面灵AI→

小红书全栈一面:重构如何保证新旧一致,AI 与人的工作边界怎么划

轮次
一面
时间
2026-10
来源
牛客网

《面试题目》

  1. 在代码迁移和重构过程中,如何保证新旧逻辑的一致性?
  2. 如何通过自动化测试和人工回归保证重构质量?
  3. 如何保证自动化测试用例覆盖所有 Case?怎么考虑异常和边界情况?
  4. 公共模块迁回业务仓库维护有什么实际收益?有没有量化指标衡量这次重构的收益?
  5. 代码迁移过程中使用了 AI,人和 AI 的工作边界如何划分?
  6. 哪些工作适合交给 AI,哪些必须由人完成?为什么?
  7. 如何验收 AI 生成的代码,保证结果符合预期?
  8. 整个项目中,有没有遇到比较难决策或难实现的事情?最后怎么解决?
  9. 跨端能力统一封装后,如何避免丢失某个平台的特殊能力?
  10. 不同平台、不同版本的客户端能力存在差异时,如何处理兼容性?
  11. 对后端哪些知识点有了解?有哪些实际项目经验?
  12. 算法题:删除排序链表中的重复元素 II(力扣 82)。

《参考解析》

新旧一致:最可靠的手段是「可对比」。同一份输入能同时打到旧实现与新实现(灰度分流、双跑),比对输出,不一致就落 diff 样本;没有双跑条件时,用录制回放把线上真实请求重放到新实现,比手写用例覆盖率高一个量级。再叠一层:迁移前先给旧实现补特征测试(characterization test),把现有行为(包括看起来像 bug 的行为)固化成断言,重构只允许行为不变。差异要显式列出,哪些是有意改变(修 bug)、哪些必须保持,逐条确认。

自动化测试与人工:自动化管回归与边界,人工管新逻辑与体感。用例组织按「契约 → 场景 → 边界」三层:契约测输入输出与错误码,场景测组合流程,边界测空值、极值、并发、超时。覆盖率不看行覆盖,看「每个分支的失败路径是否被验证过」。人工回归做的是自动化覆盖不到的部分:视觉、交互时序、真实设备。

重构收益量化:至少三个指标——构建/发布耗时(公共能力迁回后是否减少跨仓联动)、变更影响面(一次改动需要改几个仓库、几个团队评审)、故障数(迁移前后同一模块的线上问题数)。只说「代码更清晰了」在面试里等于没答。

AI 与人的边界:适合 AI 的是「有明确输入输出、可验证」的部分——样板改写、批量替换、补测试骨架、生成迁移映射表。必须人做的是裁决类:接口契约怎么定、行为差异允不允许、灰度与回滚策略、以及任何涉及数据和权限的判断。验收 AI 产出的办法是把它当外部贡献者:diff 必须可读、必须有测试、必须能跑通真实链路,不接受「看起来对」。

跨端能力统一与兼容:把能力抽象成「接口 + 能力探测」而不是「假设都有」。低版本或缺失平台走降级实现;每个平台的特殊能力单独放在扩展层,不进统一接口,避免为了统一把差异抹掉。用矩阵化的能力表(平台 × 版本 × 能力)驱动测试,新系统上线前跑一遍矩阵。

算法:虚拟头节点 + 前后指针,遇到 cur.val == cur.next.val 就循环跳过所有相同值(内层 while 是关键,去掉全部重复而不是留一个),否则前移。O(n)/O(1)。写完讲清「为什么用 dummy 头」——处理头节点本身重复的情况。