题目重点：解释AI在本人工作中的用途、验证方法和错误处理，不用工具名称代替能力。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 明确问AI在项目运用、AI犯错如何发现和cross check；另一记录问平时使用GenAI/Debug。只讲真实使用，不把展示答案当已完成工作。
- 代码、数据和访问权限仍由本人负责；敏感内容是否可发外部工具遵守实际工作规则，不假设所有仓库允许上传。
解题路线
- 按具体任务讲输入、期望产物和使用方式：理解代码、提出测试、比较方案或草拟文档。解释为何这一任务适合工具，以及哪些决策需本人掌握。
- 核验与任务对齐：代码跑独立测试/类型检查、事实查权威文档、统计重算并核单位、设计审失败路径。不是再问另一个相同模型就得到独立证据。
- AI错误给具体失败样例与定位过程：缩小输入、检查假设、核对引用与执行结果；修改后再跑回归，并记录工具建议造成的错误边界。
- 使用效率看完成时间与返工/质量，不能只算生成速度。归因明确本人提出问题、审查和执行动作，保留必要的review与变更证据。
手动走一遍
若AI建议把并行任务Promise.all称为“单个失败也保留成功”，用一失败一成功的独立测试暴露语义错误，再改成适合合同的结果收集。示例是核验方式，不声称本人做过这个项目。
规模与取舍
建议先2–3分钟讲决策链，追问展开个人动作、证据和结果。所有指标只使用真实可验证记录；不虚构人数、金额和影响。
易错点与追问
容易失分的边界
- 用模型的自我解释验证模型自己。
- 只报节省时间，遗漏返工和错误成本。
- 把AI生成内容直接交付却说自己已经理解。
继续深挖
- 什么任务你会主动不用AI，为什么？
- 如果建议通过现有测试但你怀疑边界错，怎样补独立对照？
