系统设计面试：如何设计个性化信息流？

题目与适用场景

请设计一个支持关注关系的个性化信息流系统。用户可以发布文字或图片帖子、关注或取关作者，并浏览按 相关性排序的首页信息流。删除帖子、改为私密、屏蔽作者和取关应及时影响后续读取；点赞、评论和推荐 模型只作为排序信号，本题不展开媒体转码、评论树、广告竞价或模型训练。

本题假设有 5000 万 DAU，每位活跃用户每天读取 20 页，每页 20 条；每天产生 1000 万条帖子。信息流 读取 p99 小于 200 毫秒，普通作者发帖到活跃粉丝可见的 p99 小于 5 秒。普通作者平均有 200 名符合 投递条件的粉丝，头部作者最多有 5000 万粉丝。数字与时限是面试约束，不代表任何现有产品的实际规模 或承诺。

这道题适合中高级后端、基础设施和系统设计面试。公开面试记录会直接追问写扩散、读扩散、大 V、游标 分页、缓存和一致性；一手工程资料还显示，真实信息流会把候选召回、聚合、过滤和多阶段排序拆开，并 保留可降级的已物化内容。因此回答重点是如何根据成本与正确性组合这些机制，而非背一个固定架构图。

面试官考察什么

第一项是能否先量化读写不对称。5000 万 DAU 乘每天 20 页等于 10 亿次读取，平均约 1.16 万 QPS； 若峰值为平均值的 5 倍，就是约 5.8 万 QPS。1000 万条帖子平均约 116 次创建每秒，但普通作者的 写扩散会把它放大到每天约 20 亿条时间线引用，即平均约 2.31 万次插入每秒。只比较原始发帖 QPS 会 低估真正的写入压力。

第二项是能否说明推、拉与混合策略的适用边界。纯写扩散让读取便宜，却可能因一个 5000 万粉丝作者 产生 5000 万次插入；纯读扩散让发帖便宜，却要求每次读取合并大量关注对象。高质量回答会预计算普通 作者的候选引用，对高扇出作者在读取时拉取，并让阈值由活跃粉丝数、发帖率、队列预算和延迟目标共同 决定。

第三项是能否把帖子真源、候选集合与最终展示分开。时间线只保存轻量引用，不复制正文。聚合器先合并 预计算收件箱、头部作者近期帖子和推荐候选，再做权限、删除、屏蔽与去重，最后分层排序和填充。排序 模型的结果不能绕过可见性规则。

第四项是能否处理动态排序下的分页与一致性。分数会随互动和模型版本变化，单独使用 offset 或分数 会造成重复与跳项。答案要给出短期冻结的 feed session 或带排序版本的复合游标，并明确新帖、删除、 取关和权限变化在翻页期间如何表现。

最后是可恢复性和可证伪性。事件总线、缓存和扇出工作进程都会失败或重复执行。候选人需要用幂等引用、 积压监控、回源降级、墓碑过滤和修复扫描让系统收敛，并用大 V 突发、乱序事件、取关竞态、删除泄漏和 缓存故障验证设计。

回答前要确认的问题

• 信息流来源是什么？ 本题以关注作者的帖子为主，可混入少量推荐候选；广告、群组和话题流不展开。
• 排序契约是什么？ 默认相关性排序，要求内容新鲜且可解释地混合来源；不承诺严格时间顺序。
• 谁能看到帖子？ 帖子有公开、仅粉丝和私密状态；屏蔽、删除和权限收紧必须优先于缓存命中与排名。
• 发帖后谁需要读到自己内容？ 作者应立即读到自己的帖子；活跃普通粉丝目标为 5 秒内可见，离线

粉丝可在下次访问时补齐。

• 分页需要怎样稳定？ 一次连续滚动会话中尽量无重复、无跳项；新帖可在刷新或新会话出现，删除和

权限收紧必须在当前会话立即生效。

• 关注关系规模如何分布？ 分布高度倾斜，普通作者平均 200 名符合投递条件的粉丝，头部作者可达

5000 万；不能用平均值掩盖热点。

• 数据保留多久？ 每位活跃用户预计算最近 500 条候选引用，帖子正文按产品政策保留；更老内容可

在读取时从作者索引和推荐存储补充。

• 多地域要求是什么？ 读取就近服务，帖子在作者主地域提交后异步复制；跨地域新鲜度允许秒级，

可见性收紧走高优先级失效通道。

30 秒回答框架

“我会把帖子真源、关注图和每用户候选收件箱分开。发帖事务写帖子与 outbox；普通作者的事件由扇出 工作进程幂等写入活跃粉丝收件箱，头部作者只写作者近期索引，读取时再拉取。Feed 聚合器合并预计算、 头部作者和推荐候选，先做权限、删除、屏蔽和去重，再用轻量召回分数与精排生成短期 feed session， 游标按 session 和位置翻页。正文只在最后批量补全。删除和权限收紧写权威墓碑并走高优先级失效， 读取始终复核。队列积压时保留旧物化流并对近期关注作者做有界回源，监控发帖到可见延迟、重复率、 删除泄漏和各阶段 p99。”

分步深入分析

第一步：用容量推导架构预算

每日读取页数为：

50,000,000 DAU × 20 pages/day = 1,000,000,000 feed reads/day
1,000,000,000 / 86,400 ≈ 11,574 average read QPS
11,574 × 5 peak factor ≈ 57,870 peak read QPS

每日帖子创建平均约 10,000,000 / 86,400 ≈ 116 QPS。若所有普通作者平均向 200 名活跃粉丝 投递，则每天产生约 20 亿条候选引用，平均 2,000,000,000 / 86,400 ≈ 23,148 次插入每秒。 单个 5000 万粉丝作者发一条就会超过普通流量的许多秒预算，因此必须绕开同步全量扇出。

每位 5000 万活跃用户保留 500 条候选，共 250 亿条引用。若每条引用把 postid、authorid、 初始分数、时间和标志粗略按 64 字节计算，逻辑下限约 1.6 TB，尚未包含索引、存储引擎开销和副本。 这说明时间线应只保存引用、限制长度，并按活跃度分层存储；复制正文会迅速放大空间和失效成本。

第二步：定义所有权、API 与最小数据模型

帖子服务拥有正文、作者、创建时间、可见性、版本和删除墓碑；社交图服务拥有 following 与 followers 邻接索引；Feed 服务拥有候选引用、会话和展示记录。对象存储与 CDN 承载图片，时间线只 保存图片引用。核心接口可以是：

POST   /v1/posts                         create a post with Idempotency-Key
DELETE /v1/posts/{post_id}               write a deletion tombstone
PUT    /v1/users/{id}/following/{author} follow an author
DELETE /v1/users/{id}/following/{author} unfollow an author
GET    /v1/feed?cursor=...&limit=20      read one ranked page
GET    /v1/posts/{post_id}               hydrate one visible post

posts 按 postid 保存权威状态，并有 (authorid, createdat, postid) 近期索引。follows 至少 能按关注者列出关注对象，也能按作者分片列出粉丝。feedinbox 按 viewerid 分区，排序键包含粗排 分数、创建时间和 postid；feedsessions 短期保存排序版本、候选 ID 序列与过期时间。展示事件和 互动事件进入独立日志，供排序特征与实验使用，不在读请求里同步回写所有候选。

发帖请求使用调用方幂等键。帖子与 outbox 事件在同一数据库事务提交，成功后作者可直接从帖子真源 看到内容。事件总线按至少一次传递，(viewerid, postid) 唯一或条件覆盖让重复扇出收敛；事件携带 帖子版本，旧事件不能复活已删除或已收紧权限的帖子。

第三步：为普通作者和头部作者使用混合扇出

普通作者发帖后，扇出服务读取符合条件的活跃粉丝分片，批量把轻量引用写入各自收件箱。工作进程使用 分片游标和事件 ID 记录进度；超时重试同一批，不能因重复消息生成两条候选。离线或长期不活跃用户不必 立即物化，可在其下次访问时按关注图补建近期候选。

头部作者的帖子只进入 (authorid, createdat) 近期索引和热点缓存。读取者关注了这些作者时，聚合器 并行拉取每位头部作者的有限条近期内容，与收件箱合并。阈值不应硬编码成一个永久粉丝数：应估算 eligibleactivefollowers × postsperwindow 的写入成本，并与预计读取合并成本、队列余量和 5 秒 新鲜度预算比较。作者突然爆红或连续发帖时，控制面可以把其切到拉取模式；已入队的批次允许幂等完成 或取消，不能同时无界执行两种路径。

纯拉取仍会在用户关注大量头部作者时产生读扇出。聚合器要限制每个来源的候选数、并发和截止时间， 缓存作者近期索引，并在某个来源超时时返回其他合格候选。头部内容还可按地域或关注群组预聚合，但只有 测量表明合并成本是瓶颈时才增加这层复杂度。

第四步：把候选生成、过滤、排序和补全拆开

读取路径分四段：

1. 从用户收件箱取一批普通作者候选，并从头部作者索引和推荐服务取有界候选；
2. 按 post_id 去重，检查关注关系、屏蔽、帖子墓碑、当前可见性和地域合规；
3. 先用便宜分数缩小候选，再用较重模型计算互动概率、时效、来源质量和负反馈，最后应用多样性与频控；
4. 对最终 20 条批量读取帖子正文、作者摘要和聚合计数，生成响应并异步记录展示。

Meta 的公开工程说明把 Feed 聚合器描述为收集候选、对象和特征后再排序，并使用多阶段模型缩小计算； Pinterest 的公开设计也把未展示候选池、内容生成和已物化信息流分开。面试中不需要复刻具体实现，但这 证明“先复制完整帖子，再在缓存里排序”缺少必要边界。

安全与产品规则在排序前后都要守住。前置过滤减少无效计算，补全时再次检查版本可以挡住排序期间发生的 删除或权限收紧。模型分数只是排序输入，不能把不可见内容重新加入结果。互动计数允许最终一致；作者、 正文、可见性和墓碑来自权威帖子版本。

第五步：用 feed session 稳定动态排序分页

offset 会在新内容插入或分数变化时重复和跳过。单纯以 (score, post_id) 做 keyset 也不够，因为 精排分数在下一页请求前可能变化。首屏请求可以生成最多 500 个排序后的候选 ID，并写入 30 分钟的 feedsessionid；不透明游标包含 session、下一位置、查询指纹和签名。后续页面按位置读取，再对候选 做实时可见性检查和补位。

新帖在用户刷新或开始新 session 时出现，不插入当前列表中间。删除、屏蔽和权限收紧立即过滤，所以 当前 session 可能少一条；聚合器从 session 后续候选补足页面。若 session 缓存丢失或过期，服务端返回 可识别的游标过期结果，让客户端保留已展示 ID 并刷新，不能静默把旧位置套到新排名上。

如果 500 条冻结序列的存储成本不可接受，可保存排名 epoch 和复合 keyset，并让客户端提交已展示摘要； 这种方案存储更省，但重复、模型切换和删除补位更难。应根据连续滚动时长、允许的重复率和会话存储预算 选择，不把游标编码格式当成核心答案。

第六步：让关注、删除和权限变化正确收敛

关注成功后，用户下一次读取可直接拉取新作者的近期帖子，同时异步回填有限候选。取关与屏蔽先更新 权威社交图，读取路径立即过滤该作者，再异步清理收件箱；这样无需等待数百万条物理删除才能阻止展示。 关注事件与发帖事件乱序时，候选中携带的关系版本只能用于优化，最终可见性仍以读取时权威规则为准。

删除或改为私密时，帖子服务在提交新版本与墓碑的同一事务写高优先级 outbox。缓存失效、搜索清理和 收件箱清理都可以异步，但 Feed 补全必须批量读取当前版本并过滤。热墓碑缓存缩短检查延迟，持久帖子 记录防止缓存丢失后旧内容重现。后台扫描负责删除过期引用；物理清理不承担授权职责。

点赞和评论引起的分数变化不应重新写入所有粉丝收件箱。互动事件更新聚合计数和特征，活跃用户在下次 请求时重排候选；极热内容可更新共享特征缓存。这样接受短暂排序陈旧，避免每次互动再次产生全网扇出。

第七步：设计降级、恢复与多地域边界

扇出队列积压时，先保护帖子写入与已物化流读取。Feed 可以返回上一份合格候选，并对用户最近活跃的 关注作者做有界回源；页面应允许新鲜度下降，权限检查不能降级。若某作者导致队列热点，立即切换为拉取 模式并限制其未完成批次。恢复后按事件时间和版本幂等追赶，监控最老未处理事件，避免只看队列长度。

候选缓存故障时，可从持久收件箱读取较少候选或返回已保存 session；排序服务超时则使用确定性的时效 分数和多样性规则。帖子或社交图权威存储不可用时，系统可以返回已验证且仍在安全 TTL 内的内容，超过 权限缓存期限就应失败或缩小结果，不能以可用性为由展示可能已撤权的内容。

多地域下，帖子由作者主地域接受写入并产生全局 ID，事件异步复制到读取地域。普通内容允许秒级新鲜度， 作者本人通过主地域读后写保证立即可见。删除、屏蔽和权限收紧使用更高优先级复制，并在全局墓碑服务 确认前限制旧副本展示。跨地域主动—主动写关注图会引入关系冲突；只有明确要求后再增加冲突解决规则。

第八步：用指标与故障注入证明边界

核心指标包括发帖成功率、发帖到首个/95% 活跃粉丝可见延迟、按分片的扇出吞吐与最老积压、头部作者 拉取耗时、候选数、去重率、过滤率、粗排和精排 p99、补全批量大小、缓存命中、游标过期率、页面重复 率、空页率，以及删除或撤权内容泄漏数。最后一项应始终为零，并有合成探针主动验证。

故障注入至少覆盖：同一发帖事件重复和乱序；5000 万粉丝作者连续发帖；作者在推送中途从普通模式切到 头部模式；关注、取关与发帖并发；翻页期间删除或改私密；墓碑缓存丢失；一个粉丝分片变慢；事件总线 停机后追赶；排序服务超时；feed session 节点丢失；地域复制延迟。每个场景都断言页面无越权内容、 候选引用可收敛、延迟降级可观测，并且恢复不会重复放大写入。

高质量示范回答

“我先按 5000 万 DAU、每人每天 20 页计算，平均约 1.16 万次 feed 读取每秒，5 倍峰值约 5.8 万。 1000 万条日发帖只有约 116 QPS，但普通作者平均 200 名活跃粉丝会放大为平均约 2.31 万条候选插入 每秒；5000 万粉丝作者的一条帖子不能同步全推。

我会把帖子真源、社交图和候选收件箱分开。发帖事务写帖子和 outbox。普通作者的事件按粉丝分片异步 写入每用户收件箱，viewerid + postid 幂等；头部作者只写作者近期索引，Feed 读取时拉取并合并。 推拉阈值按活跃粉丝、发帖率、队列预算和读取成本动态决定。时间线只存引用，正文和图片在最后批量补全。

读取时，聚合器从收件箱、头部作者和推荐源取有界候选，先按当前关注、屏蔽、墓碑和可见性过滤、去重， 再做便宜召回、精排、多样性与频控。首屏把最多 500 个候选冻结成 30 分钟 feed session，游标携带 session 和位置；新帖等刷新出现，删除和权限收紧在每页补全时立即过滤并补位。

删除与改私密提交权威版本和高优先级失效事件，缓存和收件箱可以稍后清理，但每次展示必须复核。队列 积压时返回旧物化流，并对近期作者做有界回源；排序超时降级到时效分数。权限检查永不降级。最后用 发帖到可见延迟、最老积压、各排序阶段 p99、重复率和撤权泄漏监控系统，并注入大 V 突发、重复事件、 取关竞态、删除、缓存与地域故障验证恢复。”

常见错误

1. 只比较原始读写 QPS。 发帖只有约 116 QPS，粉丝扇出才是主要写入量；应把写放大和头部尾部

分布一起计算。

1. 纯写扩散到所有粉丝。 一个 5000 万粉丝作者会制造 5000 万次插入；应对高扇出作者读时拉取。
2. 把“大 V 阈值”写成永久常量。 粉丝活跃度、发帖频率和队列余量都会变化；应基于成本与 SLO

动态分类并保留切换保护。

1. 在时间线复制完整正文。 编辑、删除和权限变化会产生巨大的失效面；收件箱只保存轻量引用，展示

前补全并复核版本。

1. 用 offset 分页动态排名。 插入与重排会造成重复和跳项；使用短期 feed session 或带版本的

复合游标。

1. 只在异步任务中过滤取关和删除。 清理延迟会泄漏内容；权威关系、墓碑和可见性必须在读取时检查。
2. 声称事件总线提供端到端 exactly-once。 工作进程、存储和重试仍可能重复；用事件 ID、帖子版本

与候选唯一键实现幂等收敛。

1. 降级时跳过权限检查。 陈旧排序和较少候选可以接受，越权展示不可接受；安全过滤有独立预算和

失败策略。

1. 只测正常流量。 设计的关键风险来自头部作者、积压、乱序和权限竞态；故障注入必须覆盖这些边界。

追问及应对

追问一：普通作者突然获得 5000 万粉丝并连续发帖，怎样避免两种路径重复？

控制面按版本把作者切换到拉取模式。扇出任务读取作者模式版本，只允许开始前已认领的有限批次完成； 候选以 (viewerid, postid) 幂等，因此已推送与读取拉取合并后只保留一条。队列对单作者设配额，切换 期间的发帖直接进入头部作者索引。

追问二：用户取关后，旧 feed session 里还有该作者帖子怎么办？

session 只冻结候选顺序，不冻结授权。每页补全都批量检查当前关注与屏蔽关系；已取关作者被过滤，并从 后续候选补位。异步清理收件箱用于节省空间，不能承担即时权限语义。

追问三：怎样支持严格按时间排序？

复用同一候选来源和权限过滤，把排序键改为 (createdat, postid)，使用带上界时间的 keyset 游标。 当前会话固定 snapshot_time，新帖在刷新后出现。头部作者与普通收件箱仍需归并，但无需精排 session。

追问四：排序模型发布后重复率突然升高，如何定位？

先按模型版本比较候选去重前后数量、session 生成 ID、游标位置和已展示记录，确认重复来自候选源、排序 输出还是会话丢失。若新模型给同一帖子不同来源别名，统一到权威 post_id；若 session 缓存抖动，回滚 模型也不会修复，应恢复会话存储并让客户端显式刷新。

追问五：如何判断混合扇出阈值是否合适？

离线重放真实关注度和活跃度分布，分别估算每位作者的预计算写入、队列等待、读取合并与缓存命中成本； 在线逐步调整阈值，观察发帖到可见 p99、Feed 读取 p99、总存储写入和降级率。阈值应带滞回，避免作者 在两种模式间频繁抖动。