Java实习模拟面试｜上海网* Java开发实习生面经：聚焦AI集成、Spring生态与国产数据库实战-平芜编程栈

Java实习模拟面试｜上海网* Java开发实习生面经：聚焦AI集成、Spring生态与国产数据库实战

关键词：Java后端实习｜Spring Boot｜大模型集成｜Embedding｜MyBatis-Plus｜国产数据库｜HR+技术双面
适合人群：准备投递政企类/转型AI方向企业的Java实习生，尤其关注AI + 后端融合开发的同学

前言

最近我参加了一场针对上海某知名政企软件公司（简称“上海网”）* 的 Java 开发实习生岗位的完整模拟面试，包含15分钟 HR 面 + 40分钟技术面。整场面试风格务实，既考察基础工程能力，又高度聚焦AI 应用落地（如大模型调用、知识库构建、PDF 解析等），并透露出公司正在向智能政务系统转型的战略方向。

本文将严格按照“面试官提问 + 模拟回答（结合计科专业知识）+ 连环追问”的形式还原真实场景，帮助大家提前熟悉此类“传统软件企业 + AI 新兴方向”的复合型岗位要求。

一、HR 面环节（15分钟）

Q1：请说明您目前就读的学校和专业背景，以及入学方式。

我的回答：
我目前就读于 XX 大学计算机科学与技术专业，是通过普通高考统招录取的。我们学校属于省属重点高校，计算机专业为国家级一流本科专业建设点。

Q2：您是通过异地高考进入学校的吗？当时是以什么分数线录取的？

我的回答：
不是异地高考，我是本省考生。当年以超出一本线 65 分的成绩被录取，专业录取最低分为全省前 8%。

💡注：HR 关注生源稳定性与学习能力，如实回答即可。

Q3：您在校期间的专业排名情况如何？是否有参与社团或学生会组织？

我的回答：
目前 GPA 3.7/4.0，专业排名前 15%。大二起担任学院“智能软件开发社”技术部负责人，组织过多次编程 workshop 和 Hackathon 活动。

Q4-Q5：社团活动是否与专业相关？具体做了哪些开发工作？

我的回答：
高度相关！社团主要围绕AI 应用开发展开。我主导开发了两个项目：

一个基于 Flask 的校园问答机器人（集成本地 LLM）；
一个使用 Spring Boot + Vue 的课程资源共享平台（含权限控制、文件上传解析）。

此外，我也喜欢研究开源项目，业余时间会复现一些 LangChain 的 Demo。

Q6-Q7：上一段实习经历的时间、内容与公司规模？

我的回答：
今年 6 月到 8 月，在一家 200 人左右的 SaaS 初创公司实习，担任后端开发助理。主要负责：

用户认证模块优化（JWT + Redis 缓存）；
使用 Kafka 实现订单状态异步通知；
编写 MyBatis-Plus CRUD 接口并做单元测试。

Q8-Q10：职业规划、对公司业务的理解、转正与到岗意愿？

我的回答：

学业规划：明年毕业，计划边实习边完成毕业设计（方向为 RAG 系统优化）；
职业规划：希望深耕 Java 后端，尤其在AI 工程化落地领域积累经验；
对公司了解：了解到贵司长期承接政府信息化项目，如智慧政务、数据中台等，近期也在探索 AI 赋能（如智能问述、知识库检索），这与我的兴趣高度契合；
到岗与转正：可保证每周 5 天全勤，最快下周即可到岗，非常期待转正机会。

Q11-Q13：通勤、到岗时间、试用期制度 & 反问

我的回答：

目前住在上海 XX 区，地铁通勤约 35 分钟；
对试用期考核制度理解清晰（通常为 2-3 个月，考核代码质量、任务完成度、协作能力）；
反问环节：主动询问了 AI 应用的具体场景（见文末总结）。

✅HR 面核心逻辑：稳定性 + 匹配度 + 沟通意愿。政企类公司尤其看重能否长期投入、是否接受政府项目节奏。

二、技术面环节（40分钟）

项目深挖：在线考试系统 & 智能电子月报

Q1-Q2：考试系统是否独立完成？使用对象是谁？

我的回答：
是独立开发的课程设计项目，面向本校《软件工程》课程的学生，支持教师出题、学生在线答题、自动判分（选择题）和成绩导出。

Q3-Q5：Coze 平台的功能、知识库集成与权限管理？

📌 注：此处“Coze”应指字节跳动推出的 AI 应用开发平台（或类似低代码平台）

我的回答：

功能：用于快速搭建智能问答机器人，支持对话流编排、插件调用；
知识库：上传了课程 PDF 和 PPT，平台自动切片并生成 Embedding 向量；
集成方式：通过 Coze 提供的 API 将用户问题转发至后端，后端拼接上下文后调用其对话接口；
权限管理：基于角色（教师/学生）控制知识库访问范围，前端传 token，后端校验角色。

Q6：拦截器、过滤器、Spring AOP 的执行顺序？

我的回答（结合 Servlet 生命周期）：
执行顺序为：
Filter（过滤器） → DispatcherServlet → Interceptor（拦截器） → Controller → AOP（环绕通知等）

Filter：Servlet 容器级别，最早执行，常用于编码、安全头设置；
Interceptor：Spring MVC 层，可访问 HandlerMethod，适合权限校验；
AOP：方法调用层面，最晚介入，适合日志、事务、性能监控。

✅ 口诀：“滤器早，拦器中，AOP 最后才动工”。

AI 项目深度追问

Q7-Q9：智能月报是否用 Python？大模型与知识库？

我的回答：

核心后端用Spring Boot（Java），但 PDF 解析模块调用了 Python 脚本（通过 ProcessBuilder）；
大模型使用Qwen-7B-Chat（通义千问开源版）；
构建了两级知识库：原始 PDF → 文本块 → 向量库（ChromaDB）。

Q10-Q13：PDF 解析、MCP、数据存储与调用？

我的回答：

PDF 解析：使用Apache PDFBox提取文本，配合正则清洗格式；
未使用 MCP（Model Context Protocol），但了解其用于工具调用标准化；
数据存储：解析后的文本块存入 MySQL，同时生成 Embedding 存入Chroma 向量数据库；
大模型调用：用户提问时，先用相同 Embedding 模型编码问题，在 Chroma 中做相似检索，将 top-3 结果作为上下文注入 prompt，再调用 LLM 生成答案。

Q14-Q20：课程、Java AI 体系、Embedding 模型与部署？

我的回答：

主修课程：数据结构、操作系统、计算机网络、数据库原理、软件工程；
Java AI 熟悉度：熟悉 Spring AI（刚发布）、LangChain4j，能实现 RAG 流程；
Embedding 技术：了解 Sentence-BERT、text2vec、OpenAI Embedding；
实际使用：采用BGE-small-zh-v1.5（中文效果好），通过 HuggingFace Transformers 加载；
部署方式：
- 大模型：GGUF 量化后运行在阿里云 ECS（8C32G）上，使用 llama.cpp；
- Embedding 模型：Flask 封装为 REST API，Java 后端 HTTP 调用；
- 向量库：Chroma 单机版，未来考虑 Milvus。

Java 基础 & 框架

Q21：数据来源？爬虫？

我的回答：
知识库数据来自内部文档（PDF/Word），未使用爬虫。若需外部数据，会走合规接口（如政府公开 API）。

Q22-Q24：Spring Boot 版本 & Java 集合框架？

我的回答：

Spring Boot：3.2.5（支持 Jakarta EE 9+）；
Java 集合框架核心接口：
- Collection→List/Set/Queue
- Map（虽不继承 Collection，但属集合体系）
主要实现类：
- List：ArrayList（动态数组）、LinkedList（双向链表）→有序；
- Map：HashMap（无序）、LinkedHashMap（插入有序）、TreeMap（键自然排序）。

Q25-Q30：数据库经验 & MyBatis vs MyBatis-Plus

我的回答：

熟悉 MySQL、PostgreSQL，了解 Oracle；
项目中主要用 MySQL 8.0；
MyBatis-Plus 优势：
- 内置 CRUD，减少 XML；
- 条件构造器（LambdaQueryWrapper）类型安全；
- 自动分页、逻辑删除；
缺点：复杂 SQL 仍需手写 XML，灵活性略降。

Q31：MyBatis-Plus 如何实现数据脱敏？

我的回答：
可通过自定义 TypeHandler或字段注解 + AOP实现。例如：

@TableName("user")publicclassUser{@TableField(value="phone",typeHandler=PhoneMaskHandler.class)privateStringphone;}

或使用@JSONField(serializeUsing = MaskSerializer.class)配合 Jackson。

Web 开发 & Spring MVC

Q32-Q38：线程生命周期、RESTful 参数接收、注解区别

我的回答：

线程生命周期：NEW → RUNNABLE → BLOCKED/WAITING/TIMED_WAITING → TERMINATED；
RESTful 参数接收：
- 路径参数：@PathVariable
- 查询参数：@RequestParam
- 请求体：@RequestBody（JSON）
- 请求头：@RequestHeader
@Controller vs @RestController：
- @RestController = @Controller + @ResponseBody；
- 前者返回视图名（需模板引擎），后者直接序列化为 JSON。

Q39：@Autowired 和 @Resource 的区别？

我的回答：

特性	@Autowired（Spring）	@Resource（JSR-250）
默认装配方式	byType	byName
来源	Spring 框架	Java 标准
required	可设为 false	无此属性
name 指定	需配合 @Qualifier	直接`@Resource(name="xxx")`

✅ 实践建议：团队统一风格，避免混用。

三、反问环节 & 公司方向确认

我问：

公司在 AI 开发方面的具体应用场景是什么？实习生是否会涉及前端？

面试官答：

公司正在从传统政务系统向AI 赋能转型，重点方向包括：
- 智能知识库检索（政策文件问答）
- 智能问述（用户自然语言生成结构化查询）
- MCP 工具调用（连接外部系统）
实习生工作：纯 Java 后端开发，负责接口实现、RAG 流程优化、数据处理，不涉及前端。

总结与建议

这场面试充分体现了“传统软件企业 + AI 新基建”的典型特征：

✅技术栈特点：

基础：扎实的 Java、Spring、MySQL；
新兴：RAG、Embedding、本地大模型部署；
国产化：倾向使用国产数据库（如达梦、OceanBase）；

✅给求职者的建议：

项目要体现“AI 工程化”能力：不只是调 API，更要懂数据流、向量化、上下文拼接；
熟悉国产技术生态：政企项目对国产数据库、中间件兼容性要求高；
明确表达稳定性与匹配度：HR 非常看重“能否长期干、是否接受政府项目节奏”。

🌟最后提醒：即使公司当前 AI 应用尚在起步阶段，只要展现出“能快速落地 AI 功能”的工程能力，就是巨大加分项！

Java实习模拟面试｜上海网* Java开发实习生面经：聚焦AI集成、Spring生态与国产数据库实战