面灵AI→

虎牙后端容器岗二面:用 AI 上手陌生语言项目与为什么要保留 CI/CD

轮次
二面
时间
2026-10
来源
牛客网

《面试题目》

  1. 自我介绍。
  2. 讲讲你这段实习的产出。(另一段实习被认为比较水,没有追问)
  3. 如果你刚入职,接手一个不是自己熟悉语言的项目,怎么借助 AI 快速上手,或判断这份代码是否符合规范?
  4. 既然已经有 AI 帮忙写代码了,为什么还要保留一部分手写?
  5. 本地已经可以用 AI 评审代码了,为什么还要走 CI/CD?
  6. 一些 k8s 的基础知识(原帖提到「不是太多,基本上都是比较基础的」)。
  7. 反问。

《参考解析》

这场二面的主题不是八股,是「你怎么把 AI 放进工程流程里」。 五个问题里四个都在同一个方向上:AI 与人的分工边界在哪。这类题没有标准答案,但答得好不好很容易分辨——答「AI 提效所以我少写代码」会被继续追,答「AI 负责候选、人负责判断,机器可判的门必须由流水线来守」才是面试官想听的。

借 AI 上手陌生语言项目,正确姿势是「先立地图,再上工具」。 第一步不看代码看地图:README、目录结构、入口文件、依赖清单、构建与启动方式,先搞清楚这个服务怎么跑起来。第二步让 AI 做它最擅长的事——逐文件解释、翻译成你熟悉的语言、画出调用链、找出口点与配置来源;但要用「带着问题问」的方式(这个函数被谁调用、失败会怎样),而不是「帮我读懂整个项目」,后者只会得到一份似是而非的摘要。第三步是最关键的验证:不看代码先看测试,跑一遍现有测试与本地启动,把 AI 的说法和真实行为对齐;再挑一两个小需求(改日志、加校验)走完整流程,用真实改动检验自己的理解。判断代码是否符合规范时要区分两类规范:机器可判的(命名、格式、lint 规则、复杂度阈值)直接跑工具,人判的(分层是否清晰、错误处理是否吞异常、有没有隐藏的全局状态)靠读关键路径加问人。最后一步是让 AI 输出「我不知道的部分」清单——它能帮你补语法,但补不了团队约定和业务背景。

AI 写代码之后仍然要手写,原因有三层。 一是能力边界:涉及并发正确性、资源生命周期、协议与序列化细节、性能敏感路径的代码,AI 生成的版本经常「看起来对」,而这些恰恰是出错代价最高的地方。二是认知所有权:写代码的人要能为线上事故负责,如果一段逻辑自己没有逐行想过,出问题时的排查能力等于零。三是表达意图:核心逻辑的手写版本是团队的说明书,后来者读得懂才改得动。实际分工更像「AI 铺量、人守关」——样板代码、测试、迁移脚本、胶水层交给 AI,核心链路自己写或逐行 review 到能复述。

本地 AI 评审替代不了 CI/CD,因为两者的性质不同。 本地评审是「建议」,随人和心情波动,不可复现也没有记录;CI 是「门」,机器可判、结果确定、对所有人一致,而且它守的不只是代码风格,还有编译、类型检查、单测、集成测试、镜像构建、依赖漏洞扫描、制品签名与可追溯。更实际的三点:一是评审之外还有「必须拦住」的硬失败(测试挂了就是不能合),这需要执行环境而不是对话;二是 CI 产出的是可追溯的证据链(谁在哪个 commit 上跑过什么、结果是什么),事后追责与回滚都靠它;三是团队规模上来后,本地 AI 无法保证每个人都跑了同一套检查。合理的组合是本地用 AI 做快速反馈、CI 做最终裁决,而不是二选一。

k8s 的「基础题」通常集中在几处。 工作负载的选型(Deployment / StatefulSet / DaemonSet / Job 各适合什么)、Service 的四种类型与 ClusterIP 的转发原理、Ingress 与 Service 的关系、探针的三种(liveness 决定重启、readiness 决定是否接流量、startup 给慢启动兜底)、resources 的 requests 与 limits 的差别(requests 影响调度、limits 影响运行时)、配置与密钥的挂载方式、以及滚动更新与回滚。被问到时尽量挂在自己项目上讲——「我们的服务用 readiness 探针避免发布过程中被打进流量」,比背定义有效。

反问可以围绕团队的真实形态。 比如这个岗位是做平台还是做业务支撑、容器平台目前的规模与痛点、团队怎么看待 AI 编码在基础设施领域的边界。这些都是从本场面试主题自然延伸出来的,面试官也乐意答。