型生成慢。网络问题可以配上超时和重试。确认是否需要流式输出。对话场景建议使用 SSE 流式返回而不是等模型全部生成完再返回。确认调用频率和并发。大模型接口有 QPS 限制Java 端需要加限流和熔断。考虑增加缓存层相同问题直接返回缓存结果。8. 最佳实践与工程建议8.1 面试准备期面试准备不要面面俱到要按“简历项目 高频考点 场景题”三个方向聚焦。简历项目非常重要。建议准备一个能体现 Java 后端 AI 能力的项目例如“基于 RAG 的内部知识库问答系统”或“智能客服工单分类系统”。项目讲解建议按这个顺序业务背景、技术架构、个人负责模块、核心难点、最终效果。面试官问项目时不要只讲 CRUD要突出你在并发、内存、检索性能、接口稳定性方面做了什么。8.2 代码与工程规范面试手撕代码或项目提问时以下规范会加分使用有界队列合理设置线程池参数。接口必须做超时控制、幂等设计、日志埋点。调用外部依赖时使用重试 熔断而不是无限重试。数据库查询要注意索引和分页避免深分页。AI 场景下注意 Token 长度限制Prompt 内容要截断。8.3 安全边界涉及大模型调用时尤其要注意API Key 不能提交到 Git 仓库应使用环境变量或配置中心。对用户输入做校验防止 Prompt 注入。文档上传场景要限制文件大小和类型避免服务器资源被耗尽。涉及线上数据变更时先在测试环境验证保留备份并做好回滚方案。9. 总结与后续学习路线这篇攻略的核心内容是三条线Java 并发与 JVM 基础、AI/大模型应用链路、以及项目落地能力。无论投递的是 Java 后端岗还是 JavaAI岗这三条线都是面试中的高频主线。如果你的目标是 8 月尽快拿到 offer建议按以下顺序准备先把 Java 并发和 JVM 的必考点刷一遍尤其是线程池、锁、OOM 排查。再用 2 到 3 天时间完成一个小型 RAG 项目能本地运行即可。最后把简历项目重新梳理一遍确保每个技术点都能被追问下去。跳槽面试不是背题而是考察你在真实工程中解决问题的思路。如果本文提到的知识点你能逐一实践哪怕只是把 RAG 最小项目跑通面试时也会比只背八股文的人有底气得多。后面我也会继续整理 Java 并发编程、大模型应用落地、RAG 向量检索相关的实战文章。如果你正在准备面试建议从线程池参数和 RAG 检索链路这两个点开始研究它们分别是后端基础和 AI 应用方向最值得花时间的突破口。 Java后端面试攻略：并发、JVM与大模型RAG实战
8 月是技术招聘的分水岭很多朋友在准备 Java 后端跳槽时发现面试官不再只问 JVM、并发、Spring而是会突然抛出一个“AI 应用场景”的题目。这不是个例而是 Java 后端岗位正在和大模型应用能力融合的信号。这篇文章基于 8 月最新面试复盘整理一份覆盖 Java 后端底层、并发编程、JVM 排查、以及 AI/大模型方向的岗位面试攻略。内容会从面试前准备、高频考点、场景题回答思路到 Java 接入大模型 RAG 的最小可运行项目逐步展开希望给正在找工作或准备跳槽的读者一个相对完整的参考。1. 背景与核心概念Java 岗位为什么开始考察 AI 能力1.1 什么是 JavaAI岗位这里说的“JavaAI岗”并不是要求 Java 工程师去训练大模型也不是要求你把数学公式推导到多深的程度而是指你仍然以 Java/Spring Boot 作为主要技术栈但在业务系统中需要接入大模型能力比如智能问答、文档解析、知识库检索、内容生成、Agent 调度等。换句话说Java 后端工程师的核心竞争力从“把 CRUD 写稳”升级成了“把 CRUD 写好并且能集成 AI 能力让系统具备智能化”。面试中常见的考察方式包括让你讲清楚大模型 API 的调用流程。给你一个业务场景问你怎么把文档喂给大模型。让你对比 RAG 和微调的区别。让你设计一个知识库问答系统的后端架构。这些题目并不要求你懂训练但要求你能在 Java 工程里把 AI 能力落地。1.2 与纯后端 Java 岗位的区别纯后端 Java 岗位更侧重Java 语法、集合、并发、JVM、Spring 生态、数据库、分布式中间件、系统设计。JavaAI岗位在原有基础上增加了三类考察维度模型调用与接口设计了解 OpenAI 兼容协议、流式输出、超时与重试。知识库与 RAG文档解析、分块、向量化、向量检索、召回后拼接 Prompt。部署与运维本地大模型部署、显存/内存评估、GPU 或 CPU 推理、接口并发能力。所以准备面试时不能只刷 Java 八股文还要补齐 AI 应用落地的基本链路。1.3 面试考察模型的三个层次根据 8 月面试中遇到的真实问题可以把 JavaAI 岗的面试拆成三个层次层次考察内容典型题目底层基础Java 语法、集合、并发、JVM、Spring线程池参数、OOM 排查、Bean 生命周期工程能力数据库、缓存、分布式、系统设计幂等设计、消息队列、订单超时关闭AI 应用大模型 API、RAG、向量检索、Prompt怎么把数据库数据变成大模型能读的数据很多候选人死在第一层因为 JVM 和并发如果只背概念很难应对连续追问也有很多候选人死在第三层因为完全没有接触过 AI 应用开发。下面按这三个层次展开。2. 面试前环境准备与技术栈盘点在开始刷题之前建议先把自己常用的开发环境整理清楚。面试中经常被问“你项目用的什么版本”这虽然不决定成败但含糊其辞会给面试官留下不好的印象。2.1 JDK 与构建工具目前大多数业务系统使用 JDK 8 或 JDK 17。如果投递的是新项目或云原生方向JDK 17 更常见。面试中不要求你背版本号但要能说明JDK 8 的 Lambda、Stream、Optional 使用。JDK 17 的 sealed class、record、switch 表达式、instanceof 模式匹配。构建工具建议至少熟练一种# Maven 常用命令 mvn clean package -DskipTests mvn spring-boot:run # Gradle 常用命令 gradle clean build -x test gradle bootRun2.2 Spring Boot 与 AI SDKAI 应用通常基于 Spring Boot 搭建需要了解 spring-boot-starter-web、spring-boot-starter-webflux以及 HTTP 客户端工具。调用大模型时常见方式有两种使用官方 OpenAI SDKJava 生态也有 openai-java。直接使用 Spring RestTemplate/WebClient 调用 OpenAI 兼容接口。后端开发中更多使用第二种因为公司内部往往会部署一套兼容 OpenAI 协议的网关统一管理 API Key 和流控。2.3 本地大模型与向量数据库如果你准备面试 AI 应用方向至少要本地跑通一个对话模型。这里不指定具体品牌可以关注支持 OpenAI 兼容协议的本地部署方案。环境允许时建议准备一个支持 OpenAI 兼容接口的本地推理服务。一个向量数据库比如 Milvus、Qdrant、Weaviate、Chroma或者简单先用内存列表模拟。embedding 模型用于把文本转换成向量。面试聊到 AI 时你可以直接说“我在本地部署过模型并且用 Java 调用过接口”这句话比背十个 AI 名词更有说服力。2.4 建议的简历技术栈准备投递 JavaAI岗时简历技术栈建议按以下结构写优先级从高到低Java 基础集合、并发、JVM 调优、泛型、反射。框架Spring Boot、Spring Cloud至少了解注册中心、配置中心、网关。数据存储MySQL、Redis、Elasticsearch/向量数据库。中间件RabbitMQ/Kafka、分布式事务方案。AI 应用OpenAI 兼容接口调用、RAG、向量检索、Prompt 设计、Function Calling。建议不要只写“了解大模型”而是写“基于大模型 API 实现知识库问答功能”这样简历筛选阶段更容易通过。3. 核心考点拆解Java 并发编程从八股到场景题并发编程几乎是 Java 后端面试的必考模块。过去面试官喜欢问“synchronized 和 ReentrantLock 的区别”现在更喜欢给一个场景让你分析问题并给出方案。3.1 不要只背 synchronized要理解锁的升级先说最基础的问题synchronized 是什么它是 JVM 层面的内置锁通过 monitorenter 和 monitorexit 指令实现。面试官追问时重点会落在“锁升级”上。JDK 1.6 之后 synchronized 默认是偏向锁随着竞争加剧会依次升级为轻量级锁、重量级锁。这里的核心是这个流程无锁状态对象头不记录锁信息。偏向锁同一个线程反复进入同步块时只记录线程 ID不触发 CAS。轻量级锁有另一个线程来竞争偏向锁撤销使用 CAS 自旋尝试获取锁。重量级锁CAS 自旋失败或超过阈值锁升级为重量级锁后续线程进入阻塞队列。下面是一个简单示例说明锁的作用范围public class Counter { private int count 0; public synchronized void increment() { count; } public synchronized int get() { return count; } }注意这里的锁是加在对象上的也就是 this。如果两个线程操作同一个 Counter 实例increment 是线程安全的如果操作不同实例synchronized 就起不到互斥作用。这是面试中很容易踩坑的点。3.2 线程池核心参数与拒绝策略线程池是 Java 并发面试里最容易被追问到底的话题。要能把七个参数讲清楚并给出一个真实配置示例。import java.util.concurrent.ArrayBlockingQueue; import java.util.concurrent.ThreadPoolExecutor; import java.util.concurrent.TimeUnit; public class ThreadPoolConfig { public static ThreadPoolExecutor buildPool() { return new ThreadPoolExecutor( 2, // corePoolSize 核心线程数 5, // maximumPoolSize 最大线程数 30, // 线程空闲存活时间 TimeUnit.SECONDS, // 时间单位 new ArrayBlockingQueue(100), // 阻塞队列容量 new ThreadPoolExecutor.AbortPolicy() // 拒绝策略 ); } }需要理解以下过程提交任务时如果当前线程数小于核心线程数创建核心线程执行超过核心线程数任务放入阻塞队列队列满了创建非核心线程达到最大线程数且队列也满了触发拒绝策略。拒绝策略有四种AbortPolicy直接抛异常。CallerRunsPolicy调用者线程自己执行。DiscardPolicy丢弃任务。DiscardOldestPolicy丢弃队列中最早的任务。实际项目中建议自定义拒绝策略记录日志并做降级处理不要直接抛异常导致接口 500。3.3 CompletableFuture 异步编排现代 Java 面试中 CompletableFuture 出现频率很高尤其是涉及多个接口并行调用的场景。面试官会问“如何同时调用三个接口然后聚合结果”或者“如何先查缓存缓存未命中再查数据库”。一个典型示例是并行查询多个商品库存import java.util.concurrent.CompletableFuture; import java.util.concurrent.TimeUnit; public class ParallelDemo { public static void main(String[] args) throws Exception { CompletableFutureInteger stockFuture CompletableFuture.supplyAsync(() - { // 模拟库存服务调用 sleep(100); return 100; }); CompletableFutureDouble priceFuture CompletableFuture.supplyAsync(() - { // 模拟价格服务调用 sleep(200); return 99.9; }); CompletableFutureVoid all CompletableFuture.allOf(stockFuture, priceFuture); all.join(); System.out.println(库存 stockFuture.get()); System.out.println(价格 priceFuture.get()); } private static void sleep(long millis) { try { TimeUnit.MILLISECONDS.sleep(millis); } catch (InterruptedException e) { Thread.currentThread().interrupt(); } } }这里要注意CompletableFuture 默认使用 ForkJoinPool.commonPool()线程数有限。高并发场景建议传入自定义线程池避免任务互相阻塞。3.4 高频场景题AQS、可重入锁、并发容器AQSAbstractQueuedSynchronizer是 Java 并发包的基石。面试官不会让你背源码但会问 ReentrantLock、Semaphore、CountDownLatch 的实现思路。核心理解是AQS 维护了一个 volatile int state 和一个等待队列。获取锁就是通过 CAS 修改 state获取失败则进入等待队列挂起释放锁时唤醒队列头部的线程。并发容器方面需要重点准备ConcurrentHashMap 的锁粒度演进JDK 7 是 Segment 分段锁JDK 8 是 CAS synchronized 锁数组桶。CopyOnWriteArrayList 适合读多写少写时复制底层数组。BlockingQueue 在生产者消费者模型中的应用。到这里并发部分的准备可以覆盖大多数 Java 后端岗位的面试考察。接着是面试中另一座大山JVM。4. 核心考点拆解JVM 与 OOM 高频排查最近热词榜里出现了“java: outofmemoryerror: insufficient memory”很多开发者在启动或运行阶段遇到这类内存问题。面试中JVM 的关注点集中在内存结构、垃圾回收、OOM 排查。4.1 JVM 内存结构一句话总结堆内存存放对象实例方法区存放类元数据、常量虚拟机栈存放栈帧、局部变量本地方法栈服务于 native 方法程序计数器记录线程执行位置。面试时建议按“线程共享”和“线程私有”划分内存区域是否线程私有主要存放内容异常堆否对象实例、数组OutOfMemoryError: Java heap space方法区否类信息、常量、静态变量OutOfMemoryError: Metaspace虚拟机栈是局部变量、操作数栈StackOverflowError本地方法栈是native 方法StackOverflowError程序计数器是当前线程执行字节码行号无4.2 “Insufficient memory” 到底是什么问题OOM 信息里如果出现 insufficient memory常见原因不是 Java 堆空间不足而是操作系统层面的内存不足或者 JVM 启动时无法分配足够的内存。典型场景容器内存限制过小JVM 堆 元空间 线程栈 直接内存超过容器上限。服务器本身物理内存不足。启动参数配置了过大的 -Xmx但实际剩余内存不够。一个常见的排查命令是# 查看系统内存 free -h # 查看 Java 进程内存占用 top -p pid # 查看 JVM 堆内存分布 jmap -heap pid # 导出堆转储快照 jmap -dump:formatb,fileheap.hprof pid4.3 堆外内存与 Direct MemoryJava NIO 使用堆外内存Direct Memory默认大小等于 -XX:MaxDirectMemorySize。如果没有设置默认接近堆大小。使用 Netty 或异步 IO 时很容易在堆内存充足的情况下出现 OOM。下面是直接缓冲区分配示例import java.nio.ByteBuffer; public class DirectBufferDemo { public static void main(String[] args) { // 分配 100MB 直接内存 ByteBuffer buffer ByteBuffer.allocateDirect(100 * 1024 * 1024); System.out.println(直接内存分配成功); } }排查直接内存问题时不能只 dump 堆要查看 JVM 进程的 RSS 私有内存并关注 Direct Buffer 使用量。这也是“Java heap space” 之外的经典 OOM 类型。4.4 JVM 排查清单面试自我介绍时如果提到“线上 OOM 排查经验”建议按这个清单回答查看日志确认 OOM 类型是 heap space、Metaspace、Direct buffer memory还是 unable to create new native thread。检查系统free -h 看物理内存top 看进程占用。导出堆快照jmap 或启动参数配置 HeapDumpOnOutOfMemoryError。分析快照使用 MATMemory Analyzer Tool或 JProfiler 定位大对象。检查代码逻辑是否有大集合未释放、缓存未设置过期、大量线程创建。这里强调一点面试官真正想听的不是你会用某个工具而是你面对内存问题时有完整的排查思路。5. AI/大模型方向的 Java 岗差异化考点当面试进入 AI 应用部分很多有三年以上经验的 Java 工程师也会卡壳。因为这部分不是传统八股文需要真的动手实践过。5.1 大模型接口调用OpenAI 兼容协议目前主流的大模型服务大多兼容 OpenAI 聊天补全接口。Java 后端接入时底层就是一次 HTTP POST 请求。一个最小调用示例使用 Spring 的 RestTemplateimport org.springframework.http.*; import org.springframework.web.client.RestTemplate; import java.util.List; import java.util.Map; public class ChatClient { public static String chat(String apiKey, String prompt) { RestTemplate restTemplate new RestTemplate(); HttpHeaders headers new HttpHeaders(); headers.setContentType(MediaType.APPLICATION_JSON); headers.setBearerAuth(apiKey); MapString, Object body Map.of( model, gpt-3.5-turbo, messages, List.of(Map.of( role, user, content, prompt )), temperature, 0.7 ); HttpEntityMapString, Object request new HttpEntity(body, headers); ResponseEntityString response restTemplate.exchange( https://api.openai.com/v1/chat/completions, HttpMethod.POST, request, String.class ); return response.getBody(); } }这里需要注意API Key 不能硬编码在代码里应该使用环境变量或配置中心。生产环境通常通过公司内部网关转发不会直接暴露外部地址。要考虑超时和重试避免大模型接口慢导致线程阻塞。5.2 RAG 落地链路RAGRetrieval-Augmented Generation是目前 Java 后端集成大模型最常见的落地方式。面试官问“怎么把公司内部文档变成问答系统”本质就是 RAG。RAG 的核心流程文档加载读取 PDF、Word、Markdown、HTML。文本分块把长文档切分为固定长度或按段落切分。向量化用 embedding 模型把每个块转成向量。向量存储保存到向量数据库建立索引。用户提问将问题向量化检索最相似的 Top-K 文本块。拼接 Prompt把检索结果和原始问题一起发给大模型。生成回答大模型基于检索内容生成答案。回答“RAG 和微调的区别”时可以这样说RAG 不需要重新训练模型通过检索外部知识把相关内容拼进 Prompt让模型基于给定材料回答。优点是知识更新快、成本低、结果可控缺点是每次请求都要检索链路更长。微调是用业务数据继续训练模型适合改变模型风格、格式或特定能力但成本高、更新难。5.3 向量化检索与召回向量检索是 RAG 的检索环节。常见相似度计算有欧式距离、余弦相似度、内积。面试中不需要写公式推导但要能说明选择依据文本检索常用余弦相似度因为对向量模长不敏感。Java 中使用向量数据库时一般通过官方 SDK 或 REST API。例如往 Qdrant 中插入向量# 创建 collection PUT http://localhost:6333/collections/demo Content-Type: application/json { vectors: { size: 1536, distance: Cosine } }这里强调的是向量维度要和 embedding 模型的输出维度一致。如果模型输出 768 维但 collection 定义了 1536 维检索结果会无法匹配。5.4 把关系数据库数据变成大模型能读的数据这是一个出现在热词榜的高频话题也是面试官非常喜欢出的场景题“如何把关系数据库里的数据加工成大模型读懂的数据”。回答时建议分三步第一明确数据用途。如果用于训练/微调需要整理成问答对如果用于 RAG 检索需要把一行结构化数据转成自然语言文本。第二结构化数据转文本。例如用户表的一条记录SELECT id, name, age, city, tags FROM user WHERE id 1;查询结果可能是1, 张三, 28, 北京, 技术,算法转成文本格式用户张三今年28岁所在城市是北京标签为技术、算法。在 Java 中可以使用 StringBuilder 或模板字符串拼接。第三按批次导出。数据库数据可能很大不能一次性全量加载。建议分页读取每 1000 条生成一个文件或者直接写入向量库。这个回答思路展示了工程能力比只说“用 Python 写脚本”更有说服力。5.5 本地部署大模型的常见方案如果简历里写熟悉本地部署面试官可能会追问部署方式。这里核心是了解几种常见方案和适用场景CPU 推理适合轻量模型和测试环境部署简单但速度慢。GPU 推理需要 CUDA 环境和足够显存适合大规模服务。量化部署降低模型精度减少显存占用。部署后Java 端调用方式与云端 API 一致只需要把 base url 改成本地服务地址。String baseUrl http://127.0.0.1:8000/v1; // 之后的 chat/completions 请求地址就是 baseUrl /chat/completions这些都是可验证的真实细节面试时如果能随口说出来会明显提升专业感。6. 完整实战案例Java 后端实现本地知识库问答RAG 最小闭环为了让上面的概念更有体感这里用 Spring Boot 本地向量检索 OpenAI 兼容接口实现一个最小 RAG 问答项目。项目不依赖过于复杂的中间件重点演示链路。6.1 项目结构与需求需求用户输入问题系统先从本地知识库中检索相关片段再调用大模型接口生成答案。项目结构rag-demo/ ├── pom.xml └── src/main/java/com/example/ragdemo/ ├── RagDemoApplication.java ├── controller/ChatController.java ├── service/RagService.java ├── service/EmbeddingService.java ├── service/LocalVectorStore.java └── config/ModelConfig.java6.2 添加依赖只用 Spring Boot Web 和 HTTP 客户端不引入重量级搜索框架便于快速运行。!-- pom.xml 核心依赖 -- dependencies dependency groupIdorg.springframework.boot/groupId artifactIdspring-boot-starter-web/artifactId /dependency /dependencies6.3 编写向量存储先用内存 Map 模拟向量数据库方便理解 RAG 流程。生产环境再替换为 Qdrant 或 Milvus。// 文件路径src/main/java/com/example/ragdemo/service/LocalVectorStore.java package com.example.ragdemo.service; import org.springframework.stereotype.Component; import java.util.ArrayList; import java.util.List; import java.util.Map; import java.util.concurrent.ConcurrentHashMap; Component public class LocalVectorStore { private final MapString, float[] vectors new ConcurrentHashMap(); public void add(String text, float[] vector) { vectors.put(text, vector); } public ListString search(float[] queryVector, int topK) { return vectors.entrySet().stream() .sorted((a, b) - Double.compare( cosineSimilarity(b.getValue(), queryVector), cosineSimilarity(a.getValue(), queryVector))) .limit(topK) .map(Map.Entry::getKey) .toList(); } private double cosineSimilarity(float[] a, float[] b) { double dot 0.0; double normA 0.0; double normB 0.0; for (int i 0; i a.length; i) { dot a[i] * b[i]; normA a[i] * a[i]; normB b[i] * b[i]; } return dot / (Math.sqrt(normA) * Math.sqrt(normB)); } }6.4 编写模拟 Embedding 服务实际项目中会调用 embedding 模型接口这里为了演示使用一个简单的哈希向量模拟。// 文件路径src/main/java/com/example/ragdemo/service/EmbeddingService.java package com.example.ragdemo.service; import org.springframework.stereotype.Service; import java.nio.charset.StandardCharsets; import java.util.Arrays; Service public class EmbeddingService { public float[] embed(String text) { byte[] bytes text.getBytes(StandardCharsets.UTF_8); float[] vector new float[256]; for (byte b : bytes) { int index (b 0xFF) % vector.length; vector[index] 1.0f; } // 简单归一化 float norm 0; for (float v : vector) { norm v * v; } norm (float) Math.sqrt(norm); for (int i 0; i vector.length; i) { vector[i] / norm; } return vector; } }需要说明这个实现只是为了演示链路生产环境必须使用真正的 embedding 模型否则检索质量没有意义。6.5 编写 RAG 服务// 文件路径src/main/java/com/example/ragdemo/service/RagService.java package com.example.ragdemo.service; import org.springframework.stereotype.Service; import java.util.List; Service public class RagService { private final EmbeddingService embeddingService; private final LocalVectorStore vectorStore; public RagService(EmbeddingService embeddingService, LocalVectorStore vectorStore) { this.embeddingService embeddingService; this.vectorStore vectorStore; } public void addDocument(String content) { float[] vector embeddingService.embed(content); vectorStore.add(content, vector); } public ListString retrieve(String question, int topK) { float[] queryVector embeddingService.embed(question); return vectorStore.search(queryVector, topK); } }6.6 编写 Controller// 文件路径src/main/java/com/example/ragdemo/controller/ChatController.java package com.example.ragdemo.controller; import com.example.ragdemo.service.RagService; import org.springframework.web.bind.annotation.*; import java.util.List; import java.util.Map; RestController RequestMapping(/rag) public class ChatController { private final RagService ragService; public ChatController(RagService ragService) { this.ragService ragService; } PostMapping(/document) public String addDocument(RequestBody MapString, String body) { ragService.addDocument(body.get(content)); return ok; } GetMapping(/retrieve) public ListString retrieve(RequestParam String question, RequestParam(defaultValue 3) int topK) { return ragService.retrieve(question, topK); } }6.7 运行验证启动项目后先添加一条文档curl -X POST http://localhost:8080/rag/document \ -H Content-Type: application/json \ -d {\content\:\Spring Boot 是 Java 后端开发中最常用的微服务框架\}再检索curl http://localhost:8080/rag/retrieve?question常用的Java微服务框架是什么预期能看到检索返回包含“Spring Boot”的文本片段。到这里RAG 的检索链路就已经跑通了。真正的生产项目需要把第三步替换为真实大模型接口把检索到的片段和问题拼成 Prompt 发给模型即可。7. 常见问题与排查思路面试和工作场景中以下问题出现频率最高建议逐项对照检查。问题现象常见原因解决思路启动报 OutOfMemoryError: Java heap space-Xmx 设置过小或代码产生大对象调大堆内存dump 堆快照分析大对象引用报 insufficient memory容器或物理机内存不足-Xmx 要求的内存超过剩余空间free -h 查看系统内存调小堆或增加容器内存限制Lombok 不生效报 you arent using a compiler supported by lombokIDE 的编译器和 Lombok 版本不兼容升级 Lombok 版本或检查 IDEA 中的 Annotation Processing 配置调用大模型接口超时HTTP 客户端没设置超时或模型响应慢、网络不稳定设置连接超时和读取超时使用重试机制流式接口用 SSERAG 检索结果不相关文本分块不合理embedding 模型不匹配向量维度不一致调整分块大小换更好的 embedding 模型检查向量字段维度线程池任务大量堆积队列容量过大拒绝策略不当线程数太少监控队列长度设置容量上限合理设置线程数使用有界队列多线程下数据不一致使用了线程不安全的集合或未加锁使用 ConcurrentHashMap、CopyOnWriteArrayList或加锁保证原子性7.1 Lombok 编译失败问题热词中出现过 Lombok 的报错这是非常常见的开发环境问题。Lombok 通过注解处理器在编译期生成 getter/setter如果 IDE 使用的编译器不是 javac或者项目里 Lombok 版本与 JDK 版本不匹配就会报出类似信息。解决方案在 pom.xml 中确认 lombok 版本是最新的兼容版本。IDEA 中检查 Build Tools Maven Runner确保使用项目 JDK。打开 Settings Build Compiler Annotation Processors勾选 Enable annotation processing。执行 mvn clean compile 验证是否在命令行环境下正常。7.2 大模型接口调用慢怎么办这是 AI 应用方向的高频问题。排查思路如下确认是网络问题还是模型生成慢。网络问题可以配上超时和重试。确认是否需要流式输出。对话场景建议使用 SSE 流式返回而不是等模型全部生成完再返回。确认调用频率和并发。大模型接口有 QPS 限制Java 端需要加限流和熔断。考虑增加缓存层相同问题直接返回缓存结果。8. 最佳实践与工程建议8.1 面试准备期面试准备不要面面俱到要按“简历项目 高频考点 场景题”三个方向聚焦。简历项目非常重要。建议准备一个能体现 Java 后端 AI 能力的项目例如“基于 RAG 的内部知识库问答系统”或“智能客服工单分类系统”。项目讲解建议按这个顺序业务背景、技术架构、个人负责模块、核心难点、最终效果。面试官问项目时不要只讲 CRUD要突出你在并发、内存、检索性能、接口稳定性方面做了什么。8.2 代码与工程规范面试手撕代码或项目提问时以下规范会加分使用有界队列合理设置线程池参数。接口必须做超时控制、幂等设计、日志埋点。调用外部依赖时使用重试 熔断而不是无限重试。数据库查询要注意索引和分页避免深分页。AI 场景下注意 Token 长度限制Prompt 内容要截断。8.3 安全边界涉及大模型调用时尤其要注意API Key 不能提交到 Git 仓库应使用环境变量或配置中心。对用户输入做校验防止 Prompt 注入。文档上传场景要限制文件大小和类型避免服务器资源被耗尽。涉及线上数据变更时先在测试环境验证保留备份并做好回滚方案。9. 总结与后续学习路线这篇攻略的核心内容是三条线Java 并发与 JVM 基础、AI/大模型应用链路、以及项目落地能力。无论投递的是 Java 后端岗还是 JavaAI岗这三条线都是面试中的高频主线。如果你的目标是 8 月尽快拿到 offer建议按以下顺序准备先把 Java 并发和 JVM 的必考点刷一遍尤其是线程池、锁、OOM 排查。再用 2 到 3 天时间完成一个小型 RAG 项目能本地运行即可。最后把简历项目重新梳理一遍确保每个技术点都能被追问下去。跳槽面试不是背题而是考察你在真实工程中解决问题的思路。如果本文提到的知识点你能逐一实践哪怕只是把 RAG 最小项目跑通面试时也会比只背八股文的人有底气得多。后面我也会继续整理 Java 并发编程、大模型应用落地、RAG 向量检索相关的实战文章。如果你正在准备面试建议从线程池参数和 RAG 检索链路这两个点开始研究它们分别是后端基础和 AI 应用方向最值得花时间的突破口。