最近参加了 Barclays 的一场技术面试，主要围绕提前提交的 Take-home Assignment 展开。项目是一个基于 FastAPI 和 RAG 的 AI Document Q&A 系统，使用 Docker、Helm 和 Kubernetes 部署，同时集成了 OpenTelemetry、Prometheus、External Secrets 和 GitHub Actions。

面试从项目演示开始，随后直接进入代码审查。问题非常具体，很多都是针对实际代码实现和生产环境设计的追问。

Python & FastAPI

Q1: Why FastAPI over other frameworks?

为什么选择 FastAPI，而不是其他 Python Web 框架？

Q2: Why did you use HTTP 503 for rate limiting instead of 429?

为什么限流时返回 HTTP 503，而不是标准的 429？如果客户端收到 503，可能误以为服务器故障而不断重试。

Q3: Could you explain end to end what this HTTP middleware function is doing?

解释 HTTP Middleware 的完整执行流程，包括 Request ID、结构化日志、执行时间统计、Tracing 和异常处理。

面试还要求直接查看具体代码行，并写出某段日志处理代码实际生成的数据结构，而不是只解释设计思路。

Docker & Kubernetes

Q4: What's the difference between CMD and ENTRYPOINT? When would you use one over the other?

Dockerfile 中 CMD 和 ENTRYPOINT 有什么区别？分别适合什么场景？

Q5: Would you use a Deployment or a StatefulSet for an observability collector? Why?

如果要在 Kubernetes 中部署日志、Metrics 和 Traces 的采集服务，应该选择 Deployment 还是 StatefulSet？

紧接着追问：How would you make sure that you don't lose any data when restarting the pod?

Pod 重启期间仍然有流量进入，如何避免数据丢失？这里涉及 Buffer、Queue、Graceful Shutdown 和 Readiness Probe。

Q6: If you have a StatefulSet with five replicas, how many PVCs would you expect to have?

一个 StatefulSet 有 5 个副本，通常会创建多少个 PVC？

Q7: What's the difference between kubectl apply and kubectl rollout?

两者有什么区别？执行 kubectl rollout restart 后，集群中的 Pod 会如何更新？

Observability & CI/CD

Q8: Which of logs, metrics and traces would produce more records for a single request?

对于单个请求，Logs、Metrics 和 Traces 哪一种会产生更多记录？为什么？

Q9: What would your CI pipeline look like end to end if you were putting this application into production?

如果要将项目正式发布到生产环境，完整的 CI/CD Pipeline 应该如何设计？

讨论涉及 Lint、Unit Test、Security Scanning、Docker Image、Integration Test、Staging 和 Production Promotion。

Q10: Which branching strategy would you use for the repository?

团队应该采用什么 Git 分支策略？如何处理 Feature Branch、Pull Request 和 Main Branch？

面试还讨论了 Change Management，包括生产变更审批、风险评估、部署计划和自动化发布。

RAG & AI Gateway

Q11: Could you name any vector-first database solutions that might be considered?

有哪些适合 RAG 系统的向量数据库方案？

Q12: What extensions would you add to your RAG pipeline to make it production-ready?

如果将目前的 RAG Demo 改造成正式生产系统，还需要增加哪些能力？

重点涉及向量数据库、Embedding、Hybrid Search、Document Chunking，以及如何通过 Citation 减少模型幻觉。

Q13: What parts would be under the AI Gateway, and what parts would remain your application's responsibility?

如果公司决定统一使用 AI Gateway，哪些功能应该由 Gateway 负责，哪些应该留在应用层？

主要讨论身份认证、API 管理、成本控制，以及应用自身的 Prompt Management、RAG Orchestration 和 Conversation Management。

面试总结

这场 Barclays 面试并没有停留在技术概念上，而是不断从实际代码追问到架构设计，再延伸到生产环境中的可靠性问题。

例如，HTTP 503 和 429 的区别、Pod 重启时如何避免数据丢失、RAG 系统如何生产化，都是需要结合实际工程经验才能回答完整的问题。

整体来看，这场面试更偏向 Platform Engineering、DevOps、Kubernetes 和 AI Infrastructure，既要求能阅读和实现代码，也要求理解系统在真实生产环境中的部署、监控和维护方式。

CSOAHELP 持续整理真实科技公司面试题，也设计贴近业务场景的练习题，提供 Mock Interview、系统设计辅导和实时面试思路支持。

我们也有代面试，面试辅助，OA代写等服务助您早日上岸~