面灵AI→

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》

  1. 自我介绍。
  2. 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?
  3. 你了解 skill 吗?用过哪些 skill?
  4. 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?
  5. 你是前端出身,怎么确保你做全栈这些方案是正确的?
  6. 关系型数据库和非关系型数据库的核心区别是什么?
  7. 你平时喜欢研究些什么?对 AI、对 Agent 研究了哪些?
  8. 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?
  9. 反问业务。
  10. 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)。