社 招 2027

CV-20260713

  • 基本信息
    求职意向：Java 后端开发、AI 应用工程化、云原生平台开发
    工作年限：2 年
  • 教育经历
    华南理工大学 | 网络工程 2020.09 - 2024.07
    在校经历：曾获学校与企业奖学金, “三好学生”等荣誉，发表 EI 会议论文一篇。曾加入学院青马工程班学习，担任华工青年志愿者指导中心宣传部副部长，有丰富的志愿活动和学生组织经历。（项目统筹、跨团队协同能力）
  • 工作经历
    Midea｜ 后端开发工程师-Java 2024.7~至今
    1. CMDB 集团基础配置底座（系统管理员）
      • 业务数据对接与数据治理：作为平台管理员，负责各业务方数据接入工作，维护数据表结构、上下游数据读写链路，支撑查询视图、数据订阅、资产自动采集等核心能力落地。常态化追踪业务数据状态，清洗修正脏数据，规范数据流转，保障集团运维数据源准确、可信、一致。
      • 平台日常运营与功能维护：负责CMDB平台日常运营与内部用户支撑，维护全文检索、数据读写、自动采集、数据订阅等核心功能稳定运行，响应各业务部门日常使用咨询与基础需求，保障平台常态化稳定提供服务。
      • 系统故障排查与性能调优：负责平台日常线上故障排查处理，可快速定位解决服务卡顿、数据读写异常、接口慢查询等业务功能问题；熟练排查Kafka消息堆积、同步延迟等中间件故障及 Java 服务 GC、OOM 等异常。
      • 私有化产品化交付：负责CMDB平台私有化交付工作，完成客户环境POC验证、项目打包、容器部署、服务启停与宕机演练，独立解决Zookeeper启动异常等部署故障，累计闭环多项交付问题，保障外部项目顺利验收上线。
    2. MOPS 自动化运维平台（网络 & 备份模块 Owner）
      • F5自动化全栈建设（DNS+负载均衡）：作为MOPS平台网络模块负责人，基于F5平台独立落地DNS域名、负载均衡两大核心能力自动化建设，完成全流程产品化适配。自主研发域名申请、变更、回收、一键回退全链路自动化流程，替换老旧第三方采集数据源，实现资产元数据主动采集，半年稳定承载千余条业务工单；搭建负载均衡全生命周期自动化流程，设计蓝绿发布、动态参数校验、并发数据一致性控制、变更一键回退机制，半年承接400+生产工单，有效规避人工操作风险，大幅降低线上变更事故率，同时跟进团队全栈转型，独立承担模块前后端功能开发交付工作。
      • 网络模块统筹：统筹F5、DNS、防火墙全网络模块的方案调研、需求评审与风险把控；包括负载均衡参数下发、防火墙策略生成算法、自动采集核心设计，协助团队成员完成功能落地；同步承担平台发版、线上值班、系统调优、慢 SQL 优化等工作。
      • NBU备份模块：实现NBU备份策略申请自动化下发；完成客户端批量自动化安装、API策略远程推送、每日备份任务执行状态全量采集。
      • 产品私有化交付：负责网络、备份管理两大核心模块的私有化交付工作，精准对接外部客户，承接定制化需求沟通、日常问题答疑，输出标准化功能使用指引与交付文档；独立完成对应模块容器打包、多环境部署上线，沉淀了从需求对接、功能落地到客户验收的完整私有化产品交付闭环能力。
      • 集团数字人接入（todo）：负责运维平台Agent与集团美的数字人、负A统一门户对接改造，将网络、备份模块的自助运维能力标准化封装，实现防火墙工单、运维资源自助申请等AI自动化能力，统一集团运维操作入口，推动传统人工运维向智能化自助运维升级。
    3. CMDB-Agent 自然语言智能问数（AI 工程化项目）
      • 基于阿里开源 Data-Agent 框架完成业务定制二次开发，落地运维 AI 问答能力，实现自然语言自动解析、语义识别、生成可执行 SQL，支撑集团人员快速查询资产配置数据。
      • 独立完成内部运维知识库搭建、知识分层梳理、检索精度调优，优化大模型上下文匹配逻辑，显著提升问答准确率与业务适配度。
      • 优化前端流式输出交互体验，实现问答结果实时分段推送，解决大模型长响应卡顿问题，大幅提升平台整体使用体验。
      • 预研无框架轻量化通用 Agent 架构，基于可配置 Skill 体系 + 精细化提示词工程实现低代码智能编排，摆脱厚重框架依赖，打造高复用、可扩展的运维 AI 能力，形成个人差异化技术优势。
  • 个人项目
    基于XXL-Job的高并发定时秒杀商城系统 | 针对Java高并发技术短板，基于XXL-Job开源调度框架二次开发，结合电商定时秒杀业务搭建高并发调度系统，融入AI工程化开发流程，重点实现定时促销并发控制、流量防护、性能监控调优，补齐互联网后端核心实战能力。（开源源码研读+AI工程化实战）
    • 开源框架二次改造：研读XXL-Job核心源码（https://github.com/xuxueli/xxl-job ），掌握集群调度、线程模型、容错重试机制，针对电商业务场景定制任务优先级、分片执行策略，优化单机调度瓶颈，提升集群并发处理能力。
    • 定时秒杀高并发场景落地：实现用户预约定时下单、秒杀节点自动开售、超时订单取消功能，依托分布式定时任务精准管控促销窗口期，模拟电商大促瞬时高并发业务场景。
    • 并发安全与流量防护：通过Redis Lua脚本实现原子库存扣减，解决超卖问题；基于分布式锁、线程池隔离、任务限流规避流量冲击；借助Kafka异步削峰解耦，有效处理高并发任务积压，保障服务稳定运行。
    • AI工程化高效开发：落地标准化AI开发流程，通过需求拆解、AI辅助编码、人工审码、单元测试、压力验收全链路开发，提升复杂高并发项目的研发规范性与落地效率。
    • Arthas监控与性能调优：接入阿里开源Arthas组件搭建可观测能力，实时监控JVM指标、线程池状态、接口耗时及QPS；精准定位锁等待、频繁GC、任务超时等问题，针对性调优，提升系统并发承载能力与稳定性。
  • 专业技能
    • 后端开发：熟练 Java、SpringBoot、SpringCloud、MyBatis，掌握常用设计模式与企业级工程化规范
    • 线上故障治理：精通 JVM 调优、并发编程、线程池、锁机制，具备 OOM、FullGC、线程异常、接口卡顿等线上问题完整排障经验
    • 数据库与中间件：熟练 MySQL、MongoDB、Elasticsearch、Kafka；掌握索引优化、SQL 调优、消息队列治理、线上数据问题排查能力
    • 时序数据库服务化开发：熟悉 InfluxDB 时序数据库，独立参与中间件云原生服务化能力建设，落地实例备份恢复、节点重启、规格变配、跨环境数据迁移等平台化功能，具备时序中间件容器化改造与服务封装实战经验
    • 云原生工程化：熟练 Docker 容器打包部署、K8s 基础资源运维、Ansible 自动化脚本、多环境产品化交付；具备容器服务编排、资源调度、跨环境迁移落地实战经验，可独立完成中间件平台化集成与稳定性压测验证
    • AI 工程化能力：精通 Prompt 工程、大模型上下文编排、Agent 应用开发、AI 辅助全流程后端项目开发与质量验收
    • 综合能力：具备模块全栈开发、项目方案设计、需求评审、外包管控、SOP 沉淀、客户私有化交付闭环能力

talks

  • 自我介绍。
    面试官您好，我是蔡枫，本科毕业于华南理工大学计算机学院，在美的集团从事Java后端开发的工作。
    我主要接触两方面的工作，目前正在做的是自动化运维平台的开发，面向整个集团的用户提供主机、网络管理相关的服务，我们的工作就是把以往通过管理员手动下发的工作实现流程化、自动化，保证可追溯和甚至可逆。另外，还做了半年的数据库服务化开发，建设InfluxDB的“数据库即服务”（DBaaS）能力，基于开源Influxdb Cluster支持了备份恢复、变配、迁移等功能，但是后期随着对开源数据库的可靠性存在顾虑中断了。

  • 项目介绍。
    1 自我相信，要反复强调：这个项目非常重要
    2 包装项目：为什么做，怎么做，亮点，结果
    3 告诉面试官一件他不知道的事情，产生好奇

  • 💻 项目一：自动化运维平台开发与产品化

    • 我主要负责MOPS开发，面向全集团提供主机、网络运维、备份管理等运维功能，目标是实现运维操作的自动化、流程化和可逆化。本身也是可对外输出的ToB产品，也接触到产品化定制需求的开发和环境部署。独立负责基于F5的负载均衡和域名解析两大模块的自动化功能全生命周期建设，主要是申请、变更、回收和一键回退的场景，基本实现了全自动化。
    • 具体工作与关键技术细节
      1. 自动化流水线设计：我设计了基于 “工单驱动” 的自动化流水线。将用户申请转化为标准化工单，支持 “立即、定时、两阶段” 等多种执行策略，将F5平台的参数与表字段一一对应，调用API、脚本实现策略下发。（特别的，负载均衡变更为创建新pool挂到原vs=》蓝绿发布，，记录变更前状态以保证回滚完全。。）
      2. 多系统集成与可靠性保障：深度集成CMDB（作为资源事实库）、作业平台（用于脚本下发）等系统。为确保流程可靠，我着重处理了异常控制和回滚机制。所有操作步骤都有明确的状态和日志记录，每一环节的操作都详细记录上下文到日志供排查；下发成功后，支持一定时效内和指定权限人发起一键回退。。
      3. 产品化与高可用设计：为支持产品化输出，我对功能进行了抽象和封装，使其能通过配置适配不同客户的环境。通过Powershell脚本另外支持了Windows平台的DNS自动化下发。
    • 市场竞品对比与成果衡量
      • 对标产品：这项工作在市场上类似嘉为蓝鲸的自动化运维平台或腾讯蓝鲸的相关模块。它们核心价值也在于将复杂的手动操作标准化、自动化，并确保过程可控。
      • 我的成果：
        效率提升：将F5配置和DNS解析这类操作的平均交付时间从天级缩短到分钟级，全年支持变更超千次。
        可靠性：通过完善的异常处理和回滚，将因配置失误导致的业务中断事件降低了90%以上。
        产品价值：直接支撑了该平台作为ToB产品成功落地，获得了客户验收。

  • 💾 项目二：InfluxDB数据库服务化能力建设

    • 我主导了InfluxDB数据库的服务化改造，在数据库管控平台（DataMars）中，建设InfluxDB的“数据库即服务”（DBaaS）能力，解决手动运维数据库效率低、易出错的问题。基于开源Influxdb Cluster，从0到1负责InfluxDB实例的备份恢复、在线变配、节点迁移/重搭等核心功能的调研、设计和开发。
    • 具体工作与关键技术细节
      1. 核心场景实现：
        备份恢复：调研并采用 influx_inspect export 逻辑备份与OSS对象存储结合方案，实现了数据库级和实例级的备份恢复，并集成到平台的工作流引擎中。
        在线变配：通过修改Kubernetes StatefulSet配置，实现了CPU、内存的原地变配，以及通过PVC（持久化存储声明）扩容实现存储空间的在线扩展。
        节点迁移与数据一致性保障：这是项目最大挑战。我设计并实现了 “热分片截断-冷副本恢复”双阶段迁移方案。在数据持续高速写入（2000 points/s）的场景下，通过先截断热分片引导新数据写入新节点，再从健康节点同步历史数据，有效解决了开源工具在迁移过程中可能丢失增量数据的问题，确保了数据一致性。
      2. 技术架构：功能深度集成到平台的apiserver、bakserver和agent组件中，通过K8S Operator模式对InfluxDB集群的生命周期进行管理。
    • 市场竞品对比与成果衡量
      • 对标产品：这类数据库服务化平台在业界类似云和恩墨zCloud、腾讯云DBbridge等数据库管理平台，核心是实现数据库资源的池化、按需供给和全生命周期智能化管理。
      • 我的成果：事实上基本没有用户，随着发现开源数据库的功能不完善，开发也中断了。
    • 在面试中介绍时，你可以遵循“背景-行动-结果-对比”的结构：
      • 开头总结：用一句话点明项目核心价值。
      • 具体阐述：重点突出你如何解决关键问题，特别是高可用、数据一致性、自动化闭环方面的设计。
      • 量化成果：用数据（如效率提升百分比、可靠性指标）证明你的贡献。
      • 展现视野：通过提及竞品，表明你不仅埋头编码，更抬头看路，了解行业最佳实践。

  • 技术亮点与难点

    1. InfluxDB 节点迁移（2025年4月）
      • 难点：开源工具在数据同步时可能丢失增量数据，需自定义解决方案。
      • 解决：设计“热分片截断+冷副本恢复”双阶段方案，通过多线程压测验证数据一致性。
      • 价值：为分布式数据库的容灾提供了可复用的方法论。
    2. 负载均衡/F5 配置自动化（2025年7月）
      • 难点：并发变更时资源竞争导致配置异常。
      • 解决：引入状态机管理工单流程，通过校验机制和回滚逻辑保证安全性。
      • 价值：支持每年 1000+ 次变更需求，错误率下降至 1% 以下。
      • ？！工程化思维：注重文档、自动化、可维护性（如制定 SOP、设计回滚方案）。

  • 为什么要跳槽？为什么tob，为什么2c？中台？
    从晋升结果来看，业务产出少可能是得不到认可的原因。
    不局限tob/c，我还还年轻，有信心尝试不同的领域。要持续学习，保持好奇。做中台就像一个螺丝钉，不断修修补补，比较无趣（运维场景深度待挖掘）

  • 工作一年以来对Java开发的理解。
    整体比较符合预期，就是解决实际问题的根据，利用算法&数据结构，实现具体的需求。目前不可避免的陷入在很小的领域（很具体的功能）编写杂七杂八的业务逻辑，但这是总来有执行者来做的工作，我觉得关键是前期方案设计时保证整体的可靠性和通用性（自动化场景1 2 3，平台1 2 3），做需求时总结出sop，或者直接交给AI来做

  • 一个挑战。

    1. 自动化运维，负载均衡vs<-pool<-server三层结构，改造为支持并发。。立即，定时，同时都有，怎么考虑，，
    2. influxdb服务化，做迁移的时候，把指令全试了一遍

  • 一次排查问题。
    cpu飙升，发现是一个接口有io操作，并发大了就卡住了。。
    首先，停掉回写接口，把cpu降下来，恢复服务
    分析，不是计算型的，所以多线程没用，要考虑优化io查询，cmdb加索引。。
    其次，如何降低并发，加缓存？异步？？

  • 处理线上问题，处理偶现问题

  • AI的使用
    AI Coding使用的主要场景有 1、有过往代码可参考的新需求 2、有API文档的需求
    运维Agent

  • AI开发中对SDD的理解
    “总而言之，SDD 不仅仅是一个开发流程，它更是一种工程思维的转变。它标志着我们从‘凭感觉编程’（Vibe Coding）进入了‘按规范交付’的工程化时代。对于后端开发者而言，掌握 SDD 意味着我们不再是 AI 生成代码的被动接收者，而是通过定义清晰的‘契约’，主动地、系统性地驾驭 AI，确保交付的软件既正确又符合业务意图。这正是在 AI 时代，后端工程师核心价值的体现。”

  • AI coding如何节省Token？
    核心：少输入、少输出、少交互、精上下文
    面试回答：原则 + 6个具体方法 + 总结价值
    亮点：体现你会用 AI、懂成本、有工程规范

  • Agent如何节省Token？

  • 同样的模型，同样的提词，输出结果一定一样吗？
    结论先说：默认情况下一定不一样；只有严格锁死全部条件，才能做到每次输出完全相同

  • CMDB 数据维护？
    读写，限流
    MongoDB慢sql加索引
    提供接口查询所有IP

  • CMDB 功能维护
    全文检索
    自动采集
    zk拉起

  • CMDB 运维
    kafka
    java

  • 运维平台？
    企业运维自动化
    先自动化，后智能化
    竞品调研

  • 极海题库：https://bitfree.cn/question

2027

~~