AI 编程工具面试题

基础

参考答案（按自己的实际情况讲）：先提供上下文（需求、相关文件、规则文件），让 AI 先出计划，审核后分步执行；每一步跑测试并提交；最后自己审查和在真实环境验证。用得最多的场景：样板代码、测试用例、陌生 API 的初稿、重构、排查报错。

追问：哪些事情你不让 AI 做？→ 不能验证的核心逻辑、涉及密钥和生产数据的操作、需要大量业务背景的决策。

参考答案：在 AGENTS.md / CLAUDE.md / 规则文件中写清技术栈、命令、分层、完成标准；高频任务写成 Skill；在提示中引用相关文件作为示例；把 AI 反复犯的错补进规则。

追问：规则文件写多长合适？→ 写关键约定和命令即可，太长会占用上下文且互相冲突；细节放在按需加载的 Skill 或文档中。

参考答案：三层：自动检查（自己补的边界测试、类型检查、lint、CI）；人工审查（逐行读懂，按清单检查边界、过时 API、编造的函数、安全问题）；真实环境运行（调接口、看页面、查数据库和日志）。验证结果写进 PR 说明。

追问：AI 写的测试可以信吗？→ 不能直接信，AI 可能把同样的错误写进实现和测试；关键用例自己写，特别是边界和异常。

参考答案（示例结构）：任务是什么；AI 的输出哪里错了（例如边界条件返回负数、使用了旧版本 SDK 的写法、编造了不存在的配置项）；你是怎么发现的（补的测试、读文档、运行报错）；怎么修复；之后把什么经验补进了规则文件。

追问：如果你没有发现，会造成什么后果？→ 说明影响范围，以及之后在流程上做了什么改进（例如 CI 增加了某项检查）。

参考答案：例如把“新增接口”写成 Skill：定义模型、写服务、注册路由、写三类测试、运行测试后再报告完成；把“发版前检查”写成清单。效果：新成员和 AI 都按同样的步骤做，减少遗漏。

追问：Skill 和规则文件有什么区别？→ 规则文件是始终生效的约定；Skill 是某类任务的操作手册，需要时才加载，内容可以更详细。

参考答案：把公司代码、客户数据、密钥发给未经允许的工具；AI 生成的代码有漏洞（注入、越权）；引入不存在或恶意的依赖包（包名幻觉被抢注）；AI 工具执行了危险命令；第三方 MCP 服务或规则文件中藏有恶意指令。对策：遵守公司政策、脱敏、审查依赖、限制工具权限、CI 安全扫描。

追问：AI 推荐了一个你没听过的依赖包怎么办？→ 先确认包确实存在、来源可信、维护活跃，再决定是否引入。

参考答案：仓库级规则文件和团队 Skills 统一约定；PR 限制规模、必须写验证方式；CI 兜底（测试、类型、lint、密钥扫描）；数据安全规定；定期复盘 AI 的典型错误并更新规则。详见团队引入 AI 编程场景。

追问：怎么衡量改进效果？→ 线上缺陷数、回滚次数、PR 审查往返次数、CI 失败原因分布。

参考答案：选一个学习项目中的完整任务，提交整理过的记录：任务、上下文、计划、AI 出错的地方和发现方式、验证结果（测试、截图、验证记录）、最终提交链接。全部脱敏，不包含公司内部信息。

追问：为什么不用工作中的例子？→ 可以讲工作中的经验，但材料不能包含公司的代码和数据；提交的记录用学习项目，既安全又能完整展示。