贝壳后端一面：AI 编程、Agent 工作流与云原生追问

《面试题目》

1. 请做一下自我介绍。
2. 你最擅长什么开发语言？还使用过哪些语言？
3. 平时使用哪些 AI 编程工具？这些工具有什么区别？
4. 有了 AI 编程工具之后，开发人员最需要具备哪些能力？
5. 如何验证 AI 生成的方案和代码符合需求？除了能运行，如何验证功能的完整性和需求的一致性？
6. 你对 AI 辅助开发的理解，主要来自实习还是个人项目？
7. 在腾讯实习了多久？实习过程中最宝贵的收获是什么？
8. 实习项目解决了什么问题？
9. 为什么做这个项目？
10. 实习项目面向哪些用户？有多少人使用？
11. 请介绍实习项目的整体架构：系统如何部署？
12. 工作流是如何设计的？包含哪些阶段和产物？如何判断当前执行到哪个阶段？
13. 如何强制 Agent 遵守 Skill 中的规范？校验脚本由谁触发、在什么时机执行？
14. 岗位主要使用 Go，你主要使用 Java，能否适应语言转换？
15. 你认为自己的主要优势是什么？
16. 实习是否有转正机会？最终没有留下的原因是什么？
17. 你如何理解云计算？云计算岗位与普通业务后端开发有什么区别？
18. 你更倾向业务开发还是底层技术？为什么？
19. 你了解 Kubernetes 吗？有哪些 Docker 或容器部署经验？
20. 你认为 AI 会如何改变未来的软件开发模式？能否描述一个更长远的场景？
21. 你的本科是在哪里读的？家是哪里的？

《参考解析》

怎么验证 AI 生成的代码

分三层：第一层是能编译、能跑通，靠构建和单测兜底；第二层是行为符合需求，把需求拆成可验收的用例，覆盖正常路径、边界和异常；第三层是一致性和可维护性，检查是否复用了既有抽象、是否引入重复逻辑、错误处理和日志是否符合项目约定。关键需求不能只看「跑起来了」，要有可复现的验收标准和回归用例。

AI 编程工具之后最重要的能力

不是记住 API，而是把问题定义清楚、把任务拆成可验证的小步、能判断生成结果对不对。具体包括：读代码和调试的能力、设计验收标准的能力、对系统边界和风险的判断力，以及把领域知识写成清晰上下文的能力。工具越强，人的价值越集中在选题、约束和验收。

Agent 工作流怎么设计

先定义阶段和每阶段的输入输出，例如需求澄清 → 方案设计 → 编码 → 自测 → 评审 → 交付；每个阶段有明确的产物和完成条件。状态机或任务表记录当前阶段、已产生的产物和失败原因，下一阶段只读上一阶段的产物。失败时按阶段重试，超过阈值转人工，避免整个流程从头再来。

怎么强制 Agent 遵守 Skill 规范

把规范做成可执行的检查，而不是只写在提示词里：提交前跑 lint、类型检查、单测和自定义规则脚本；CI 作为最终门禁，未通过不允许合并。校验脚本由 CI 在每次 push / PR 时触发，本地可以用 pre-commit 提前发现问题。提示词负责让 Agent 知道规范，脚本负责让违规无法落地。

云计算和普通业务后端的区别

云计算的关注点更靠下：资源抽象、调度、多租户隔离、弹性伸缩、可观测性和 SLA，面对的是「怎么让很多业务稳定地共用一套基础设施」。业务后端更关注领域模型、接口和业务指标。两者都要写服务，但云侧更强调控制面、故障域和成本。

Kubernetes 与容器部署

K8s 的核心对象是 Pod、Deployment、Service、Ingress、ConfigMap / Secret；Deployment 管副本和滚动更新，Service 提供稳定访问入口，探针负责健康检查，HPA 做水平扩缩容。实际落地要关注资源 request / limit、调度约束、滚动发布策略和日志 / 指标采集。没有实操时不要编，讲清楚自己用过的那部分即可。

语言转换

不要只说「可以学」。用已有事实证明迁移能力：比如从 Java 转 Go 时，说明自己理解两者的差异（GC、并发模型、错误处理、接口设计），并给出一个用新语言完成的小项目或迁移案例。面试官关心的是学习速度和工程习惯，不是语言标签。