面試題解析 第 41 頁，共 52 頁
瀏覽 OfferCC 面試題解析第 41 頁，查看解題思路、實作細節、追問與公開來源。
前端面試：如何診斷並修復 JavaScript 記憶體洩漏？
用可重複操作和 GC 後基準證明洩漏，再透過堆積快照、保留路徑與分配時間軸定位責任物件，按資源所有權修復並用同一實驗驗收。
後端面試：如何用冪等鍵讓可重試命令只產生一次副作用？
圍繞網路逾時、並發重試與未知結果，設計可驗證的冪等鍵儲存、狀態機與過期策略。
如何處理串流聚合中的遲到事件與亂序資料？
用事件時間、水位線、允許遲到視窗與更正輸出處理亂序串流，平衡結果準確性、延遲、狀態大小與可重播性。
產品經理面試：如何制定產品三倍成長策略？
用 ARR 驅動樹檢驗三倍成長目標，按客戶分群定位限制，再以證據、增量收益和階段門檻選擇兩項產品下注。
Linux 面試：如何診斷並修復殭屍行程？
從殭屍行程反查未回收子行程的父行程，區分不同的 fork 限制，安全恢復服務，並提出主機與容器中的永久修復及驗證方法。
程式設計面試：如何在 Python 3.14 中安全內省註解而避免意外求值？
有意識地選擇 annotationlib 格式處理延遲註解，保留前向引用，讓外掛或 Schema 發現跨 Python 版本保持可控。
如何設計 Saga 編排多服務訂單履約並處理補償？
把跨服務訂單流程拆成區域交易，設計編排器、冪等步驟、補償動作和可觀測的最終一致性。
前端面試：如何解釋事件傳播並實作事件委派？
從捕獲、目標和冒泡階段推導事件委派，使用 target、closest 與邊界檢查實作動態清單，並處理傳播中斷、非冒泡事件、Shadow DOM 和監聽器清理。
後端面試：Node 與 NGINX 超時不一致，為什麼請求報錯但工作仍完成？
從端到端時間線、代理讀取超時、取消傳播與非同步任務邊界，定位跨層超時並設計可驗證的修復。
如何解釋串流處理中的 Exactly-once 語義與外部副作用？
區分訊息投遞、管線處理與外部寫入的保證，設計可重試、可去重且可觀測的資料管線。
產品經理面試：你會如何在開發前驗證一個產品構想？
把產品構想拆成可證偽的高風險假設，用與假設匹配的最低成本實驗取得行為證據，並以預先約定的門檻決定開發、縮小範圍、轉向或停止。
Linux 面試題：什麼時候應該用單調時鐘，而不是牆上時鐘？
用逾時、日曆任務、系統休眠與跨機器排序四類場景，分清 CLOCK_REALTIME、CLOCK_MONOTONIC 與 CLOCK_BOOTTIME，並建立可測試的時鐘選擇規則。
程式設計面試：如何用 Go testing.B.Loop 撰寫可靠基準？
圍繞 Go 1.24 的 testing.B.Loop，區分計時範圍、編譯器最佳化、迭代依賴與基準可比性，設計穩定效能實驗。
如何設計隱私保護的產品遙測與分析平台？
設計從端側採集到聚合發布的隱私遙測平台，處理最小化、貢獻裁剪、差分隱私預算、可靠性和可稽核性。
前端面試：為什麼 z-index 很大，元素仍然被遮住？
透過區分層疊上下文順序、裁切、包含區塊座標與瀏覽器頂層，找出下拉選單設定超大 z-index 仍被遮住的原因，並選擇影響最小且可長期維護的修復方案。
後端面試：如何在 CDN 與代理鏈路灰度上線 HTTP 103？
驗證 1xx 回應能穿過 TLS 終止層、反向代理與 CDN，再以透明降級、鏈路觀測和真實使用者指標完成灰度。
如何為迴歸模型建立具覆蓋率保證的 Conformal Prediction 區間？
從非一致性分數與校準集建立分布無關預測區間，並說明交換性、覆蓋率、漂移與區間寬度的邊界。
產品經理面試：如何衡量產品市場契合度？
學習如何依細分市場結合留存、付費、自然拉力、使用者依賴與交付成本判斷產品市場契合度，並把混合訊號轉成擴量、聚焦、迭代或暫停決策。
Linux 面試題：為什麼釋放記憶體後 RSS 仍然居高不下？
分清仍存活的配置、配置器保留頁面與其他映射，再以 procfs、配置器統計、重用與 trim 實驗判斷是真實洩漏或碎片，同時避免用尾端延遲換取記憶體。
程式設計面試：如何用 Go testing/synctest 測試非同步程式？
使用 synctest 的隔離 bubble、虛擬時間與 Wait 設計確定性並行測試，並辨識真實網路與排程仍需獨立驗證的邊界。
系統設計面試：設計自適應准入與負載削減閘道
設計突發流量與下游退化時保護核心請求的准入閘道，涵蓋優先級、並發預算、背壓、優雅降級、租戶公平與恢復驗證。
前端面試：如何實作無障礙模態對話框？
先定義語意、焦點、鍵盤、關閉與層級契約，再選擇原生或自訂實作，並用完整焦點生命週期驗證真正無障礙的模態對話框。
後端面試：如何設計在並發寫入下仍一致的游標分頁？
用穩定排序鍵、不透明游標、快照邊界和明確的重複/遺漏語意，解決 OFFSET 分頁在動態資料集上的一致性問題。
如何解釋差分隱私的 epsilon、敏感度與隱私預算？
從相鄰資料集和敏感度出發，推導雜訊機制、組合預算與準確率取捨，避免把差分隱私誤解成簡單匿名化。