已解析题目
美团相关面试题
HashMap 和 ConcurrentHashMap 的原理与区别是什么？
考察 Java 哈希表结构和并发容器实现，重点是桶结构、扩容、线程安全策略、弱一致迭代和 null 限制。
同题还出现在 1 个公司岗位
闭包是什么，闭包会导致什么？
这题考察词法作用域、变量保留、封装能力和内存风险。回答要说明闭包不是天然泄漏，只有无必要长期持有引用才会形成问题。
同题还出现在 1 个公司岗位
一个 HTTP 请求的全过程
这题考察从 URL 到响应处理的完整链路，回答要按缓存、DNS、连接、TLS、HTTP 报文、服务端处理和客户端渲染顺序展开。
同题还出现在 2 个公司岗位
最终一致性如何保障？
考察分布式系统在不能同步强一致时，如何用可靠事件、幂等消费、重试补偿和对账把状态收敛到正确结果。
Redis 热点缓存数据如何处理？
考察 Redis 热 key 的识别、读流量分散、缓存重建保护和强弱一致性取舍，核心是先定位热点再按业务语义降压。
新增“十连抽”功能时会考虑什么设计模式？
考察设计模式能否落到抽奖业务扩展上，重点是稳定流程、可替换规则、校验链路、幂等事务和发奖补偿。
JVM 堆和栈的原理与区别是什么？
考察 JVM 运行时内存模型，核心是区分堆对象生命周期、线程私有栈帧、引用关系、异常类型和 JIT 优化边界。
volatile 的原理是什么，能否替代锁？
考察 Java 内存模型，核心是 volatile 保证可见性和有序性，但不保证复合操作原子性，不能替代锁保护临界区。
Full GC 的触发原因和主动触发方式有哪些？
考察 JVM 内存压力和 GC 诊断能力，重点是触发原因、显式 GC 风险、不同收集器差异以及如何从日志定位根因。
MySQL 支持哪些隔离级别，对应实现原理是什么？
考察 MySQL InnoDB 隔离级别、MVCC、ReadView、undo log 和锁机制，重点是快照读与当前读的实现差异。
排查性能瓶颈时应该监控哪些参数？
考察性能排查的指标体系和定位顺序，重点是从用户影响出发，沿应用、资源、依赖和链路追踪逐层收敛。
写单元测试时要注意哪些点？
考察测试工程素养，重点是明确测试边界、可重复性、断言质量、依赖隔离、边界异常用例和覆盖率的正确理解。
为什么使用责任链模式，它的好处是什么？
考察责任链模式的适用场景和工程取舍，重点是把多步骤可变流程拆成可插拔节点，同时控制顺序、终止、观测和性能。
手写：并发池
这题考察 Promise 调度能力。核心是限制同时运行的任务数，保持结果顺序，明确失败策略，并在任务完成后持续补位。
CSS 动画，JS 动画和 Three.js 动画有什么区别？
这题考察动画方案选型。回答要比较 CSS、JS 和 Three.js 的表达能力、渲染路径、控制能力、性能成本和适用场景。
了解重排和重绘吗？
这题考察浏览器渲染链路和性能优化。回答要区分重排、重绘、合成，并说明常见触发条件、强制同步布局和优化手段。
INP 和 TTFB 是什么？
这题考察性能指标理解。INP 衡量交互响应延迟，TTFB 衡量首字节到达时间，回答要说明定义、影响因素、定位方法和优化方向。
如何收集性能数据？
这题考察前端性能监控体系。回答要区分实验室数据和真实用户数据，说明 Performance API、PerformanceObserver、业务上下文和可靠上报策略。
TailwindCSS 和 CSS 有什么区别？
这题考察 CSS 工程化理解。回答要说明 CSS 是原生语言，Tailwind 是 utility-first 框架，并比较组织方式、约束、构建和维护成本。
memo, useMemo, useCallback 分别是干什么的？
这题考察 React 记忆化优化边界。回答要区分组件跳过渲染、值缓存和函数引用稳定，并说明命中条件和成本。
什么场景下需要缓存？
这题考察缓存取舍。回答要说明什么值得缓存、缓存放在哪一层、key 和失效策略怎么设计，以及脏数据风险。
我把所有的组件都用 memo 包起来有什么问题？
这题考察 React 过度优化判断。回答要说明 memo 的比较成本、命中条件、引用稳定性、依赖复杂度和 Profiler 驱动优化。
Vite 和 Next.js 都用过，你会做 SSR 吗？
这题考察 SSR 全链路理解。回答要说明服务端渲染、数据获取、HTML 注水、客户端 hydration、构建产物和 Next.js 与 Vite 的职责差异。
用过 TS 吗，跟 JS 有什么区别？
这题考察 TypeScript 的类型系统边界和工程价值。高质量回答要讲清它是编译期约束、最终运行仍是 JavaScript，并补充外部数据、any 和运行时校验的边界。
手撕：数组拉平（flatten）
这题考察递归遍历、depth 语义、顺序保持和边界处理。回答时要先约定函数契约，再写出不会丢类型的实现，并说明深层数组时的栈风险。
webpack 打包原理
这题考察 Webpack 从入口构建依赖图、转换模块、生成 chunk 和注入运行时代码的完整链路。回答要区分模块、chunk、bundle、loader、plugin 和 runtime。
webpack 的 loader 和 plugin 的区别
这题考察 Webpack 扩展机制的职责边界。高质量回答要说明 loader 处理单个模块内容，plugin 参与构建生命周期，并能说清执行时机和典型场景。
webpack 热启动原理
这题考察 HMR 的端到端链路：文件监听、增量编译、WebSocket 通知、客户端拉取更新、模块 accept 和无法处理时回退刷新。
CSS position 属性说说，分别都是相对于谁
这题考察 position 各取值的文档流影响和 containing block 规则。回答要特别纠正 absolute 不一定相对父元素、fixed 也可能受特殊祖先影响。
CSS 单位说说
这题考察 CSS 单位的参照对象和适用场景。高质量回答要按绝对单位、字体相对单位、百分比、视口单位、容器相关单位和 Grid 单位分类。
CSS 水平垂直居中方案
这题考察居中方案的适用前提，而不是背一个固定写法。回答要按现代布局、定位方案、文本场景和未知尺寸边界分类。
filter、map、reduce 的性能和区别是什么？
这题考察数组高阶函数的语义、返回值、遍历成本和可读性取舍。先讲用途差异，再谈性能，避免把所有问题都归结为 reduce 更强。
虚拟 DOM 和 diff 算法
这题考察虚拟 DOM 的抽象目的、diff 的启发式假设、key 的节点身份作用和最终 patch 到真实 DOM 的过程。不要把虚拟 DOM 说成一定比直接操作 DOM 快。
数组常用的 API，哪些能改变原数组？
这题考察数组 API 的可变性和返回值语义。回答时按会修改原数组、返回新数组、只读取查询三类整理，并强调 sort、reverse、splice 是高频坑。
this 绑定说说
这题考察 this 的调用点规则、绑定优先级和箭头函数词法 this。回答要强调看调用方式，不是看函数声明位置。
缓存和数据库怎么保持数据一致性？还有别的做法吗？
这题考察 Cache Aside 的读写路径、并发竞态、删除失败补偿和一致性取舍，重点不是追求绝对一致，而是控制旧数据窗口。
同题还出现在 2 个公司岗位
大模型微调方法有哪些？
大模型微调可以从“训练目标”和“参数更新方式”两条线回答：训练目标包括继续预训练、监督微调、偏好对齐和任务适配；参数更新方式包括全参数微调和参数高效微调。面试中要说清每类方法解决什么问题、用什么数据、优化什么损失，以及成本和风险。
同题还出现在 1 个公司岗位
模型性能如何评估？
模型性能评估不能只报一个 accuracy。更稳的回答是先确定任务类型和业务目标，再区分离线指标、线上指标、鲁棒性指标和成本指标，最后说明数据切分、统计显著性和误差分析如何保证评估可信。
同题还出现在 1 个公司岗位
怎么加速模型训练？
加速模型训练要从数据、模型、计算、分布式和实验流程五层回答。核心不是简单说“加 GPU”，而是减少无效计算、提高硬件利用率、降低通信成本，并保证加速后模型效果和可复现性不被破坏。
同题还出现在 1 个公司岗位
Reward model如何训练？
Reward model 训练的核心是把人类偏好转成可学习的评分函数。常见做法是对同一 prompt 的多个回答做偏好标注，构造 chosen/rejected pair，用 pairwise ranking loss 训练模型给更优回答更高分。
同题还出现在 1 个公司岗位
Reward model你觉得训练到什么程度可以？
Reward model 训练到什么程度可以，核心不是训练集 loss 越低越好，而是偏好排序能力、校准性、泛化能力和下游策略优化效果达到稳定可用，并且没有明显 reward hacking 风险。
为什么需要 Reward model？
Reward model 的价值在于把人类偏好或业务偏好转成可优化的奖励信号，用来指导模型从会生成变成更符合偏好的生成。回答要说明它解决的是监督微调之后的偏好对齐问题。
Reward model 不准确时怎么办？
Reward model 不准确时不能直接继续强化学习，否则会放大错误偏好。稳妥回答要从数据、标注、模型、校准、对抗评测和下游闭环逐层修复。
数据集是如何构建和评测的？
数据集构建和评测题考察的是训练数据闭环。高质量回答要覆盖目标定义、数据采集、清洗标注、划分、质量评估、偏差检查、基线验证和持续迭代。
同题还出现在 1 个公司岗位
GAN 的训练要注意什么？
GAN 训练要重点关注生成器和判别器的平衡、模式崩溃、梯度不稳定、损失解释困难和样本质量评估，不能只看 loss 是否下降。
同题还出现在 1 个公司岗位
如何避免给用户重复推荐已看过的视频？
避免重复推荐已看过视频，要把曝光、播放、完播和负反馈记录接入召回、排序和重排链路，并处理跨设备、相似内容和时间窗口。
模型训练不收敛时怎么办？
模型训练不收敛要按数据、标签、特征、损失、优化器、学习率、初始化和梯度状态逐层排查，先定位现象再改参数。
多模态模型中的模态对齐方法有哪些？
多模态对齐方法包括对比学习、投影到共享空间、跨注意力融合、指令微调、图文匹配损失和细粒度 token/patch 对齐。