面灵AI→

网易互娱游戏测试开发二面:项目深挖、FPS 网络同步与 AI 研发流程

轮次
二面
结果
凉经
时间
2026-10
来源
牛客网

《面试题目》

  1. 请做一下自我介绍。
  2. 详细介绍一下第一个项目的世界观?其中你怎么做移动端操作适配的?
  3. 详细描述一下你这个登录和创角功能怎么实现的?
  4. 不同设备可以用同一个账号同时登录吗?怎么防止?
  5. 对于新服刚起、海量玩家同时登录,怎么避免服务器被打爆?
  6. 针对上述问题,引入消息队列做削峰的话,怎么统计目前多少人在排队并告知正在登入的玩家?消息丢失怎么处理?怎样设计才能平衡好流量和玩家体验?
  7. 说说这两个项目中有哪些做得好的地方?
  8. 第二个项目中玩家开火时你在客户端优先做了哪些反馈?如果由客户端自己进行伤害判定会怎样?FPS 游戏的防作弊机制一般怎么设计的?
  9. 对于一些高速射击和角色高速移动的场景下,容易出现哪些问题?有什么解决方案?
  10. 了解射线检测到底是怎么做计算的吗?
  11. 市面上 FPS 游戏是怎么实现弹道下坠的?子弹命中都是依靠射线检测吗?
  12. 你现在实习做的业务是什么?有什么比较有挑战的事情?
  13. 你实习做的这个自动化框架是什么结构?怎么使用的?你认为它还有哪些缺陷?
  14. 自动化框架里面的跑测脚本有覆盖所有异常情况吗?还有哪些可能出现的问题?
  15. 你把这个框架交付他人使用时,如果出现某个地方运行失败,你会怎么排查?
  16. 假如经常出现某个页面被移除了或者页面内容发生变化的情况,如果不想每次修改或者少修改脚本逻辑,该怎么设计?
  17. 你在做这个自动化框架的时候,有没有学到一些可借鉴的技术思路可以复用到你当前的项目中?或者怎么把这个框架和项目结合起来?
  18. 平常使用什么模型?工作中多少代码是由 AI 写的?
  19. 有没有自己从零到一手动编码的项目?使用过其他哪些模型?它们的能力如何?不同模型之间的区别?
  20. 你认为 AI 整理和输出文档的效果怎么样?
  21. 你会 review AI 写的代码吗?怎么 review?怎么避免隐藏错误?
  22. 用不同 agent 做编码、review 相比只用一个 agent 来做有什么区别?如果两个 agent 提出的技术方案分歧很大,这种情况怎么处理?
  23. 你怎么让 AI 写测试点和测试用例的?你的测试用例是文字还是单测?你怎么判断 AI 的测试用例写得是否齐全?
  24. 你在实际项目和实习中设计了哪些测试用例,举例说说?
  25. 组里其他人使用 AI 的方法和流程是怎样的?
  26. 如果要很好地完成一个完整任务,你认为应该开几个 agent,各自做什么事情?
  27. 最喜欢玩的游戏是什么?它哪些地方吸引你?你认为它还有什么要改进的地方?
  28. 为什么投递这个岗位?你对岗位的理解是什么?

《参考解析》

海量登录与排队削峰:新服开服是典型的瞬时脉冲流量,直接放量打 DB 和登录服必崩。常规做法是网关层先限流(令牌桶按 QPS 放行),登录请求进消息队列,后端按可控速率消费,队列入队时给每个请求分配一个自增序号作为排队号。排队位次用 Redis 的有序集合或计数器维护,客户端拿排队号轮询或走长连接接收位次推送,同时展示预估等待时间。消息不能丢:生产端开 confirm、消费端手动 ack 且做幂等(用 userId + 请求唯一 id 做去重表或 Redis SETNX),失败进重试队列、多次失败进死信队列人工兜底。体验上的平衡点是”分批放行 + 可视化等待 + 可取消”:一批放 N 个人、给出剩余时间、允许玩家取消排队,避免所有人干等;同时防重连风暴(客户端指数退避、同设备去重),并准备降级方案,比如排队期间只开放角色创建预览、不写库。

同账号多端登录:核心是服务端维护一份”账号 → 当前会话”的映射,登录时用 Redis 做原子占位(比如 SET account:session <token> NX EX),已有会话时要么踢掉旧会话(顶号),要么拒绝新登录并提示。关键是旧连接要被主动断开(网关层推一条 kick 消息)并让旧客户端停止发包,否则两个客户端会互相覆盖存档。再多一层是设备指纹与登录态校验,防止 token 被复制到第二台机器上直接用。

FPS 开火与伤害判定:客户端开火时优先给”手感反馈”——枪口火焰、音效、后坐力、抛壳、命中准星反馈、弹道曳光,这些都在本地立刻播放,不等服务器;伤害判定必须服务端权威。如果让客户端自己判伤害,改内存或改包就能一枪秒人,反作弊无从谈起。服务端权威 + 客户端预测 + 延迟补偿(lag compensation)是主流:服务端按玩家上报的射击时刻回溯其他玩家当时的位置做命中校验,命中结果再下发。防作弊的层次包括:服务端全量校验(射线、射速、弹药、移动速度)、输入频率与弹道合法性检查、统计异常检测(爆头率、命中率离群)、客户端完整性校验与反调试、以及举报与人工复核。

高速射击/高速移动的问题:一是穿模与隧穿——子弹在两帧之间跨过了目标,纯离散检测会漏判,要用连续碰撞检测(CCD)或分段采样;二是延迟与不同步——高延迟玩家看到的敌人位置是旧的,需要回溯补偿,但补偿窗口太大会被利用(打”鬼影”),通常限制在 100~200ms;三是插值与外推导致的位置误差,快移目标会出现”瞬移/回拉”,需要合理的外推上限和服务器纠正;四是命中判定与表现不一致,客户端看到命中但服务端判未命中,要有明确的反馈(比如命中标记延迟出现)避免玩家困惑。

弹道下坠与射线检测:射线检测就是从枪口或摄像机沿方向构造一条射线,和场景/角色的碰撞体做相交测试,取最近交点。引擎里通常用 BVH 或空间划分加速,物理引擎提供 raycast 接口。真实弹道有重力下坠和飞行时间,常见两种实现:一是分段射线(每帧沿抛物线推进做一小段射线检测),二是用快速子弹(fast projectile)先做射线命中预测、再让可见弹丸沿抛物线飞到命中点,视觉与判定分离。狙击枪和远距离武器更适合真实弹道,近战武器直接用射线就够了;霰弹枪是多条射线做弹丸散布。

自动化框架的结构与缺陷:典型分层是驱动层(设备/浏览器操作)→ 页面对象层(元素定位与页面动作)→ 用例层(业务场景与断言)→ 报告与调度层。缺陷通常在三处:定位器写死、用例之间共享状态(前一个用例失败污染后面)、断言只看”没报错”不看业务结果。健壮性靠显式等待替代 sleep、失败重试 + 截图 + 日志留存、用例间数据隔离、以及把环境准备和清理放进 fixture。交付给别人时最容易出问题的是环境依赖和隐式前置条件,所以要有自检命令(依赖版本、设备连接、账号可用)和一份”失败怎么定位”的排查手册。

页面变更少改脚本:把定位器从脚本里抽出来集中管理(页面对象/配置),优先用稳定的语义化属性(testid、data-*)而不是层级选择器;定位策略做多候选兜底(首选 testid,退化到文案、角色、相邻元素),配合图像/OCR 作为最后手段;再进一步是”自愈”——定位失败时自动尝试候选并记录告警,让人只处理真正变了的页面。根本上还是推动研发在页面上留稳定标识,这是测试和开发之间的契约。

AI 写码与 review:日常用法是分层的——样板代码、单测、脚本、文档交给 AI 快速产出,核心逻辑自己写或至少自己重写关键部分。review 时重点看它容易错的地方:边界条件(空值、越界、并发)、异常分支是否被吞掉、资源释放、事务边界、权限校验、以及”看起来合理但实际不存在的 API”。避免隐藏错误的办法是让代码必须过编译、过单测、过静态检查,再补针对性的用例;对 AI 声称的”已修复”一律用可复现的验证来确认,而不是读一遍觉得对。

多 agent 与方案分歧:一个 agent 做实现时容易陷入自己的假设,多 agent 的价值在于引入独立视角——实现、评审、测试分开,评审方不带实现的上下文,更容易发现”自洽但错误”的逻辑。分歧大时不要投票,回到可验证的事实:各自给出假设、影响面和一个能证伪的实验(写个小 demo、跑个基准、查文档/源码),用结果收敛;实在收敛不了就选改动小、可回滚的那条,先把风险控制在可逆范围内。

测试用例是否齐全:判断标准不是”数量够不够”,而是覆盖维度全不全——正常路径、边界值、异常与错误码、并发与幂等、权限与越权、兼容性、以及业务规则里的特殊分支。做法是先用需求/接口契约列出功能点和风险点,让 AI 按清单生成用例,再人工补齐它系统性漏掉的部分(通常是把异常当正常、忽略状态机非法流转);最后用覆盖率(代码/接口/场景)和线上缺陷回流来校准,漏测的 bug 要补成回归用例。