m佬淘天AI应用开发一面
面试流程简述#
面试内容集中在项目经历和 AI coding 认知，整体更像围绕工程实践展开的技术探讨。面试官重点关注候选人如何端到端推进 PR、如何使用 AI 工具、如何看待未来研发流程，以及如何治理 AI coding 带来的语义偏移和上下文管理问题。
进展：已约二面。
问题记录#
- 拿一个 PR 讲，怎么端到端完成？
- 日常 AI coding workflow 是什么？
- AI 工具能力继续增强后，流程还能优化哪里？
- 怎么理解“语义偏移”？如何用 CI 做回收？
- 文档、代码、记忆 / 事实层如何分层？
参考答案（AI 生成）#
以下答案由 AI 生成，仅供面试复盘参考。
1. 拿一个 PR 讲，怎么端到端完成？#
答：可以按“需求理解、方案设计、实现、验证、评审、上线、回看”来讲。先明确 PR 要解决的用户问题、影响范围和验收标准，再读相关模块和历史 PR，确定改动边界；实现阶段保持小步提交，补单测、集成测试和必要的日志指标；提交前跑本地检查和关键链路验证；review 阶段重点解释设计取舍、风险和回滚方式；合并后观察线上指标和用户反馈。
2. 日常 AI coding workflow 是什么？#
答：常见流程是先让 AI 帮忙读代码和梳理调用链，再让 AI 生成方案草稿和测试点，随后人工确定实现边界。编码阶段可以让 AI 承担样板代码、局部函数、测试用例和文档更新；验证阶段让 AI 根据 diff 找风险点，再配合单测、lint、类型检查和本地运行确认质量。核心是把 AI 放在“加速理解、生成候选方案、补齐测试和辅助 review”的位置上。
3. AI 工具能力增强后，流程还能优化哪里？#
答：优化空间主要在自动化上下文收集、PR 级计划生成、测试自动补齐和上线后反馈回流。更理想的流程是 AI 能自动读取需求、关联历史代码、生成小步执行计划、产出 diff、补充测试、解释风险，并把线上指标、用户反馈和 review 意见沉淀回项目知识库。这样研发流程会从“人手动拼上下文”演进到“系统持续维护工程上下文”。
4. 怎么理解“语义偏移”？如何用 CI 做回收？#
答：语义偏移指代码实现、测试、文档和需求意图在多轮修改后逐渐偏离，表面上能编译通过，实际业务语义已经漂移。CI 可以从多个层次做回收：单测覆盖函数语义，集成测试覆盖模块协作，契约测试覆盖 API 行为，快照测试覆盖结构化输出，端到端测试覆盖关键用户路径，静态扫描覆盖安全和规范。对于 AI coding，还可以在 CI 中加入 spec check、golden case、回归样例集和变更影响分析，让每个 PR 都回到原始需求和关键约束上。
5. 文档、代码、记忆 / 事实层如何分层？#
答：可以分成三层。文档层承载相对稳定的设计意图、业务规则、接口契约和操作手册；代码层承载真实可执行逻辑、测试和配置；记忆 / 事实层承载项目当前状态、历史决策、用户偏好、线上现象和团队约定。使用 AI 时，文档层提供背景，代码层提供事实校验，记忆层提供个性化和连续性；检索和注入上下文时要带来源、时间、权限和置信度，保证模型拿到的是当前任务最相关的信息。