m佬阿里国际AI研发二面

岗位：AI 研发

问题记录#

再简要介绍一下自己的情况。
对 Harness / AI Coding Harness 怎么理解？
提到不同实践方式，你觉得哪种更好？如果自己实践，会怎么选型？
如果在成熟大公司内部实践 Harness 式研发模式，怎么做比较好？有什么最佳实践建议？
你说用文档约束 AI，具体怎么理解？能举例吗？
工程内 Markdown / 文档约束和传统知识库、RAG 有什么区别？
除了定义文档约束，还有哪些方式可以帮助 AI 参与企业级研发？
用 AI Coding 之后，还会看源码吗？
现在主要使用哪些 AI Coding 工具？
某类传统 IDE 型 AI 编程产品现在还用吗？
传统 IDE 辅助编程类产品有前途吗？未来会怎么发展？
未来 AI Coding 的趋势是什么？
未来对技术人才的要求，最核心的三点是什么？
为什么觉得汇报和表达产出很重要？
现在手头通过 AI 在做的最核心事情是什么？
在开源社区做 PR，具体做什么？
开源社区日常怎么运作？机制和流程是什么样的？
除了 AI 方向，计算机基础比如数据库、计算机网络、数据结构、算法掌握得怎么样？
对自己的职业发展规划怎么考虑？
对业务领域或业务方向有什么倾向？
过去用 AI 学习、开发或做具体事情的过程中，遇到过最有技术挑战的问题是什么？
当时怎么解决这个技术挑战？能讲一个具体 case 和心路历程吗？
英文能力怎么样？平时英语交流多吗？
对工作地点有什么考虑？
目前还在面哪些其他岗位？进展怎么样？
有什么想问我的？

参考答案（AI 生成）#

以下答案由 AI 生成，仅供面试复盘参考。

1. Harness / AI Coding Harness 怎么理解？#

答：Harness 可以理解为围绕 AI Coding 建立的一套工程外骨骼。它不只是让模型写代码，而是把需求、上下文、代码库、工具调用、测试、评测、CI、权限、日志和回放串成闭环。核心目标是让 AI 的产出可约束、可验证、可复现、可持续改进。

2. 不同实践方式怎么选型？#

答：小团队或个人项目可以先用轻量方式，比如 Markdown 规范、任务模板、AI review、测试集和脚本工具。成熟公司内部更适合平台化，把代码索引、工具权限、评测集、CI、审计和知识库接入统一研发平台。选型重点看团队规模、代码复杂度、安全要求、交付频率和已有工程基础。

3. 大公司内部怎么实践 Harness 式研发？#

答：建议从低风险链路开始，比如测试生成、文档更新、代码解释、PR review 和内部工具开发。先建立统一规范和评测基线，再接入权限控制、日志审计、CI 回归和效果度量。成熟后再扩展到自动修 bug、自动迁移、端到端需求实现。最佳实践是小范围试点、指标化评估、分级授权和人工验收。

4. 用文档约束 AI 怎么理解？#

答：文档约束是把团队的隐性规则显式化，让 AI 在生成代码前拿到稳定上下文。比如在仓库里维护 ARCHITECTURE.md、CONTRIBUTING.md、TESTING.md、API_CONTRACT.md，写清模块边界、命名规范、错误处理、日志格式、测试要求和禁止事项。AI 修改代码时先读取这些文件，再按约束生成实现和测试。

5. Markdown / 文档约束和传统知识库、RAG 有什么区别？#

答：工程内 Markdown 更贴近代码仓库，强调可版本化、可 review、和代码一起演进。传统知识库更偏信息沉淀和查询，RAG 更偏运行时检索和上下文增强。文档约束服务的是研发行为规范，RAG 服务的是按需召回知识，两者可以结合：文档约束作为高优先级上下文，RAG 补充长尾知识。

6. 还有哪些方式能帮助 AI 参与企业级研发？#

答：关键是把 AI 接入工程闭环。可以做代码索引、API schema、依赖图、测试平台、CI gate、灰度发布、日志平台、issue 系统、需求文档和知识库的统一连接。还可以建立 badcase 数据集、PR 评测集、自动回放和安全扫描，让 AI 每次产出都能被验证和追踪。

7. 用 AI Coding 后还会看源码吗？#

答：会，而且源码阅读更重要。AI 可以加速定位和解释，但关键设计、边界条件、性能问题和安全风险需要自己理解源码。比较好的方式是让 AI 先给调用链和模块图，再自己阅读核心文件、跑测试和断点验证，最后把理解沉淀成文档或注释。

8. 传统 IDE 型 AI 编程产品还有前途吗？#

答：有前途，但形态会升级。传统补全和 chat 会成为基础能力，未来更重要的是 repo 级理解、任务级执行、测试闭环、代码变更规划、PR 自动化和团队知识集成。IDE 型产品的优势是贴近开发现场，机会在于和终端 agent、云端评测、CI 和知识库形成协同。

9. 未来 AI Coding 的趋势是什么？#

答：趋势是从代码补全走向任务代理，从单轮生成走向长期上下文，从个人效率工具走向团队工程平台。能力上会强调多文件修改、测试自修复、自动评测、工具调用、权限控制和可观测性。组织上会出现更强的 AI code review、AI QA、AI migration 和 AI ops 流程。

10. 未来技术人才最核心的三点是什么？#

答：第一是工程基本功，能判断架构、质量、性能和安全；第二是问题定义能力，能把模糊需求拆成可验证任务；第三是表达和协作能力，能把 AI 产出、技术方案和业务价值讲清楚。AI 会放大执行效率，也会放大判断力差距。

11. 为什么汇报和表达产出重要？#

答：研发工作需要让团队理解“做了什么、为什么做、结果如何、风险在哪、下一步是什么”。表达产出能降低协作成本，也能把个人技术价值转化成团队可复用资产。对于 AI 研发，表达还关系到需求澄清、评测解释、效果复盘和跨团队推动。

12. 开源社区 PR 怎么讲？#

答：可以讲清楚 issue 背景、相关模块、修改方案、测试方式、review 反馈和最终结果。开源 PR 重点体现你能读懂项目规范，能和 maintainer 协作，能把问题拆小并给出可维护实现。技术之外，文档、测试、兼容性和沟通也很重要。

13. 开源社区日常怎么运作？#

答：常见流程是用户提交 issue，维护者 triage 和打标签，贡献者认领或提交 PR，CI 自动检查，reviewer 给出修改意见，贡献者迭代后合入。社区还会通过 release note、roadmap、discussion、RFC 和 weekly meeting 协调方向。

14. 计算机基础怎么回答？#

答：可以按课程体系和项目应用回答。数据库重点是索引、事务、锁、日志、SQL 优化；网络重点是 TCP、HTTP、TLS、DNS、I/O 多路复用；数据结构和算法重点是数组、链表、哈希、堆、树、图、动态规划和复杂度分析。回答时最好补充自己在项目或刷题中的应用场景。

15. 技术挑战 case 怎么讲？#

答：用 STAR 结构：背景是什么、目标是什么、难点在哪里、采取了哪些方案、如何验证结果。AI 方向可以讲上下文过长、工具调用失败、模型输出不稳定、RAG 召回不准、评测集构建困难等问题。重点是讲出排查过程、取舍和最终沉淀。

16. 英文能力怎么回答？#

答：可以从阅读、写作、交流三方面讲。比如能阅读英文文档、论文、issue 和 PR；能用英文写 issue、PR 描述和技术文档；口语交流可以支撑日常技术沟通，并持续通过开源社区和英文材料提升。

17. 职业发展规划怎么回答？#

答：短期目标是把 AI 应用工程和后端工程能力打扎实，能独立负责一个从需求到上线的模块；中期目标是深入 Agent、RAG、AI Coding、工程平台和基础设施方向，形成可复用的方法论；长期希望做能连接模型能力、工程系统和业务价值的技术负责人。