题目重点：用任务分解、上下文约束、模型对照、独立测试和失败回退回答 AI 编程工作流问题。
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。
- 以下是可迁移的工程流程，不对 2026 年某个模型作未经测试的‘最好’排名；候选人应据自己的真实项目、可公开数据和公司使用政策作答。
- 用于比较的代码任务应有清晰验收标准与允许共享的上下文，敏感代码、密钥和客户数据不能任意贴入外部服务。
解题路线
- 先按任务选工具：小函数补全、陌生仓库定位、跨文件重构、测试生成和文档解释的风险与上下文需要不同。模型比较以同一代表任务、相同上下文/预算和独立验收进行，记录正确率、修改轮次、延迟/成本及失败类型，不用主观口碑代替证据。
- 高质量提示给出目标接口、输入输出、边界、语言版本、不可使用的库、性能目标及可运行测试；要求先列假设和可能的歧义。多文件任务可先让工具说明拟改文件与不变量，再分步提交可审查 diff。
- 把 AI 产出当候选实现：自己读代码，运行原有测试和新增边界/反例；对算法用独立 oracle、小规模穷举或性质测试，系统代码核权限、并发与回滚。
- 若失败，缩小问题并给具体编译错误/最小反例，要求改动原因与影响范围；超过修复预算时回退人工实现。所有通过的改动仍需 code review 与生产监控。
手动走一遍
训练案例是日志解析函数：提示写出字段协议、非法行行为和 4xx/5xx 分母，要求 3 个边界例子；收到代码后再用独立参考解析器生成混合有效/无效行，对照差异。若模型反复把无效行算进分母，就给最小反例并直接修改契约。
规模与取舍
单次生成时间与费用依模型和上下文长度变化，不能凭题目给固定数字。应测总完成时间=提示准备+生成+审查+修复，而非只比较首轮响应速度；长上下文还可能增加审查负担。
易错点与追问
容易失分的边界
- 只说‘我常用某模型’，没有说明任务、约束和验证。
- 同一任务给不同模型不同上下文，随后宣称客观胜负。
- 让模型生成测试再仅用这些同源测试证明实现正确。
- 把真实客户数据或密钥直接粘贴到未授权工具。
- 把不能解释的代码交付生产。
继续深挖
- AI 给的算法通过样例但复杂度不达标，怎样验证？
- 如何比较两个模型的代码质量而不靠主观印象？
- 复杂仓库任务中如何限制上下文和改动范围？
- 如果 AI 建议绕过测试或权限检查，你会怎样处理？
