Candidate_Targeted_Interview_Guide#

1. Competency Scorecard#

Before looking at the resume, THIS is what success looks like.

• Mission (One-sentence mission): Build and maintain high-performance, scalable Java backend systems that power AI-enabled applications in production environments.

  • Outcomes (12-month must-achieve results): a. Design and ship at least 2 production-grade microservices with proper observability b. Reduce API latency by 30% or handle 10x traffic increase through optimization c. Lead technical design for 1 non-trivial feature from spec to deployment d. Mentor junior developers and establish coding standards for the team e. Zero critical production incidents caused by technical debt or design flaws
  • Core Competencies:
    • Java/Spring Boot Mastery: Deep understanding of Spring Boot internals, dependency injection, transaction management, and performance tuning
    • Distributed Systems Design: Experience with RPC, message queues, service discovery, and handling network failures gracefully
    • Database Engineering: SQL optimization, indexing strategies, connection pool management, data modeling for complex domains
    • AI/ML Integration: Ability to integrate LLM APIs, implement RAG pipelines, and handle AI-specific challenges (token limits, streaming, hallucination)
    • Production Reliability: Observability, graceful degradation, rate limiting, security best practices

  ---

  2. Forensic Resume Scan#

  Scan resume against Scorecard, looking for Gaps (concerns) and Evidence (matches).

  🔴 Red Flags (Concerns/Gaps)

  • Gap 1: Academic Project vs Production Experience
    • Concern: Both projects (RL_Scheduler, AI_Interview) appear to be academic/thesis-related. No mention of production deployment, on-call rotation, or production incident handling.
    • Expert Challenge: “你说的’主要负责人’，是在生产环境运行的项目吗？有没有经历过凌晨3点被报警叫醒的情况？”
  • Gap 2: JWT双Token续期机制深度存疑
    • Concern: 简历描述很标准，但”双Token续期”是常见面试陷阱。很多候选人只停留在”过期后刷 新”的层面，不理解token撤销、并发刷新、token窃取检测等边界情况。
    • Expert Challenge: “如果用户在你的App上登录了5个设备，其中一个Token泄露了，你怎么处 理？续期时发现refresh_token也被使用了，你怎么做？”
  • Gap 3: 项目贡献边界模糊
    • Concern: RL_Scheduler项目涉及PyTorch/LangChain后端AI部分，但候选人主要负责哪个方向 ？Netty+Redis做RPC听起来像是AI工程的训练平台，而非Java后端开发的核心职责。
    • Expert Challenge: “你在RL_Scheduler里，前端HTTP请求到最终训练任务启动，整条链路上你 写了多少代码？Netty的Pipeline是怎么设计的？”
  • Gap 4: 技能描述过于宽泛
    • Concern: “熟练掌握MySQL、PostgreSQL、Redis、Elasticsearch的使用及复杂场景下的查询与性能优化” — 这句话太标准化，可能是简历模板而非真实经验。
    • Expert Challenge: “你在AI_Interview项目里，pgvector的HNSW索引具体是怎么配置的？nlis t和m参数设了多少？为什么？”

  🟢 Green Signals (Highlights/Matches)

  • Highlight 1: 技术栈与岗位高度匹配
    • Evidence: Spring Boot + MySQL + Redis + PostgreSQL + SpringSecurity，这正是Java后端岗位的核心技术栈，且有实际项目支撑。
  • Highlight 2: AI工程化落地经验
    • Evidence: RAG检索优化、向量数据库、LLM集成、流式响应 — 这些是当前AI应用开发的热点需求，有实际经验而非理论了解。
  • Highlight 3: 系统设计思维
    • Evidence: Master-Worker架构、RPC设计、Redis Stream异步消费、WebSocket实时推送 — 展示了从0到1构建复杂系统的能力。
  • Highlight 4: 性能优化意识
    • Evidence: “WebSocket替代HTTP轮询”、“CompletableFuture并行编排”、“限流后批量传输” — 体现了对性能问题的敏感度和具体优化手段。
  • Highlight 5: 强学术背景
    • Evidence: GPA 4.13/5，硕士在读，数学建模竞赛二等奖 — 说明有良好的基础素质和学习能力。

  ---

  3. Interview Battle Scripts#

  Part A: Pressure Validation (Past Performance)

  Forensic STAR follow-ups designed for Red Flags.

  Q1 (targeting Gap 1 - Production vs Academic):

  • The Setup: “你简历上两个项目都写了’主要负责人’，听起来很厉害。我想了解一下这两个项目的上线状态。”
  • The Drill:
    • “这个项目有多少真实用户在用？日活多少？”
    • “部署在什么环境？有没有经历过服务器内存被打满的情况？”
    • “如果用户突然增加10倍，你做了什么应对准备？”
  • Bar: 能说清楚流量级别、监控指标、扩容策略的 → 有真实生产经验

  Q2 (targeting Gap 2 - JWT Token Deep Dive):

  • The Setup: “你提到实现了无状态认证双Token续期机制，这个在AI_Interview里是怎么设计的？”
  • The Drill:
    • “Access token和Refresh token的过期时间分别是多少？为什么这样设置？”
    • “用户请求时发现access token过期了，你的处理流程是什么？”
    • “如果有个恶意用户，抓包拿到了别人的refresh token并发过来请求续期，你怎么识别和处理？”
    • “续期接口有没有做频次限制？被刷了怎么办？”
  • Bar: 能说清楚token撤销列表、并发刷新保护、 security mitigation的 → 真正理解机制

  Q3 (targeting Gap 4 - Database Depth):

  • The Setup: “你的RAG系统里用了pgvector做向量存储，HNSW索引具体是怎么配置的？”
  • The Drill:
    • “HNSW的ef_construction和m参数设了多少？为什么？”
    • “查询时用了多少个邻居（ef_search）？这个值的大小会影响什么？”
    • “你的知识库隔离是怎么在向量层面实现的？每个用户的向量是怎么分开存储的？”
    • “embedding服务挂了你怎么办？有没有降级方案？”
  • Bar: 能说清楚索引调参原理、隔离方案设计的 → 有深度

  Part B: Future Projection (Future Scenario)

  Performance simulations designed for Outcomes.

  Q4 (targeting Outcome 1 - Design and Ship Microservice):

  • Scenario: “假设你加入我们团队，负责用户行为分析服务的重构。这个服务目前是单体架构，每 天处理500万事件，但最近开始出现延迟飙升的问题，SLA只能勉强维持在99%。你需要把它拆分成微 服务并上线。”
  • Question: “你在第一个月会怎么做？具体说说你会先调研什么、用什么标准做技术决策、什么时 候该和团队对齐、什么时候可以自己做主。”
  • Bar Raiser:
    • A Player: 先画架构图、定义边界、和小团队对齐后再动手；考虑数据一致性方案（同步还是 异步）、监控埋点先行
    • B Player: 直接开始写代码；没有提前定义接口契约；忽视 observability

  Q5 (targeting Outcome 2 - Performance Optimization):

  • Scenario: “我们的面试系统最近在做促销推广，流量是平时的20倍。监控显示API延迟从50ms飙 升到800ms，错误率从0.1%升到5%。你被叫去排查。”
  • Question: “你会按什么顺序排查？从哪里开始？重点看哪些指标？找到瓶颈后你倾向于怎么优化？”
  • Bar Raiser:
    • A Player: 先确认是CPU bound还是IO bound；用排除法快速定位（数据库？下游服务？JVM GC？连接池？）给出具体的优化路径
    • B Player: “重启试试”；没有系统性排查思路

  Q6 (targeting AI Integration Challenge):

  • Scenario: “产品经理提了个需求：要在面试助手里加一个实时语音转写功能，面试官说话要实时 转成文字显示给候选人看。LLM API按token计费，延迟要求在500ms以内。”
  • Question: “你怎么设计这个功能的架构？流式处理怎么做？怎么控制成本同时保证体验？”
  • Bar Raiser:
    • A Player: 设计流式管道、WebSocket推送、降级策略、成本监控、考虑是自研ASR还是用三方服务
    • B Player: 简单轮询调用API；没有考虑成本和延迟的权衡

  ---

  4. Decision Matrix#

1
  ┌──────────┬────────────────────────────────────────┬─────────────────────────────┐
2
  │ Dimensio │             No Hire (Kill)             │         HIRE (Pass)         │
3
  │    n     │                                        │                             │
4
  ├──────────┼────────────────────────────────────────┼─────────────────────────────┤
5
  │ Integrit │ 项目细节说不清楚，疑似包装；无法解释自    │ 能清晰描述技术选型原因和权     │
6
  │ y        │ 己写的代码                              │ 衡                          │
7
  ├──────────┼────────────────────────────────────────┼─────────────────────────────┤
8
  │ Competen │ Spring Boot只知道注解用法，不懂原理；    │ 理解Spring Boot核心原理，能   │
9
  │ cy Match │ 数据库只会CRUD                          │ 做SQL优化和索引设计          │
10
  ├──────────┼────────────────────────────────────────┼─────────────────────────────┤
11
  │ Producti │ 只能做学术玩具项目；不知道监控/报警为     │ 有SLA意识，考虑异常场景和降   │
12
  │ on Sense │ 何物                                   │ 级                          │
13
  ├──────────┼────────────────────────────────────────┼─────────────────────────────┤
14
  │ AI Integ │ 把LLM当黑盒调用，不理解RAG原理           │ 能设计完整的RAG pipeline，   │
15
  │ ration   │                                        │ 理解embedding和向量检索      │
16
  ├──────────┼────────────────────────────────────────┼─────────────────────────────┤
17
  │ Learning │ 只会用过的技术栈                        │ 能在2周内掌握新的框架并交付    │
18
  │  Agility │                                        │                             │
19
  └──────────┴────────────────────────────────────────┴─────────────────────────────┘

Summary: 这位候选人技术栈匹配度高，有AI工程化经验加分项，但需要重点验证项目真实性（是否 真的是生产环境）和技术深度（Spring Boot原理、分布式系统边界情况处理）。建议安排技术Lead er面重点考察系统设计能力和生产经验。