面灵AI→

广联达 C++ 一面:系统层与应用层的差别、AI 辅助编程与三维业务

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

开场与经历

  1. 请先简单介绍一下你自己。
  2. 这几段经历是实习还是工作?
  3. 你之前的从业经历里,好像还没有太用过 C++?
  4. 用 C 的开发,除了驱动还有哪些内容?
  5. 这些经历和项目里,哪一段挑战最大、最难突破?
  6. 遇到全新领域、自己没掌握的知识,你的应对思路是什么?比如新入职一个 C++ 岗,语言特性和你之前用的都不一样。

系统层与应用层

  1. 偏系统层的开发,在难度上和应用层开发有什么区别?
  2. 除了背景知识的差异,开发层面本身有大的区别吗?

AI 辅助编程

  1. AI 产出的代码、以及它对你编程的辅助,现在对你来说处于什么状态?
  2. 接触过 OpenSpec、SuperPower 这一类 Spec 编程模式吗?
  3. 你刚才这套流程里,用过 ask、plan 这类模式吗?
  4. 有没有拿这些工具做过你自己感兴趣的项目?

技术广度

  1. 有接触过三维领域吗?
  2. 有做过 CAD 研发,或者三维开发、模型开发这类工作吗?
  3. 做过数据库相关的工作吗?
  4. 什么时候该上数据库,什么时候用文件就够?

反问

  1. 贵司做 3D 相关的工作,主要是开发三维程序吗?这个岗位具体做什么?
  2. 除了算法和多模态,还会用到哪些技术或工具?听说用到 QT?
  3. 贵司在西安的办公地点在哪个区域?

《参考解析》

系统层与应用层的差别:帖主的回答抓到了要害——难点主要在「背景知识的获取成本」。系统层(自研 OS 的功能扩展、内核模块)没有公开文档或文档滞后,只能读源码和头文件;应用层文档、示例、社区都齐全。更完整的答法可以再补三点:一是可观测性差,内核里出问题没有断点和日志,只能靠 printk、ftrace、crash 转储;二是错误代价不同,应用层崩一个进程,内核里一个空指针就是整机 panic;三是调试与验证方式不同,内核要交叉编译、烧板、串口,迭代周期以分钟计,应用层本地就能热重载。

编程范式差异:C 面向过程,没有类与继承,模块化靠「结构体 + 函数指针表」手工模拟(内核里的 file_operations 就是典型);资源管理靠成对的 init/exit 与 goto 清理链,没有 RAII 和析构。C++ 有 RAII、模板、虚函数,抽象成本低,但也要知道它并非全零开销(虚表、异常、模板膨胀)。真正做过底层的人能说出「C 里怎么用手工模拟多态」,这比背概念有说服力。

C 的使用场景:驱动、内核模块、Bootloader、RTOS 任务、裸机嵌入式、协议栈、高性能中间件。帖主区分了「驱动」与「裸机嵌入式」:驱动底下已经有内核提供的执行环境,裸机要自己处理启动汇编、链接脚本、时钟与外设初始化。这个区分是对的,也说明他真做过。

AI 辅助编程的演进:帖主讲了一条清晰的时间线——2024 年底对话式单模块助手(给想法、拿代码、自己适配),到 2025 年底 Agent 形态(桌面端、命令行,能自己读文件跑命令),再到 2026 年中的「先写 Plan、人审、再逐步实现」的流程。这套流程的关键不是工具,而是把「需求 → 计划 → 分步实现 → 每步审查」固化下来:模型写计划书会把隐含假设摊开,人一眼能看出哪里不符合现有项目。可以补一句风险:Agent 生成的代码要能编译、能跑测试、能回滚,审查点放在接口边界和错误处理上。

Spec 编程:Spec-driven development 的思路是先把「要做什么、验收标准是什么」写成结构化规格(通常是 Markdown 或 YAML),再让模型按规格生成实现与测试。OpenSpec、SuperPower 这类工具做的是规格模板、任务拆分与执行编排。帖主如实说「装过、用过,没深入」,这比硬吹更安全;如果被追问,可以讲清楚它解决的问题:把「提示词里说不清的需求」变成可评审的文档,减少返工。

三维与 CAD 的接触程度:没有就是没有,但要给出「能迁移的能力」——图形学基础(坐标变换、渲染管线)、C++ 工程能力、性能优化经验。广联达的业务是把设计院的二维 CAD 图纸转成三维模型并算量(墙长、混凝土、钢筋、窗户数量),技术上涉及几何内核、图纸识别(选中两根线识别所有墙)、PDF/图片图纸的多模态逆向建模。提前了解这些业务背景,反问时能问到点上。

什么时候该上数据库:帖主的判断维度是数据量、可靠性、查询复杂度,方向正确。可以再结构化一些:数据量(几十万行以上、需要按条件检索而不是全量加载)、并发(多进程/多机同时读写)、一致性(需要事务、崩溃恢复)、查询复杂度(多条件组合、聚合、join)、运维(备份、扩容、审计)。文件适合配置、日志、一次性导入导出、单机小数据;一旦出现「多写者 + 需要按索引查 + 不能丢」这三条中的两条,就该上数据库。过渡路径通常是 SQLite 起步,再换 MySQL/PostgreSQL。

最难的一段经历怎么讲:帖主选的是第一段自研 OS 项目(无公开文档、内部文档老旧,只能读源码,花了两个月摸清流程),讲清楚了「难在哪、怎么破、花了多久、之后有什么变化」。这类问题的评分点是「困难的客观性」和「方法的可复用性」,而不是困难本身有多惨。可以在结尾补一句沉淀:后来把读源码的路径整理成了文档/笔记,第二段内核项目只用了很短时间。

面对全新领域的学习路径:帖主给了两条:不用 AI 时先界定问题范围、自己查资料,再找派任务的人对齐背景,最后找同岗位前辈;用 AI 时先问模型,概念晦涩再找同事用比喻翻译。这个回答的优点是承认「问人」是合理手段。可以再补「最小可运行验证」:先写一个 hello world 级别的 demo 把链路跑通,再逐步加复杂度,避免在文档里空转。