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》
- 请做一下自我介绍。
- 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?
- 详细描述一下你这个登录和创角功能怎么实现的?
- 不同设备可以用同一个账号同时登录吗?怎么防止?
- 对于新服刚起、海量玩家同时登录,怎么避免服务器被打爆?
- 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?
- 说说这两个项目中有哪些做得好的地方?
- 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?
- 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?
- 了解射线检测到底是怎么做计算的吗?
- 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?
- 你现在实习做的业务是什么?有什么比较有挑战的事情?
- 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?
- 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?
- 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?
- 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?
- 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?
- 平常使用什么模型?工作中多少代码是由 AI 写的?
- 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?
- 你认为 AI 整理和输出文档的效果怎么样?
- 你会 review AI 写的代码吗?怎么 review?怎么避免隐藏错误?
- 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?
- 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?
- 你在实际项目和实习中设计了哪些测试用例,举例说说?
- 组里其他人使用 AI 的方法和流程是怎样的?
- 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?
- 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?
- 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。