滴滴花小猪打车后端开发二面面经
《面试题目》
- 自我介绍
- 实习经历的时间线（是否是本科大四阶段）？
- 常用编程语言（Java、C++、Python），是否了解 Golang？
- 之前实习的主要工作内容是什么？
- 这段实习中有没有对自己比较有价值的工作经验？
- AI 项目中”线上缺陷率下降约 60%“这个数据是怎么得出的？
- 引入 AI Code Review 之前，团队是如何做 Code Review 的？
- 能否共享屏幕展示 CR Prompt 的具体内容？
- AI 项目中团队智能问答知识库的长短期记忆是如何实现的？
- 有没有用 agent 来辅助开发和处理各种工作？
- Codex 是否有记忆系统？它的记忆机制是怎么做的？
- 知识库长期记忆的”主动录入”机制，是指用户主动录入，还是有其他触发方式？
- 长期记忆在什么时候真正生效？是需要主动触发，还是系统在无对话时也会主动触发？
- 如果长期记忆是每次用户输入时触发，那和短期记忆如何配合？
《参考解析》
- 量化 AI Code Review 效果的方法：类似”缺陷率下降 60%“这类数据通常来自对比引入前后一段时间窗口内的线上 Bug/故障单数量，或结合代码审查发现问题数与最终漏出到线上问题数的比值统计得出，面试中被追问时需要能说清楚统计口径（时间范围、样本量、对照基准）才有说服力。
- CR Prompt 设计思路：好的 Code Review Prompt 通常会明确角色定位（如”资深某语言工程师”）、审查维度（安全性、性能、可读性、是否符合团队规范）、输出格式（分级标注问题严重程度），并结合项目的编码规范文档作为上下文注入，避免泛泛而谈的通用建议。
- 长期记忆的触发机制：常见设计有两种——“主动录入”由用户或系统显式判断某条信息值得沉淀后写入（如用户明确表达偏好、任务完成后的关键结论），“被动触发”则是在每轮对话后由模型判断当前上下文是否包含值得存入长期记忆的内容。二者常常结合使用：短期记忆负责当前会话的连续性，长期记忆负责跨会话的信息沉淀，写入长期记忆前一般会做去重和摘要压缩，避免记忆无限膨胀。