即剪 前端开发实习 三面:AI 编程工具与 Agent 记忆
- 轮次
- 三面
- 时间
- 2026-10
- 来源
- 牛客网
《面试题目》
- 自我介绍。
- 你平时开发使用哪些 AI 编程工具比较多?各自优缺点、适用场景有什么区别?你怎么确保它们生成的质量?
- 你了解 skill 吗?用过哪些 skill?
- 现在研发的工作量是以前的好几倍,你怎么在保证质量的前提下完成任务?
- 你是前端出身,怎么确保你做全栈这些方案是正确的?
- 关系型数据库和非关系型数据库的核心区别是什么?
- 你平时喜欢研究些什么?对 AI、对 Agent 研究了哪些?
- 介绍一下 Agent 的记忆怎么做?短期记忆和长期记忆的性能怎么优化?
- 反问业务。
- 反问在 AI 时代下如何存活。
《参考解析》
AI 编程工具的差异要按「上下文获取方式」分类:一类是编辑器内补全(Copilot 式),强在即时、低打扰,弱在跨文件推理;一类是对话式助手,强在解释与改写,弱在无法自主跑验证;一类是 CLI Agent(能读写文件、执行命令、跑测试),强在端到端闭环,弱在权限边界和不可控改动。选型逻辑是:改一行用补全,理解一段用对话,跨文件重构或写测试用 Agent。保质量的手段是固定的四件事——限定改动范围(先让它读、再让它写)、要求给出改动清单、跑 lint 与测试、人工 review 只看 diff。
「研发提效几倍怎么保质量」的核心是验收成本不能同步爆炸:把质量前移到机器可判的地方(类型检查、lint、单测、契约测试、构建),让 AI 的产出必须先过这些闸;把人工时间集中到不可自动化的部分(需求理解、方案取舍、边界条件)。再配一套「小步提交 + 可回滚」的节奏,出问题能快速定位到哪一次改动。
前端做全栈方案怎么保证正确:先承认边界——自己最强的仍是交互与数据流,后端要先补的是事务边界、幂等、并发和鉴权。做法是:把方案写成可评审的接口契约与数据模型,找后端同学或既有规范校验;优先复用公司已有中间件与脚手架而不是自造;关键路径写集成测试;上线前明确回滚方案与监控指标。
关系型与非关系型的区别要落到「约束在哪」:关系型有强 schema、事务(ACID)、外键与 join,适合结构稳定、需要一致性的核心业务;非关系型弱 schema、按访问模式建模、水平扩展容易、通常最终一致,适合高吞吐的 KV、文档、时序、搜索、缓存场景。真正的选型依据是「一致性要求 + 访问模式 + 数据量增长方式」,而不是「哪个更流行」。
Agent 记忆的分层与优化:短期记忆是当前会话的消息与工具结果,受上下文窗口约束,优化手段是滚动摘要(保留事实、约束、数字,丢弃寒暄)、结构化抽取(把关键状态写进显式槽位而不是靠原文)、以及按需检索(只在需要时把历史片段取回)。长期记忆按用户或任务维度持久化,写入时机通常在会话结束或出现稳定偏好时,读取按相关性召回,要做去重、冲突消解(新事实覆盖旧事实要留版本)、以及过期策略。性能上要控制两件事:召回延迟(向量索引 + top-k 限制 + 缓存)和 token 成本(分层注入,先给摘要,需要细节再展开)。