题目重点：把实际 AI 工具使用场景、验收方法和限制说清；不同面经对能否使用 AI 的描述不一致，应以当轮规则为准。
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。
- 候选人只讲实际使用过的任务和组织允许的工具，不编造模型排名或效率提升数值。
- 面试当轮允许/禁止/强制 AI 的规则以 recruiter 与面试官明确说明为准；这些题目描述记录彼此不同，不归纳成全公司统一政策。
解题路线
- 选 1–2 个真实任务，如陌生代码定位、测试草稿、文档梳理或样板生成，说清给工具的上下文、自己审查的关键风险和最终验收。
- 代码验收用独立测试、边界/反例、性能测量及安全检查；若生成复杂实现而无法解释，应重新推导并删去不必要部分。敏感客户数据、密钥和未获准源码不上传外部服务。
- 面试前确认是否能用 AI、使用范围、是否可复制粘贴到评测环境；如果工具不在测试环境，提前练习提炼提示、手动移植、自己运行与讲解。
- 评价收益要算总时间=写提示+生成+读代码+修错+测试，而非只看生成速度。工具拖慢时及时切换手写，主动说明自己的判断。
手动走一遍
训练案例：让 AI 生成费用规则的第一版 interface，自己核 `>` 边界、同笔多违规、trip 上下文缺失，并用手写规则 oracle 对照。若 AI 给出无法扩展的 if/else，自己改成明确规则对象；此案例不代表原候选人行为。
规模与取舍
质量衡量依任务而变；面试可在 45 秒概述工具选择、验收与权限，追问时展示一个真实失败样本。题目无统一 AI bar 或内部评测公式。
易错点与追问
容易失分的边界
- 声称 AI 生成即正确，不读代码。
- 拿工具自己生成的测试当唯一证明。
- 对不同轮次规则不确认就默认可用。
- 无法解释复制进评测环境的代码。
- 把客户数据与密钥放进未授权工具。
继续深挖
- AI 输出通过样例但隐藏测试失败时怎样找最小反例？
- 如果工具比手写慢，何时停止？
- 模型生成代码与现有项目风格冲突怎么办？
- 有哪些信息你不会给 AI？
