大模型在 AI + 大数据融合场景的系统架构 主流架构是大数据平台 + AI 能力层两层协同。大数据层用 Hadoop、Spark 做数据采集、清洗、存储、计算，处理海量业务数据、日志、用户行为，把脏数据变成高质量特征数据。AI 层负责特征提取、模型推理、分析预测，对接大模型、向量库、机器学习算法。

大模型在边缘计算场景的部署挑战与优化策略 边缘部署挑战很现实：设备算力弱、内存小、功耗低，网络带宽也有限，没法跑大模型。优化策略都是工程落地常用的：先做模型压缩，量化、剪枝、蒸馏，把模型变小变快；再用异构计算，用 GPU/TPU/NPU 加速；采用分层推理，简单任务边缘本地处理，复杂任务上传云端；还

AI 大模型在自动化测试与质量保障中的创新应用 大模型把测试从重复劳动变智能了。创新应用很多：一是自动生成测试用例，包括接口、边界、异常场景，还能生成断言，覆盖率比人工高；二是智能日志分析，自动从海量日志里定位异常、报错根因；三是代码审查，帮着查漏洞、规范、逻辑问题；四是做自动化接口测试，生成请求、

分布式系统高效可靠的 ID 生成策略 分布式ID需满足全局唯一、趋势递增、高可用、高吞吐，主流方案有多种。UUID简单但无序、长度长，不适合做数据库主键。雪花算法（Snowflake）最常用，由时间戳+机器ID+序列号组成，纯内存生成、性能极高、趋势递增。数据库号段模式，提前批量分配ID段，避免频繁

Lambda 表达式底层原理及对编程的影响 Lambda 表达式是 Java 8 引入的函数式编程语法，底层依靠 invokedynamic 字节码指令 实现，运行时动态生成执行逻辑，并非简单生成匿名内部类。它会绑定函数式接口的抽象方法，将代码逻辑作为参数传递。对编程的影响极大：大幅简化代码，替代冗

内存泄漏与内存溢出的区别 内存泄漏和内存溢出是Java内存问题的两种核心场景，存在因果关系。内存溢出（OOM） 是程序运行时需要的内存超出了JVM分配的最大内存，导致无法分配新内存，程序直接崩溃。内存泄漏是程序中不再使用的对象，因为被意外持有引用，无法被GC回收，长期占用内存空间。少量泄漏会浪费资源

Java 常用设计模式及实际应用 Java常用设计模式分三大类，是框架和业务开发的核心思想。创建型：单例模式（Spring Bean默认单例）、工厂模式（MyBatis创建SqlSession），负责对象创建。结构型：代理模式（Spring AOP）、装饰器模式（IO流包装），优化结构关系。行为型：

Java 异常处理机制及 try-catch-finally 执行流程 Java 异常处理机制基于 Throwable 体系，将程序错误分为错误（Error）和异常（Exception），通过 try-catch-finally 实现捕获和处理，避免程序直接崩溃。try 代码块存放可能抛出异常的逻辑

Java 反射机制及性能影响 Java反射是允许程序在运行时获取类的完整信息（构造、方法、属性），并动态调用对象方法、操作属性的机制，核心依靠Class对象实现。它让代码更灵活，是Spring、MyBatis等框架的底层核心。但反射有明显性能影响：调用时会跳过编译期检查，JVM无法做优化；需要解析元

Java NIO 与 BIO（传统IO）的主要区别及应用场景 BIO是同步阻塞IO，是Java传统的IO模型，核心是一个线程处理一个连接，连接空闲时线程也会阻塞等待，资源利用率极低。NIO是同步非阻塞IO，基于通道(Channel)、缓冲区(Buffer)、选择器(Selector) 实现，单线程可