xAI Twitter Insight 四小时项目：导入、推理、双层限流与 Demo

题目重点：可读面经给 Kaggle tweet、校验模型、本地库、Grok 分类 worker、入口/消费者限流与 Docker；按最小闭环安排实现和验证。

题意与假设

这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。

训练版 tweet 有外部唯一 ID、文本、时间戳，导入文件可能有缺行与重复；校验 schema 是训练接口，实际题面以收到的 prompt 为准。
API 入口最多 100 请求/秒、推理 consumer 最多 10 请求/秒取自一篇 backend 面经；具体窗口/突发规则未公开，训练版分别用容量 100 与 10、每秒补满相应速率的 token bucket。
推理模型响应含分类标签、分数和版本，失败可以重试但同一 tweet/版本不重复落结果；外部 API 的实际配额、收费和隐私限制应按发给候选人的环境。
Demo 是可观察的功能演示，不推断某帖被拒因为 demo 未打开或使用 AI 工具。

先挑 backend 题而不是把七个主题混为同一个 prompt；读本人的任务文本、评分项目与交付要求，列出数据导入→落库→异步推理→查询结果的最小闭环。
导入时按 tweet ID 幂等 upsert，保存 raw 与校验状态；坏行记录错误原因，不能因一行坏数据丢整批。用任务表或队列记录 pending/running/succeeded/failed，worker 以幂等键 (tweetId,modelVersion) 调模型并写结果。
在入口放 100 req/s 独立桶，consumer 出站模型调用放 10 req/s 桶；突发流量入队并设队列上限/背压，不能让入口速率长期超过处理速率而无限累积。
对外提供最小查询接口：导入进度、按 tweet ID 看结果、按分类/分数筛选。若任务要求 validation，展示输入缺失、响应 schema 错误和结果版本处理。
四小时训练分配：先确认 prompt 与数据约束，优先实现一个端到端成功路径，再补幂等/错误/限流与最小测试，最后运行 Docker 并录可重放 demo；提交后留出题目给的 demo 窗口。

训练例：一次导入 12 条不同 tweet，入口速率上限为 100/s，consumer 最多处理 10/s，首秒仍至少有 2 条排队；若其中 1 条模型调用超时，worker 只重试该任务并用相同幂等键防双写。Demo 可展示导入、已处理/排队状态、坏行错误及重试后的最终分类。

M 条 tweet 导入 O(M) 时间和存储；每条推理至少一次外部网络调用，吞吐上限近 10/s（训练限制，未计并发/外部 latency），完成 M 条的理想下界约 M/10 秒。查询按 ID 有索引时平均 O(1) 或 O(log M)，分类筛选需相应索引。