参考资料

• AI Engineering Interview Questions
• AI Engineering Field Guide
• AI Agent Engineer Handbook
• AI Engineer Interview QA

面试题（01） - AI 编程基础与工具选型（第 1～10 题）

读完后，你应能完成以下任务：

• 绘制“面试题（01） - AI 编程基础与工具选型（第 1～10 题） / 回答标准”的关键对象与数据流，解释“原理题：说清机制、输入输出和相近概念的边界。”，并用源码位置、日志或 Trace 标注证据。
• 为“面试题（01） - AI 编程基础与工具选型（第 1～10 题） / 第1题：行内补全、对话式编码和编程 Agent 的能力边界有什么不同？”设计正常与异常输入，验证“对话式编码由人选择上下文并确认修改；”，输出首个偏差位置与回归测试结果。
• 实现“面试题（01） - AI 编程基础与工具选型（第 1～10 题） / 第2题：一个可靠的 AI 编程工作闭环包含哪些步骤？”的最小代码或配置，检验“核心答案： 闭环是明确需求和非目标、读取仓库证据、复现问题、做最小修改、运行独立验证、检查 Diff、保存证据。”，输出命令、结果与 Diff，并说明不适用边界。

一、先建立全局：AI 编程基础与工具选型（第 1～10 题） 是什么？

理解“AI 编程基础与工具选型（第 1～10 题）”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。

“AI 编程基础与工具选型（第 1～10 题）”的第一个核心判断是：原理题：说清机制、输入输出和相近概念的边界。。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。

顺序	章节	读完本节应抓住的结论
1	回答标准	原理题：说清机制、输入输出和相近概念的边界。
2	第1题：行内补全、对话式编码和编程 Agent 的能力边界有什么不同？	对话式编码由人选择上下文并确认修改；
3	第2题：一个可靠的 AI 编程工作闭环包含哪些步骤？	核心答案： 闭环是明确需求和非目标、读取仓库证据、复现问题、做最小修改、运行独立验证、检查 Diff、保存证据。
4	第3题：如何判断任务应该交给 Agent、只让 AI 辅助，还是完全人工处理？	核心答案： 可独立验收、可回滚、输入稳定的任务适合 Agent；
5	第4题：CLI Agent、IDE Agent 和 Cloud Agent 应该怎样选？	核心答案： CLI 适合仓库内自动化与脚本组合，
6	第5题：怎样为真实代码任务选择模型，而不是只看公开榜单？	分别测成功率、测试通过率、人工返工、P95 延迟和单位成功任务成本；

1.1 核心对象之间怎样衔接

flowchart LR
  S1["回答标准"] --> S2
  S2["第1题：行内补全、对话式编码和编程 Agent 的能力边界有什么不同？"] --> S3
  S3["第2题：一个可靠的 AI 编程工作闭环包含哪些步骤？"] --> S4
  S4["第3题：如何判断任务应该交给 Agent、只让 AI 辅助，还是完全人工处理？"] --> S5
  S5["第4题：CLI Agent、IDE Agent 和 Cloud Agent 应该怎样选？"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“AI 编程基础与工具选型（第 1～10 题）”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。

1.2 再看失败：问题最早会出现在哪一步？

在“AI 编程基础与工具选型（第 1～10 题）”的对象和顺序已经明确后，再看可观察的失败：文本直通执行、状态不可重放或重试重复写入。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。

二、回答标准

• 原理题：说清机制、输入输出和相近概念的边界。
• 选型题：给出约束、比较维度、不适用场景和最终依据。

三、第1题：行内补全、对话式编码和编程 Agent 的能力边界有什么不同？

核心答案： 行内补全根据光标附近内容预测局部代码； 对话式编码由人选择上下文并确认修改； 编程 Agent 会自主搜索、编辑、执行和验证。 自主性越高，越要收紧权限、预算和停止条件。

判断依据： 先区分辅助补全、交互式修改和自主 Agent， 再按任务风险、上下文、权限和验证成本选择工具与模型。

并保存足够证据供复现和回滚。 面试时还应补充一个失败案例和对应的止损或回滚办法。

四、第2题：一个可靠的 AI 编程工作闭环包含哪些步骤？

核心答案： 闭环是明确需求和非目标、读取仓库证据、复现问题、做最小修改、运行独立验证、检查 Diff、保存证据。 任何一步失败都不能用模型自述“已完成”替代。

判断依据： 先区分辅助补全、交互式修改和自主 Agent， 再按任务风险、上下文、权限和验证成本选择工具与模型。

并保存足够证据供复现和回滚。 面试时还应补充一个失败案例和对应的止损或回滚办法。

五、第3题：如何判断任务应该交给 Agent、只让 AI 辅助，还是完全人工处理？

核心答案： 可独立验收、可回滚、输入稳定的任务适合 Agent； 需要频繁产品取舍的任务适合人机协作； 不可逆生产操作、关键权限决策和目标无法量化的任务应由人主导。

判断依据： 先区分辅助补全、交互式修改和自主 Agent， 再按任务风险、上下文、权限和验证成本选择工具与模型。

并保存足够证据供复现和回滚。 面试时还应补充一个失败案例和对应的止损或回滚办法。

六、第4题：CLI Agent、IDE Agent 和 Cloud Agent 应该怎样选？

核心答案： CLI 适合仓库内自动化与脚本组合， IDE 适合低延迟交互修改， Cloud Agent 适合隔离的长任务和并行执行。 比较时看数据位置、反馈频率、任务时长、权限、恢复和审计。

判断依据： 先区分辅助补全、交互式修改和自主 Agent， 再按任务风险、上下文、权限和验证成本选择工具与模型。

面试时还应补充一个失败案例和对应的止损或回滚办法。

七、第5题：怎样为真实代码任务选择模型，而不是只看公开榜单？

核心答案： 先建立来自本团队仓库的任务集， 分别测成功率、测试通过率、人工返工、P95 延迟和单位成功任务成本； 再按数据边界、上下文长度、工具能力与价格选模型，公开榜单只作为候选筛选。

判断依据： 先区分辅助补全、交互式修改和自主 Agent， 再按任务风险、上下文、权限和验证成本选择工具与模型。

面试时还应补充一个失败案例和对应的止损或回滚办法。

八、第6题：推理强度越高越好吗？怎样决定推理预算？

核心答案： 推理强度不是越高越好。 简单、可局部验证的任务使用较低预算； 跨模块、高歧义或失败代价高的任务提高预算。 以边际成功率是否覆盖新增延迟和成本作为升级依据，并设置总 Token、轮次与墙钟上限。

判断依据： 先区分辅助补全、交互式修改和自主 Agent， 再按任务风险、上下文、权限和验证成本选择工具与模型。

工程实践： 降级策略要写清质量底线， 例如缩小候选集、切换模型或转人工， 而不是静默返回低质量结果。 面试时还应补充一个失败案例和对应的止损或回滚办法。

九、第7题：如何设计模型路由、降级和人工接管？

核心答案： 路由器先按任务类型、风险、数据边界和历史评测选择模型， 再用置信度、验证结果和预算触发升级或降级。 降级必须守住质量底线； 连续失败、权限不足或不可逆动作立即转人工，并携带已收集证据。

判断依据： 先区分辅助补全、交互式修改和自主 Agent， 再按任务风险、上下文、权限和验证成本选择工具与模型。

面试时还应补充一个失败案例和对应的止损或回滚办法。

十、第8题：为什么上下文窗口很大仍然需要检索和压缩？

核心答案： 大窗口只提高容量，不保证模型稳定利用中间位置的信息。 检索和压缩负责去除无关、过期和越权内容，并把最关键的目标、代码与错误证据放到高优先级位置。

判断依据： 先区分辅助补全、交互式修改和自主 Agent， 再按任务风险、上下文、权限和验证成本选择工具与模型。 文本、符号和图关系各自解决不同问题：关键词找字面证据，符号索引找定义引用，依赖图找影响传播。

工程实践： 用真实改动任务评估 Recall@K、定位准确率和无关上下文比例， 不能用“看起来相关”代替评测。 面试时还应补充一个失败案例和对应的止损或回滚办法。

十一、第9题：如何证明 AI 生成的代码真的正确，而不是看起来合理？

核心答案： 证明依赖独立证据：错误实现会失败的测试、类型与静态检查、真实构建、Diff 审查和用户路径。 只运行模型自己生成的快乐路径测试会产生同源偏差。

判断依据： 先区分辅助补全、交互式修改和自主 Agent， 再按任务风险、上下文、权限和验证成本选择工具与模型。

并保存足够证据供复现和回滚。 面试时还应补充一个失败案例和对应的止损或回滚办法。

十二、第10题：哪些高风险任务不应该让编程 Agent 自动执行？

核心答案： 生产数据删除、不可逆迁移、付款、密钥与权限变更、未经审查的发布， 以及目标或回滚条件不清楚的任务都不应自动执行。 Agent 可以准备方案和证据，但最终授权由确定性策略和人完成。

判断依据： 先区分辅助补全、交互式修改和自主 Agent， 再按任务风险、上下文、权限和验证成本选择工具与模型。

并保存足够证据供复现和回滚。 面试时还应补充一个失败案例和对应的止损或回滚办法。

十三、动手验证：先跑通 AI 编程基础与工具选型（第 1～10 题），再改变一个变量

前面的章节已经建立问题、概念和机制。现在把“AI 编程基础与工具选型（第 1～10 题）”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。

13.1 基线与候选只允许一个变量不同

验证“AI 编程基础与工具选型（第 1～10 题）”时，先固定工具 Schema、身份、畸形参数、超时和重复请求。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。

执行“AI 编程基础与工具选型（第 1～10 题）”时，动作是：回放决策到执行链路，覆盖失败、重试、暂停和恢复。原始结果不能只保留截图或汇总分数，必须同步保存：模型提议、校验、授权、幂等键、状态迁移、Trace，使下一次复查可以在同一输入上重放。

实验要素	本文要求
固定条件	工具 Schema、身份、畸形参数、超时和重复请求
唯一变量	本次候选方案与基线之间的一项明确差异
原始证据	模型提议、校验、授权、幂等键、状态迁移、Trace
通过阈值	模型只提议；执行受代码约束；失败不重复副作用
立即停止	文本直通执行、状态不可重放或重试重复写入

13.2 执行前先排除不可比较条件

“AI 编程基础与工具选型（第 1～10 题）”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。

• 基线能够在“AI 编程基础与工具选型（第 1～10 题）”的当前环境重复运行。
• 候选只改变一个与“AI 编程基础与工具选型（第 1～10 题）”结论直接相关的条件。
• “AI 编程基础与工具选型（第 1～10 题）”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
• “AI 编程基础与工具选型（第 1～10 题）”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

13.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“AI 编程基础与工具选型（第 1～10 题）”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。

检查项	当前文章的判定
输入可追溯	工具 Schema、身份、畸形参数、超时和重复请求
过程可回放	回放决策到执行链路，覆盖失败、重试、暂停和恢复
结果可审计	模型提议、校验、授权、幂等键、状态迁移、Trace

“AI 编程基础与工具选型（第 1～10 题）”的一次合格基线对照按以下顺序执行：

1. 保存“AI 编程基础与工具选型（第 1～10 题）”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“AI 编程基础与工具选型（第 1～10 题）”候选方案唯一变化的变量，以及它预期影响的指标。
3. 在同一环境执行“AI 编程基础与工具选型（第 1～10 题）”：回放决策到执行链路，覆盖失败、重试、暂停和恢复。
4. 为“AI 编程基础与工具选型（第 1～10 题）”保存：模型提议、校验、授权、幂等键、状态迁移、Trace。
5. 使用“AI 编程基础与工具选型（第 1～10 题）”预登记条件判断：模型只提议；执行受代码约束；失败不重复副作用。
6. 如果“AI 编程基础与工具选型（第 1～10 题）”未通过，不修改第二个变量，先恢复基线并保留失败现场。

十四、用一张矩阵验证 AI 编程基础与工具选型（第 1～10 题） 的关键结论

矩阵按正文顺序列出“AI 编程基础与工具选型（第 1～10 题）”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。

正文章节	已解释的结论	本轮唯一变量	必须保存的证据
回答标准	原理题：说清机制、输入输出和相近概念的边界。	只改变与“回答标准”相关的条件	模型提议、校验、授权、幂等键、状态迁移、Trace
第1题：行内补全、对话式编码和编程 Agent 的能力边界有什么不同？	对话式编码由人选择上下文并确认修改；	只改变与“第1题：行内补全、对话式编码和编程 Agent 的能力边界有什么不同？”相关的条件	模型提议、校验、授权、幂等键、状态迁移、Trace
第2题：一个可靠的 AI 编程工作闭环包含哪些步骤？	核心答案： 闭环是明确需求和非目标、读取仓库证据、复现问题、做最小修改、运行独立验证、检查 Diff、保存证据。	只改变与“第2题：一个可靠的 AI 编程工作闭环包含哪些步骤？”相关的条件	模型提议、校验、授权、幂等键、状态迁移、Trace
第3题：如何判断任务应该交给 Agent、只让 AI 辅助，还是完全人工处理？	核心答案： 可独立验收、可回滚、输入稳定的任务适合 Agent；	只改变与“第3题：如何判断任务应该交给 Agent、只让 AI 辅助，还是完全人工处理？”相关的条件	模型提议、校验、授权、幂等键、状态迁移、Trace
第4题：CLI Agent、IDE Agent 和 Cloud Agent 应该怎样选？	核心答案： CLI 适合仓库内自动化与脚本组合，	只改变与“第4题：CLI Agent、IDE Agent 和 Cloud Agent 应该怎样选？”相关的条件	模型提议、校验、授权、幂等键、状态迁移、Trace
第5题：怎样为真实代码任务选择模型，而不是只看公开榜单？	分别测成功率、测试通过率、人工返工、P95 延迟和单位成功任务成本；	只改变与“第5题：怎样为真实代码任务选择模型，而不是只看公开榜单？”相关的条件	模型提议、校验、授权、幂等键、状态迁移、Trace

14.1 记录本次实际实验

下面的记录用于“AI 编程基础与工具选型（第 1～10 题）”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。

topic: "AI 编程基础与工具选型（第 1～10 题）"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "回放决策到执行链路，覆盖失败、重试、暂停和恢复"
evidence: "模型提议、校验、授权、幂等键、状态迁移、Trace"
pass_when: "模型只提议；执行受代码约束；失败不重复副作用"
stop_when: "文本直通执行、状态不可重放或重试重复写入"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure

14.2 边界实验必须证明能够停止和恢复

成功路径只能证明“AI 编程基础与工具选型（第 1～10 题）”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：文本直通执行、状态不可重放或重试重复写入，并观察系统是否在产生不可逆副作用前停止。

场景	只改变什么	应保存什么	通过标准
正常路径	使用已知有效输入	模型提议、校验、授权、幂等键、状态迁移、Trace	模型只提议；执行受代码约束；失败不重复副作用
边界路径	把一个输入推进到约束临界值	临界值前后的输出与指标	不静默降级，不把部分结果冒充成功
明确失败	注入：文本直通执行、状态不可重放或重试重复写入	原始错误、首个异常阶段和最终状态	失败被正确分类且没有扩大副作用
恢复重放	执行：关闭副作用入口，恢复检查点，补充失败契约测试	原失败样本的复测证据	原样本恢复，正常样本没有回归

恢复动作不是简单重启。对于“AI 编程基础与工具选型（第 1～10 题）”，第一步是：关闭副作用入口，恢复检查点，补充失败契约测试。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。

“AI 编程基础与工具选型（第 1～10 题）”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。

十五、AI 编程基础与工具选型（第 1～10 题） 的结果解释

解释“AI 编程基础与工具选型（第 1～10 题）”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。

观察结果	可以支持的判断	下一步
主链路没有达到预期	文本直通执行、状态不可重放或重试重复写入	先执行：关闭副作用入口，恢复检查点，补充失败契约测试
异常链路无法恢复	文本直通执行、状态不可重放或重试重复写入	先执行：关闭副作用入口，恢复检查点，补充失败契约测试
新样本成功但原样本仍失败	修复没有覆盖原始触发条件	固定原失败输入，恢复基线后重新比较
指标改善但证据无法回链	数据、版本或中间状态没有固定	暂停发布，补齐可追溯记录后重跑

“AI 编程基础与工具选型（第 1～10 题）”只有同时满足“模型只提议；执行受代码约束；失败不重复副作用”，并且没有出现“文本直通执行、状态不可重放或重试重复写入”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。

如果“AI 编程基础与工具选型（第 1～10 题）”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。

“AI 编程基础与工具选型（第 1～10 题）”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。

十六、AI 编程基础与工具选型（第 1～10 题） 的发布判断

发布判断需要把“AI 编程基础与工具选型（第 1～10 题）”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。

• “AI 编程基础与工具选型（第 1～10 题）”的基线与候选只存在一个计划内变量。
• “AI 编程基础与工具选型（第 1～10 题）”的输入、代码、依赖、配置和数据版本可以追溯。
• “AI 编程基础与工具选型（第 1～10 题）”的正常、临界、失败和恢复样本使用同一套断言。
• “AI 编程基础与工具选型（第 1～10 题）”的原始输出、中间状态和失败现场已经保留。
• “AI 编程基础与工具选型（第 1～10 题）”的日志、Trace、截图和测试数据已经脱敏。
• “AI 编程基础与工具选型（第 1～10 题）”的停止条件、负责人和回滚入口已经演练。
• “AI 编程基础与工具选型（第 1～10 题）”尚未覆盖的输入、权限、容量和外部依赖已经登记。

最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“AI 编程基础与工具选型（第 1～10 题）”的判断，就不能发布。

十七、总结

• 第1题：行内补全、对话式编码和编程 Agent 的能力边界有什么不同？：对话式编码由人选择上下文并确认修改；
• 第2题：一个可靠的 AI 编程工作闭环包含哪些步骤？：核心答案： 闭环是明确需求和非目标、读取仓库证据、复现问题、做最小修改、运行独立验证、检查 Diff、保存证据。
• 第3题：如何判断任务应该交给 Agent、只让 AI 辅助，还是完全人工处理？：核心答案： 可独立验收、可回滚、输入稳定的任务适合 Agent；
• 第4题：CLI Agent、IDE Agent 和 Cloud Agent 应该怎样选？：核心答案： CLI 适合仓库内自动化与脚本组合，IDE 适合低延迟交互修改，Cloud Agent 适合隔离的长任务和并行执行。
• 第5题：怎样为真实代码任务选择模型，而不是只看公开榜单？：核心答案： 先建立来自本团队仓库的任务集，分别测成功率、测试通过率、人工返工、P95 延迟和单位成功任务成本；