AI 研发工具开发一面面经
完整信息
本篇目录
1、流水线执行顺序
编译、构建必须先执行完,再做 Code Review 吗?它们之间有什么依赖?
2、项目角色
你在 Code Review 项目中承担什么角色?具体负责哪些部分?
3、仓库规范审查
这个能力具体是什么?之前 Chat 模式输入的是单个文件的 diff 吗?
4、历史噪声的来源
为什么会检测到历史问题?为什么不直接只审查 diff 中修改的内容?
5、客户端的特殊性
为什么客户端比后端产生更多问题、更难审查?
6、语言与类型系统
为什么认为客户端不是强类型?具体是什么语言?为什么把 Kotlin、Swift 理解成弱类型?是否混淆了客户端与前端?
7、判断依据
你说客户端审查更难,实际观察到了什么现象?
8、历史噪声的解决方案
后来如何解决?仓库规范审查的具体逻辑是什么?规范文档由谁生成?
9、上线范围与阻断机制
已经在全公司上线了吗?Android、iOS 都覆盖了吗?是否强制卡合入?
10、审查效果
如何评估 Code Review 准不准?用户实际反馈怎么样?
11、评测集来源与标签质量
测试集从哪里来?AI 最初生成的 Issue 本身可能有错,如何判定?
12、用户随意打标
用户把问题全部标成“暂不解决”或误报,怎么处理?会不会影响后续迭代?
13、人工复核的可靠性
你们会自己再检查吗?不了解客户端背景、历史规范,如何判断?最终是不是仍然依赖模型?
14、指标与优化过程
三个阶段的准确率、召回率、F1 怎么计算?每个阶段分别因为什么改动而提升?
15、未匹配的新问题
新生成的 Issue 不在评测集中,怎么归类?是否计入准确率分母?你采用哪种口径?
16、评测集是否完备
最初候选问题由 AI 生成,AI 漏掉的问题怎么补?有没有考虑让多人独立人工 Review,建立更完整的基准?
17、多次提交与增量审查
一个 MR 分多次 commit 提交,如何审查?为什么全量审查会使问题数量放大?增量审查是否包含之前提交的上下文?
18、自研 Agent 的价值
直接把 MR 发给 Codex、Claude,相比之下你们有什么优势?
19、规则与提示词控制
把规则写进仓库规范文档不就可以了吗?为什么还需要自研 Agent、控制系统提示词?
20、开发框架与运行方式
基于什么框架开发?是否通过脚本拉代码、在容器中执行?为什么不做成常驻服务?
21、真实线上反馈
接入仓库后有没有做用户调查?用户标为正确、历史问题、误报的比例是多少?看过多个 MR 的平均数据吗?
22、如何证明工具有用
如果用户不接受审查结果、全部跳过,怎么证明建设有价值?缺少规范约束时,怎么判断工具到底有没有用?
23、错误反馈的治理
如何防止用户故意标误报,污染评测集与迭代指标?线上又如何处理这种行为?
24、推广与整体规划
后续怎么让更多团队使用?整个 Code Review 的规划是什么?如果业务可以用自己的 Agent,为什么选择你们?
25、历史案例检索的扩展
向量检索能力实际做到了什么程度?案例筛选、入库能否自动化?每接一个仓库都要重新积累数据吗?
26、不同仓库的效果差异
为什么切到 Agent 模式后,后端仓库产生的 Issue 反而减少?
27、竞品与开源选型
准确率约 43% 算什么水平?跟谁比较,对方数据如何?为什么不直接用 OpenCodeReview?为什么认为这类评测、选型不属于你的工作?应该由谁考虑?
28、上一段实习与语言实践
宝信实习做了什么?现在主要写 Python 还是 Go?Java 与 Python 有哪些区别?自己用 Go 写过工具吗?做客户端审查,会学习 Kotlin、Swift 吗?
29、Java 实现 LRU 缓存
按示例运行并核对输出。为什么某个位置输出了 2,而不是 -1?错误在哪里?平时如何排查这类问题?修改后验证过了吗?
30、用自己的 Code Review 审查现场代码
它会提出什么问题?除了刚才的 bug,还有什么?会检查代码规范、仓库风格一致性吗?为什么不会?
31、代码风格
每个人风格不同会有问题吗?你觉得自己刚才这段代码的风格有问题吗?
32、AI 编程的掌控
如何确保 AI 生成的代码正确?平时如何与 AI 交互?怎样控制实现边界?
33、人工 Review 的范围
AI 生成代码后,你会自己再审查吗?代码量大时,是只看函数用途,再主要依赖 AI 吗?
34、日常工作与代码的读者
这类需求多吗,平时主要做什么?现在的代码应该主要给人看,还是给 AI 看?
本篇目录
当前问题0134
- 01
编译、构建必须先执行完,再做 Code Review 吗?它们之间有什么依赖?
- 02
你在 Code Review 项目中承担什么角色?具体负责哪些部分?
- 03
这个能力具体是什么?之前 Chat 模式输入的是单个文件的 diff 吗?
- 04
为什么会检测到历史问题?为什么不直接只审查 diff 中修改的内容?
- 05
为什么客户端比后端产生更多问题、更难审查?
- 06
为什么认为客户端不是强类型?具体是什么语言?为什么把 Kotlin、Swift 理解成弱类型?是否混淆了客户端与前端?
- 07
你说客户端审查更难,实际观察到了什么现象?
- 08
后来如何解决?仓库规范审查的具体逻辑是什么?规范文档由谁生成?
- 09
已经在全公司上线了吗?Android、iOS 都覆盖了吗?是否强制卡合入?
- 10
如何评估 Code Review 准不准?用户实际反馈怎么样?
- 11
测试集从哪里来?AI 最初生成的 Issue 本身可能有错,如何判定?
- 12
用户把问题全部标成“暂不解决”或误报,怎么处理?会不会影响后续迭代?
- 13
你们会自己再检查吗?不了解客户端背景、历史规范,如何判断?最终是不是仍然依赖模型?
- 14
三个阶段的准确率、召回率、F1 怎么计算?每个阶段分别因为什么改动而提升?
- 15
新生成的 Issue 不在评测集中,怎么归类?是否计入准确率分母?你采用哪种口径?
- 16
最初候选问题由 AI 生成,AI 漏掉的问题怎么补?有没有考虑让多人独立人工 Review,建立更完整的基准?
- 17
一个 MR 分多次 commit 提交,如何审查?为什么全量审查会使问题数量放大?增量审查是否包含之前提交的上下文?
- 18
直接把 MR 发给 Codex、Claude,相比之下你们有什么优势?
- 19
把规则写进仓库规范文档不就可以了吗?为什么还需要自研 Agent、控制系统提示词?
- 20
基于什么框架开发?是否通过脚本拉代码、在容器中执行?为什么不做成常驻服务?
- 21
接入仓库后有没有做用户调查?用户标为正确、历史问题、误报的比例是多少?看过多个 MR 的平均数据吗?
- 22
如果用户不接受审查结果、全部跳过,怎么证明建设有价值?缺少规范约束时,怎么判断工具到底有没有用?
- 23
如何防止用户故意标误报,污染评测集与迭代指标?线上又如何处理这种行为?
- 24
后续怎么让更多团队使用?整个 Code Review 的规划是什么?如果业务可以用自己的 Agent,为什么选择你们?
- 25
向量检索能力实际做到了什么程度?案例筛选、入库能否自动化?每接一个仓库都要重新积累数据吗?
- 26
为什么切到 Agent 模式后,后端仓库产生的 Issue 反而减少?
- 27
准确率约 43% 算什么水平?跟谁比较,对方数据如何?为什么不直接用 OpenCodeReview?为什么认为这类评测、选型不属于你的工作?应该由谁考虑?
- 28
宝信实习做了什么?现在主要写 Python 还是 Go?Java 与 Python 有哪些区别?自己用 Go 写过工具吗?做客户端审查,会学习 Kotlin、Swift 吗?
- 29
Java 实现 LRU 缓存
- 30
它会提出什么问题?除了刚才的 bug,还有什么?会检查代码规范、仓库风格一致性吗?为什么不会?
- 31
每个人风格不同会有问题吗?你觉得自己刚才这段代码的风格有问题吗?
- 32
如何确保 AI 生成的代码正确?平时如何与 AI 交互?怎样控制实现边界?
- 33
AI 生成代码后,你会自己再审查吗?代码量大时,是只看函数用途,再主要依赖 AI 吗?
- 34
这类需求多吗,平时主要做什么?现在的代码应该主要给人看,还是给 AI 看?
