恒生电子一面面经

《面试题目》

1. 日常使用哪个 AI Coding？为什么选择这个？
2. 你是如何对比这些 AI Coding 生成代码质量高低的？
3. 实习中项目的人员分配是怎样的？
4. 你的职业规划是什么？
5. 询问实习经历。
6. 你对 Agent 的了解有多少？

《参考解析》

AI Coding 工具怎么选、为什么选。这题不是要你说出某个产品的名字，而是看你有没有真实的判断标准。可以按这几个维度组织答案：生成质量（在你自己语言的真实任务上，一次通过率如何）、上下文理解（能不能读懂整个仓库的约定，而不只是当前文件）、多文件编辑与重构能力、可验证性（改完能不能自己跑编译和测试）、交互形态（补全、对话、命令行 agent 各自适合什么场景）、成本与额度、以及数据合规（公司代码能不能上传）。说「我选 A 因为它补全快」是低分答案，说「我在写 Java 服务时用 A 做整仓重构、写脚本时用 B，因为 B 在命令行里能直接读文件并跑命令」才是真实用过的样子。还要补一句边界：涉及生产配置、密钥、不可逆操作的部分不用 AI 直接生成，自己写。

怎么对比生成代码的质量。要有一套可复现的比较方法，而不是凭感觉。第一步是固定任务集：挑 5 到 10 个来自真实项目的需求，覆盖增删改查、边界处理、并发、日志与错误处理，让两个工具在同样的上下文里各写一遍。第二步是固定判定标准：能不能编译通过、能不能过既有测试、需要人工改多少行（改行数是最诚实的指标）、有没有引入安全或性能问题、命名与分层是否符合项目规范、错误处理是否完整。第三步是记录失败模式：幻想的 API、看似对但边界少一个判断、异常被吞掉、并发下不安全——这些比「哪份代码好看」有价值得多。最后要提醒自己一条：AI 生成的代码一律当草稿，必须过编译、过测试、过 code review 才算数，review 的成本不能因为「是 AI 写的」就降低。

实习项目的人员分配怎么答。面试官问这个，其实是在判断两件事：你是不是真的在团队里干过、以及你对协作边界有没有概念。答的时候给出结构而不是流水账：项目几个人、怎么分工（按模块、按端、按角色）、你负责哪一块、和谁有接口依赖、怎么同步进度（站会、需求评审、联调、提测）、出现分歧怎么定。特别要讲清「哪部分是我独立完成的、哪部分是别人做的」，含糊其辞会被追问到答不上来。如果有跨端协作，说清楚接口约定是怎么定的（谁定 schema、怎么改、怎么保证兼容），这是很自然的加分点。

职业规划怎么答。分短中长期讲，并且要和岗位、公司业务咬合：短期内一到两年把业务和技术基本功打扎实，能独立负责一个模块；中期三到五年在某一个方向（比如后端架构、稳定性治理、AI 工程化）形成自己的专长，能带小项目；长期是成为能对结果负责的技术骨干。金融科技类岗位还可以补一句对业务理解的期待——这个行业的价值往往来自对业务规则和数据一致性的理解，不只是写代码。别说「三年做管理、五年做架构师」这种空话，也别表现出只是把这里当跳板。

实习经历怎么讲。准备好两条线：一条是业务线，一段话说清项目做什么、你的模块在链路里的位置；一条是技术线，挑一到两个具体问题讲透——现象是什么、怎么定位、试过哪些方案、最后为什么选这个、上线后指标怎么变的。面试官通常会顺着你提的技术点往下钻，所以别写自己答不上来的技术名词。数字很有用：接口从多少毫秒降到多少、错误率从多少降到多少、覆盖了多少用户，哪怕范围有限，也要如实说清口径。

对 Agent 的了解。按「是什么、由什么组成、工程上难在哪」三层答。组成上是模型加工具调用、加状态与记忆、加规划与终止判断；工程难点是上下文与成本控制、不可控输出的约束（结构化输出、schema 校验、重试与降级）、循环与空转的防护（步数上限、已执行动作去重）、以及可观测性（每步的输入输出、工具调用与耗时都要留痕）。再说说受控 workflow 与自由 agent 的取舍：任务确定、要求可复现就用代码驱动的状态机，只在节点内部让模型做判断；任务开放、需要探索才放开让模型自己规划。能结合自己用过的工具讲一两个真实踩坑，比背概念有说服力。