最近都用到Spring Cloud Alibaba的哪些组件,都用来做什么
- Nacos（元数据集成规范平台 / 文献资源标引与馆藏管理平台 核心使用）
Nacos 主要承担服务注册发现和统一配置中心两大核心作用：
做服务注册发现时，所有微服务模块都注册到 Nacos，模块间相互调用不用手动配置地址，由 Nacos 自动寻址，
做统一配置中心时，把两个项目里的核心配置，比如数据校验规则、多线程处理参数、ES 索引配置等，都集中在 Nacos 管理，修改配置无需重启服务，实时生效， - Seata（HBOS 医疗业务中台 / 航天云膜库存管理系统 核心使用）
Seata 主要用来解决微服务分布式事务一致性问题：
HBOS 医疗业务中台，医嘱开立、药品库存扣减、诊疗费用核算这些操作会跨多个微服务，用 Seata 管控分布式事务，保证这些操作要么全部成功、要么全部回滚，避免出现医嘱开了但库存没扣、费用算错的情况；
航天云膜库存管理系统，库存扣减和订单创建跨模块操作，通过 Seata 解决了分布式场景下的数据不一致问题，杜绝超卖、库存账实不符的核心问题。
3. Sentinel（HBOS 医疗业务中台 / 青松职考在线教育平台 核心使用）
Sentinel 主要做流量治理、接口限流降级和熔断保护，保障系统稳定运行：
在 HBOS 医疗业务中台的门诊接诊、患者信息检索这些核心高并发接口，请求量超阈值时自动降级，避免服务被压垮，保障医院日常诊疗的核心业务可用；
青松职考在线教育平台，用 Sentinel 做限流和熔断， 课程数据检索的响应速度，又提升了用户体验。
元数据集成规范平台
元数据集成规范平台用到什么技术了
Java 多线程、规则引擎，还有 ETL 工具 Kettle，以及 Spring Cloud Alibaba、ES、Redis 这些基础架构技术
怎么实现异构数据标准化处理的?
数据都是xml格式,以NSTL数据为规范标准
- XXL-Job定时任务获取NSTL规范的XML数据
- 用 Dom4j 将第三方不同来源会议类型数据XML转换为NSTL格式的XML,通过NSTL提供的XSD做格式校验(一套模板对应一个数据源)
- 使用ETL进行机器质检,三方数据的文件上传+数据上传
- 进行人工复核质检,质检通过可关联,不通过可退回
- 通过ISBN相同或EISBN相同或ISBN与EISBN交叉匹配进行关联
- 没有NSTL规范数据的进行人工创建规范数据
- 展示规范数据,输出下游接口
元数据集成规范平台 / 文献资源标引平台（大数据处理，特色亮点）
处理 80 万 + 馆藏数据、50 万 + 脏数据，用了什么技术方案保证处理效率和准确率？
核心用了多线程分批 + 断点续传的方案，首先把海量数据按 ID 分批次，每批次 1000 条，用线程池开启多线程并行处理，避免单线程处理慢的问题。然后做了断点续传，在数据库中记录每个批次的处理状态，成功 / 失败 / 未处理，一旦服务挂了或者处理中断，重启后能从未处理的批次开始，不用重新处理，避免重复工作。对于脏数据，设计了规则引擎 + 机器质检 + 人工复核的机制，先通过规则引擎过滤掉明显的脏数据，比如缺主键、字段格式错误的，再用机器质检校验数据的完整性和规范性，最后把疑似错误的数据推送给人工复核，这样既保证了处理效率，又能提升准确率。最终 80 万 + 馆藏数据处理完，标引准确率从 89.5% 提到 99.6%，50 万 + 脏数据修复后准确率到 99.5%。
为什么用工厂方法模式做多数据源解析，不用抽象工厂?
首先选工厂方法，是因为这个项目只有数据源解析这一类核心业务，每个数据源对应一个解析实现类，工厂方法能实现解耦和扩展，符合开闭原则；落地时我定义了统一的解析接口，给 WOS、IEEE 各写了解析实现类，又封装了简单工厂做统一创建，，现在只用做解析，用抽象工厂就是过度设计，增加代码复杂度（避坑点）；而且工厂方法后续新增数据源，只需要加实现类，不用改原有代码，扩展成本特别低。
怎么实现异构数据的标准化处理？比如 Web of Science、IEEE 的第三方数据和 NSTL 规范数据的整合？
首先对接了 NSTL 的 HTTP API 和第三方出版社的压缩包数据源，先把异构数据解析成统一的 Java 对象，然后设计了XML/XSD 校验框架，根据 NSTL 的规范制定了数据校验规则，对解析后的数据做格式、字段、类型的校验，不符合规则的数据标记为异常并返回原因。然后基于ISSN/ISBN 构建了自动关联规则，把第三方数据的标识和 NSTL 规范数据的标识做匹配，实现数据的自动关联。另外还开发了残缺数据简编补全功能，对于缺少数值、描述等字段的残缺数据，通过规则引擎从关联的规范数据中补全，最终实现了异构数据的标准化处理，支撑了研究所内部的文献检索。
数据修复
把数据按批次拆分，每个线程处理一个批次；
使用了Redisson 分布式锁，以批次 ID 作为锁 key，保证同一时间只有一个线程能处理这个批次；
同时在批次表加了乐观锁（版本号），更新批次状态时带上版本号，确保状态更新是原子操作，避免并发冲突；
每个批次的修复逻辑都包在事务里，要么全部成功，要么全部回滚，保证数据修复的原子性；
再通过 批次状态 实现断点续传，就算服务重启，也能接着处理。
线程池是自定义的，8 核 16G 服务器配了核心线程 10、最大 20、有界队列 100，避免 OOM 又能跑满 CPU；Redisson 锁是按批次 ID 生成唯一 Key，用 tryLock 加 5 秒等待、30 秒自动过期的锁，拿到锁才处理批次，finally 里释放锁，既保证并发安全，又不会死锁。
航天云膜库存数据不一致,怎么排查的,怎么解决的
- 按SKU+仓库ID加Redisson可重入锁，避免多线程并发冲突；
扣减前后双重校验库存数值，搭配定时双缓存比对兜底，发现异常立即告警修正。
高并发库存扣减时加分布式锁，避免并发冲突；库存扣减成功后同步更新DB和缓存，失败立即回滚 - 库存盘点机制(定时任务 + 双缓存对比)
每天凌晨定时任务自动触发盘点流程：先拉取MySQL全量库存数据生成基准缓存，再同步提取Redis实时业务缓存，按商品ID+仓库ID做唯一匹配对齐维度；随后批量对比两份缓存数据，逐行核对库存数值，标记异常数据并区分偏差类型；紧接着生成异常清单，方便运维人员快速核查。
如何用 Redis 实现分布式锁
航天云膜中扣减 100 + 仓库库存时，对每个仓库的库存 key（如stock:warehouse1）加 Redisson 分布式锁，加锁成功后再执行库存扣减 + 库存变更日志记录，操作完成后释放锁，即使执行中出现错误，业务代码中捕获异常并回滚操作，保证一致性。
项目中如何保证 Redis 缓存和 MySQL 数据库的数据一致性？
库存扣减时，先更新 MySQL 的库存数据，保证数据持久化的正确性；
再删除 Redis 对应的库存缓存，而非更新缓存（避免多线程更新缓存导致的不一致）；
若删除缓存失败，通过RabbitMQ 消息队列做重试，保证缓存最终被删除；
当有查询请求时，Redis 缓存不存在，会从 MySQL 查询最新数据，再写入 Redis，完成缓存更新。
销量 / 评分 / 热度动态加权排序算法
我设计的是动态加权排序算法，核心是先把销量、评分、热度标准化为 0-10 分，再结合基础权重 + 时间衰减 + 个性化调整计算最终得分：比如新课的销量 / 热度权重会提升，用户常点高评分课程就调高评分权重。算法通过 ES 的 Function Score Query 落地，权重参数配置在 Nacos 可动态调整，同时预计算排序因子缓存到 Redis，保证排序不影响检索性能。最终搜索结果点击率提升了 25%，用户找课更精准
RabbitMQ 实现课程预约状态异步更新
课程预约功能高峰期写请求多，同步写库导致数据库压力大，我用 RabbitMQ 做了异步改造：用户点击预约后，接口只做基础校验，发送 MQ 消息就返回成功，消费端异步更新课程预约数、用户状态和日志。同时加了本地消息表保证消息不丢，手动 ACK + 死信队列处理失败消息，预约数缓存到 Redis 保证查询性能。最终数据库写压力降了 60%，高峰期系统完全不卡顿，接口响应也快了很多。
消息丢失的情况？如果有，是怎么处理的？如果没有，你们怎么确保消息的可靠传输？
项目中通过三重保障确保消息可靠传输：生产者端开启 confirm 机制，消息发送后等待 Broker 确认，失败则重试；Broker 端队列和消息都设为持久化，落盘存储；消费者端用手动 ACK，处理完消息再确认，避免未处理就丢失。实际运行中没出现过消息丢失，还通过定时扫描死信队列，对失败消息进行重试或人工介入，进一步保障可靠性。
其它问题
线上CPU突然100%怎么排查？
线上 CPU 100% 我会按 4 步排查：
- 先用 top 命令定位占用 CPU 的 Java 进程；
- 再用 top -Hp 定位进程内的异常线程，把线程 ID 转 16 进制；
- 用 jstack 抓取线程栈，结合 16 进制线程 ID 找到问题代码，同时用 jstat 排查是否是 GC 导致；
- 最后分析根因 —— 常见的是死循环、死锁、Full GC 频繁
接口超时排查思路是什么？
先看服务器日志，定位超时的接口和具体报错信息；再查数据库，用 explain 看是否是 SQL 慢查询；然后检查中间件，比如 Redis 是否缓存击穿、RabbitMQ 是否消息堆积；最后看服务器资源，CPU、内存、磁盘是否过载，一步步缩小范围，定位问题后针对性优化，比如加缓存、优化 SQL、扩容资源。
接口响应时间从 3.2 秒降至 1.5 秒、4.5 秒降至 1.2 秒，做了哪些具体的优化？
主要是索引重构 + 查询逻辑优化 + 缓存高频数据三步。第一，重构了 MySQL 的索引，删除了冗余索引，对核心的关联查询字段建立了联合索引和覆盖索引，比如文献表的 ISSN+ISBN、馆藏表的馆藏编号 + 索书号，避免回表查询，提升查询效率；第二，优化了复杂的关联查询逻辑，把多表联查拆成两次单表查询，用内存做关联，减少数据库的压力，同时移除了查询中不必要的字段，只查业务需要的字段；第三，用 Redis 缓存高频访问的文献基础数据、馆藏定位数据，这些数据变更频率极低，缓存后直接从 Redis 取，不用查数据库。通过这三步，接口响应时间大幅下降，馆员的工作效率也提升了 60%。
多服务查相同数据
可以搭建独立的course-data-service数据服务：
把课程表的所有查询逻辑（多维度筛选、分页、数据转换）都封装在这个服务里，对外暴露标准化 Feign 接口，其他服务通过 OpenFeign 调用该接口获取数据。
这样一来，所有服务共用同一套查询逻辑，修改时只需改数据服务，无需改所有调用方；
同时给数据服务做了多实例部署和 Sentinel 限流，保证高可用，最终彻底解决了业务逻辑重复、维护成本高的问题。
线上 OOM 突然爆了，怎么排查？
- 先用 jmap 导出堆的内存快照 ，或者靠 JVM 参数自动生成快照
- 重启服务，保证业务可用
- 接着用 MAT 分析 dump，重点看谁占内存最大、引用链有没有问题
一般就两种情况：
要么是大对象、批量查询没分页导致内存瞬间打满；
要么是内存泄漏，比如静态集合、缓存没清理，对象一直无法回收。
找到问题后改代码、加监控、优化 JVM 参数，再压测验证
数据更新时，请求进来，redis是旧数据，MySQL是新数据
业务代码 只写 MySQL，不碰 Redis
MySQL 一增删改，就会产生 binlog 日志
Canal 伪装成从库，订阅 binlog，抓到变化
Canal 把数据推给我们的 Java 服务
Java 服务异步更新 / 删除 Redis 缓存
前端读的时候，直接读 Redis 就行
如何保证MySQL和redis数据的一致性
我们不追求强一致，保证最终一致性。
方案是先更新数据库，再删除缓存，绝对不先删缓存。
因为先删缓存会导致并发查询写入旧数据。
极端不一致情况概率极低，可通过缓存过期时间兜底。
如果要严格保证，可通过MQ 重试或订阅 binlog 异步删除，确保缓存一定被删掉
SSO单点登录
单独搞一个认证中心（专门管登录的服务），所有系统都认它。
你打开 A 系统，没登录 → 自动跳去认证中心登录页。
输账号密码，认证中心校验通过，给你发一个全局凭证（比如 Token / Ticket）。
带着这个凭证再跳回 A 系统，A 系统拿着凭证去认证中心校验，校验通过就登录成功。
再打开 B 系统，B 系统发现你没登录，也跳认证中心。
认证中心一看你已经登录过了，直接给凭证，不用再输密码，B 系统校验完就自动登录
通用项目问题（所有项目都能答，兜底）
你在项目中遇到的最大的技术难点是什么？怎么解决的？
印象最深的是航天云膜库存系统中，多仓库分布式场景下的库存数据一致性问题，一开始只用了 Redis 扣减库存，但是出现了 Redis 和 MySQL 数据不一致的情况，比如服务挂了导致 Redis 扣减了但 MySQL 没更新。解决的话，首先把库存操作分成预扣减和实际扣减，下单预扣 Redis，支付成功再扣 MySQL，取消订单就回滚；然后用RabbitMQ 做异步同步，Redis 扣减成功后发送 MQ 消息，消费端消费消息再更新 MySQL，同时做了消息的重试和死信队列，保证消息必达；最后加了定时对账任务，每天凌晨比对 Redis 和 MySQL 的库存数据，把不一致的做人工修正。通过这三步，彻底解决了分布式场景下的库存一致性问题，线上再也没出现过数据不一致的情况。
你在项目中是怎么做性能优化的？从哪些维度入手？
一般从数据库、缓存、代码、中间件四个维度入手，这也是我在多个项目中验证过的有效方法。数据库层面：建立合适的索引、优化 SQL 查询、分库分表（大数据量场景）、减少多表联查；缓存层面：用 Redis + 本地缓存做二级缓存、遵循先更 DB 再删缓存的原则、给缓存加合理的过期时间；代码层面：优化循环和判断逻辑、避免重复查询、用线程池处理异步任务；中间件层面：MQ 做异步解耦、Elasticsearch 替代数据库做全文检索、Nginx 做负载均衡。比如在泰康理赔系统和元数据平台中，都是通过这几个维度的优化，把接口响应时间大幅降低，提升了系统性能。
怎么解决项目中的分布式数据一致性问题？
如果是库存扣减、订单创建这种核心场景，用Seata 的 AT 模式，轻量级，对业务代码侵入小；如果是跨系统数据同步、消息通知这种非核心场景，用MQ 异步同步 + 重试机制，比如理赔系统的合作渠道数据同步、库存系统的 Redis 到 MySQL 同步；
如果是缓存和数据库的一致性，遵循先更 DB 再删缓存的原则，加过期时间兜底；如果是分布式锁场景，用 Redisson 的 Redis 锁，避免超卖、重复提交等问题。不同的场景用不同的方案，既保证数据一致性，又兼顾系统性能
Spring AOP 底层怎么实现的？JDK 动态代理和 CGLIB 有什么区别？
Spring AOP 底层就是动态代理，默认优先用 JDK 动态代理，目标类没有实现接口时用 CGLIB；JDK 动态代理是基于接口的，通过反射生成实现目标接口的代理类，调用目标方法；CGLIB 是基于继承的，通过 ASM 字节码框架生成目标类的子类，重写目标方法。项目里我做数据源解析时，因为所有解析类都实现了统一接口，所以用的 JDK 动态代理，结合 AOP 做了日志和校验的切面。
Redis 分布式锁的核心原理？为什么不用原生的 setnx，用 Redisson？
原生 setnx 做分布式锁，核心是setnx+expire，保证锁的原子性，但有两个坑：一是 setnx 和 expire 非原子，可能加锁成功但没设过期时间，锁永久有效；二是锁过期后业务没执行完，会导致锁释放，出现并发问题。Redisson 解决了这些问题，它的可重入锁是基于Redis 的 hash 结构实现的，加锁时记录线程 ID 和重入次数，还自带看门狗机制，业务没执行完会自动给锁续期，而且加锁和设过期时间是原子操作，项目里做库存扣减时用它，彻底避免了超卖和锁失效的问题。
RabbitMQ 怎么保证消息不丢失？
从三个层面保证：一是生产者层面，用 confirm 确认机制，消息发送到交换机后，MQ 会给生产者回传确认，没收到就重发；二是MQ 层面，开启交换机和队列的持久化，避免 MQ 宕机消息丢失；三是消费者层面，关闭自动 ACK，业务执行成功后手动 ACK，执行失败则拒绝并重新入队（或死信队列）。我在库存管理项目里就是这么做的，保证了 10 万级 / 天的消息处理零丢失。
航天云膜库存管理系统
你做的库存管理系统支撑 100 + 仓库高并发扣减，QPS 峰值 500+，怎么解决超卖问题的？
首先用了Redisson 的分布式锁，因为单 JVM 的锁在分布式场景下没用，Redisson 的锁是基于 Redis 实现的，还能自动续期避免锁超时。然后库存的存储结构用了Redis Hash，按仓库 ID 做 key、商品 ID 做 field，这样能精准定位每个仓库的商品库存，扣减时先查 Redis 库存，大于 0 再扣减，扣减成功再同步到 MySQL。另外还做了库存预扣减，下单时扣 Redis 库存，支付成功再扣 DB 库存，取消订单就把库存回滚，从流程上避免超卖。压测到 500+QPS 都没出现超卖，线上运行也很稳定。
这个项目里用了 Redis+Caffeine 二级缓存，为什么这么设计？怎么保证缓存和数据库一致性的？
主要是为了降低 Redis 的访问压力，提升接口响应速度。Caffeine 是本地缓存，访问速度比 Redis 快，适合存那些访问极高频、变更频率低的库存基础数据，比如商品规格、仓库基础信息；Redis 是分布式缓存，存实时变化的库存数量，所有服务节点共享。一致性方面，我遵循先更 DB，再删缓存的原则，更新库存时先更新 MySQL，再删除 Redis 对应的缓存，本地 Caffeine 因为是单机的，用了过期时间兜底，同时更新时会主动清除当前节点的本地缓存，下次查询再从 Redis 加载最新数据，保证最终一致性。
自动盘点功能准确率 99.8%，是怎么实现的？
设计了定时任务 + MySQL/Redis 双缓存比对的机制，用 xxl-job 做分布式定时任务，按仓库分批执行盘点。首先拉取 MySQL 的库存账面数，再拉取 Redis 的实时库存数，逐行比对两者的差值，把不一致的数据标记为异常，生成盘点报表推送给仓库管理员。另外还做了断点续传，如果盘点过程中服务挂了，重启后能从上次中断的位置继续，不用重新盘点。对于少量比对不一致的，排查下来大多是异步同步延迟导致的，加了短暂的重试机制，最终准确率做到了 99.8%，人工干预减少了 90%。
泰康保险理赔管理系统（金融行业核心，高频）
你负责了合作渠道管理模块，怎么设计的机构权限分级体系？
首先结合泰康的业务场景，把机构分为总公司、分公司、合作机构、线下网点四个层级，基于RBAC 权限模型设计，给每个层级分配不同的角色，角色绑定对应的接口和数据权限。比如总公司能看所有渠道的理赔数据，分公司只能看自己辖区的，合作机构只能看自己的业务数据。然后做了数据行级权限控制，在数据库表中加了机构 ID 字段，查询时自动拼接机构 ID 条件，避免越权访问。另外还设计了跨系统数据同步方案，通过 MQ 把合作渠道的业务数据同步到理赔系统，同时做了数据校验，保证跨系统数据的一致性，支撑了理赔对外协作的核心链路。
核心接口响应时间从 500ms 降到 150ms，做了哪些优化？
主要从三个方面优化：第一是数据库优化，对核心查询表建立联合索引，比如理赔表的机构 ID + 报案时间、产品表的产品 ID + 状态，同时优化了关联查询逻辑，减少多表联查和子查询，把复杂的统计查询改成分步查询；第二是缓存优化，用 Redis 缓存高频访问的产品信息、审批规则、机构信息，这些数据变更频率低，缓存过期时间设为 1 小时，更新时主动删缓存；第三是代码逻辑优化，移除了代码中不必要的循环和判断，把一些重复的查询逻辑抽成公共方法，同时关闭了 MyBatis 的一级缓存兜底，避免缓存脏数据。优化后核心接口的响应时间直接从 500ms 降到 150ms 内，满足金融行业的性能要求。
理赔系统中用了 Elasticsearch 做全文检索，怎么保证检索准确率 95% 的？
首先基于理赔资讯、产品名称、案件描述等字段建立了自定义检索索引，用了 IK 分词器的智能分词模式，能对中文长句做精准分词，避免漏词和错分词。然后做了字段权重设置，比如把理赔资讯的标题权重设为 3，内容权重设为 1，产品名称权重设为 2，这样搜索结果会优先匹配权重高的字段，提升相关性。另外还做了同义词扩展，比如把 “理赔”“核保”“报案” 的同义词加入词典，避免用户输不同的词搜不到结果，同时对搜索结果做了精准过滤，根据用户的机构权限过滤掉无权访问的内容。最终检索准确率做到了 95%，满足业务方的需求。
医疗中台
：你们医疗中台多服务调用，数据一致性怎么保证？Seata 怎么用？
我们医疗中台是微服务架构，医嘱、收费、药品、病历多个服务互相调用，传统本地事务保证不了一致性，所以我们用了 Seata AT 模式 实现分布式事务。
实现流程（口语化）
搭建 Seata Server（TC 事务协调器）
单独部署，负责全局事务的提交与回滚，管理所有分支事务。
每个微服务引入 Seata 依赖，配置数据源代理
Seata 会自动代理数据源，无侵入式接管事务。
在发起方方法上加 @GlobalTransactional
比如开立医嘱这个接口，作为全局事务入口。
执行流程
开启全局事务，生成 XID；
调用订单、药品、收费服务，自动传递 XID；
所有服务执行成功 → 全局提交；
任意一个服务失败 / 异常 → 全局回滚。
原理（简单说）
Seata AT 模式基于undo_log 回滚日志，自动记录数据前镜像，需要回滚就恢复，对业务代码零侵入。
业务场景（医疗最贴合）
比如开立医嘱：
扣药品库存 + 生成费用 + 记录病历，
任何一步失败，所有操作全部回滚，
绝对不会出现 “扣了库存没生成费用” 这种数据错误。
航天云膜库存管理，怎么解决 100 + 仓库高并发扣减的超卖问题?
我核心用了Redisson 的分布式锁+Redis Hash 分仓库存储库存（方案）；细节上，首先用 Redis Hash 按仓库 ID 做 key，存储每个商品的库存，避免单 key 竞争；然后用 Redisson 的可重入锁，给每个商品 + 仓库的组合加锁，设置锁过期时间 30 秒，同时利用 Redisson 的看门狗机制，业务没执行完会自动续期，避免锁提前释放导致超卖；还做了库存预扣减，扣减前先判断库存是否充足，不足直接返回
茶悦
用户权限与登录模块怎么设计实现？
我用的是 SpringBoot + Spring Security + JWT 实现的登录认证和权限控制。
流程是：
用户输入账号密码 → 后端校验通过 → 生成 JWT 令牌 返回前端；
前端每次请求把 token 放在请求头里；
后端通过 JWT 拦截器 校验 token 合法性、过期时间，解析出用户信息；
权限基于 RBAC 模型：用户 → 角色 → 权限，不同角色（管理员、门店、用户）看到不同菜单、接口权限。
安全方面：密码 BCrypt 加密、token 过期自动刷新、敏感接口防止重复提交。
基于 RabbitMQ 实现订单、支付结果异步通知怎么做？
流程：
用户支付成功 → 支付服务发送 MQ 消息（订单号、支付状态）；
订单服务监听队列，消费消息，更新订单状态为 “已支付”；
同时通知库存服务：扣减真实库存；
整个流程 异步化，不阻塞主线程，提升系统吞吐量。
保证消息可靠：
开启 消息持久化、生产者确认、消费者手动 ACK，确保消息不丢、不重复消费。
。
青松职考
怎么搭建 Elasticsearch 集群？
我用的是 3 节点高可用 Elasticsearch 集群，基于 ES 7.x 版本搭建。
架构：
3 个节点：1 个主节点（负责集群管理）+ 2 个数据节点（负责存储、检索）；
集群配置：
开启 集群发现，配置同一集群名称；
副本数设置为 1，分片数设置为 3，保证高可用、负载均衡；
高可用：任何一个节点挂掉，其他节点能自动接管，不影响线上服务；
配合 Kibana 做日志监控、索引管理、性能分析。
索引（题库、试卷、课程）怎么设计？
我根据业务做了 3 个核心索引：题库索引、课程索引、试卷索引，结构分离、互不干扰。
题库索引（核心）
字段：题目 ID、题干、选项、答案、难度、分类、标签、创建时间、权重
分词：IK 分词器（智能分词），支持题干、标签模糊检索
keyword 类型 用于精准筛选（难度、分类）；
text 类型 用于全文检索；
float 类型 预留 weight 权重，用于加权排序。
课程 / 试卷索引
字段：名称、简介、分类、价格、热度、更新时间
支持：模糊搜索 + 分类过滤 + 热度排序
动态加权排序算法怎么实现？
我基于 ES function_score 自定义评分 实现了动态加权排序算法。
核心公式：
最终得分 = 匹配度得分 * 权重系数
加权因子（动态计算）
题目热度（点击量、收藏量）
题目难度（易中难加权）
更新时间（新题权重更高）
用户做题偏好（个性化）
后台手动设置的权重
ES 实现方式
使用 function_score
组合 field_value_factor、weight、script 动态计算最终分数
结果按 总分倒序 返回
效果
搜索更精准
热门题、优质题、新题优先展示
支持后台动态调整权重，不用改代码
