题目重点：IC5 HM 问 AI 在日常工作流的使用；给真实任务、可共享数据、人工验证与效率/质量证据。
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。
- 候选人只讲真正用过的工作流与所在组织允许的数据范围；不可推断 Coinbase 现行工具政策。
- AI 输出是辅助草稿，生产代码、测试、用户数据和最终判断仍由工程师负责。
- 收益需用实际耗时、缺陷/返工或覆盖率等证据衡量；若无量化数据，诚实说观察性质。
解题路线
- 选一个真实任务，如理解陌生模块、生成测试思路、草拟迁移脚本或整理设计比较；明确输入是否含敏感数据。
- 描述工作流：先定义契约和边界→向工具提具体问题→逐段审查输出→跑独立测试/静态检查→人工解释关键取舍。
- 列出防错控制：不把密钥/私人数据输入不获准工具、核对依赖 API 与版本、为边界写反例、手动 review 许可证/安全影响。
- 报告实际收益及失败例，例如生成代码忽略并发条件，靠测试发现并修正；这样比‘AI 提速 10 倍’无证据宣传可信。
- 对不适用场景明确不用 AI，如高风险逻辑缺可验证 oracle、敏感数据受限或成本高于手工实现。
手动走一遍
训练例：工程师请工具提一个幂等处理函数的测试清单，再按事件重放、同 ID 不同 payload、并发重复提交手写/运行测试。工具提出方向，但代码是否正确由测试与 reviewer 决定。具体项目需用候选人真实经历。
规模与取舍
工作流成本是提示/审查/测试时间与工具费用之和；需比较同类任务基线与返工率。题目未明确政策或产能数字。
易错点与追问
容易失分的边界
- 只说‘我每天用 AI 写代码’，没有审查链。
- 把敏感数据/密钥直接贴到未获准工具。
- 用生成测试验证同一生成实现，却没有独立预期。
- 编造效率提升百分比。
继续深挖
- AI 生成代码出现隐性错误时如何发现？
- 哪些数据不能输入工具？
- 如何评估节省时间是否被返工抵消？
