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》
- 在代码迁移和重构过程中,如何保证新旧逻辑的一致性?
- 如何通过自动化测试和人工回归保证重构质量?
- 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?
- 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?
- 代码迁移过程中使用了 AI,人和 AI 的工作边界如何划分?
- 哪些工作适合交给 AI,哪些必须由人完成?为什么?
- 如何验收 AI 生成的代码,保证结果符合预期?
- 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?
- 跨端能力统一封装后,如何避免丢失某个平台的特殊能力?
- 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?
- 对后端哪些知识点有了解?有哪些实际项目经验?
- 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。