金证科技 C++ 开发一面二面面经：多态、STL 与项目深挖

《面试题目》

一面

1. 请做一下自我介绍。
2. 自动化专业为什么转软件？为什么高考没有直接选择计算机？
3. 哪个项目参与度最高、最满意？
4. 按需求背景、方案和实现详细介绍 RAG 项目。
5. 项目做了多久？相关技术是原本掌握还是边做边学？
6. 项目是否开源，有没有关注量？为什么暂不推广？
7. 快手数字人项目是新项目还是存量项目？团队人员结构如何？
8. Android 技术是入职前掌握还是入职后学习？
9. LiveData 是什么？其他 Android 技术栈分别做什么？
10. 使用过哪些数据库？
11. C 与 C++ 有哪些典型区别？
12. 多态是什么？静态多态与动态多态如何实现？
13. 基类析构函数可以是非 virtual 吗？构造函数为什么不能是虚函数？
14. vector 与 list 的实现、复杂度和迭代器失效有什么差异？
15. Lambda 的语法、捕获和底层实现是什么？
16. 项目或学习过程中印象最深刻的问题是什么？
17. Vibe Coding 用过哪些模型或工具？
18. 平时如何学习并沉淀知识？
19. 对金证科技有什么了解？
20. 期望工作与公司岗位是否存在偏差？

二面

1. 请先做一下自我介绍。
2. 你简历里的天团新人入团承接和数字人项目分别是什么？要讲到能听懂。
3. 你的项目偏应用开发，金证做传统金融证券交易软件，你怎么看后续职业方向？
4. 我们这里的系统架构成熟，很多工作是写业务代码、做清算和数据转换，不一定有很强底层技术要求，你能理解和接受吗？
5. 你们现在用 AI 开发吗？
6. 你怎么看 AI 开发？主要优势场景是什么？
7. AI 开发过程中是否会写 Markdown、skill 或类似结构化文件？
8. 快手内部 AI 使用到了什么阶段？
9. 快手使用的是什么大模型？

候选人反问

1. 二面后具体是订单、清算、内存数据库还是其他平台组件？
2. 内存数据库在清算场景下的核心工程难点是什么？
3. 校招生 6 个月到 1 年应达到什么标准？团队如何判断新人成长？

《参考解析》

多态与对象模型：静态多态在编译期就定下调用目标——函数重载、模板、CRTP 都是按类型或签名在编译期解析，没有运行期开销，代价是代码膨胀、也处理不了运行期才确定的类型。动态多态靠虚函数实现：编译器为含虚函数的类生成虚函数表，对象里放一个 vptr 指向它，调用时通过 vptr 查表间接跳转，属于运行期绑定，比普通调用多一次间接寻址、通常也挡住内联。基类析构必须是 virtual——用基类指针 delete 派生类对象时，只有虚析构才会调到派生类的析构函数，否则派生类成员不释放，属于未定义行为；所以只要一个类可能被继承并多态删除，析构就应声明为 virtual。构造函数不能是虚函数，因为虚调用依赖 vptr，而 vptr 恰恰是在构造函数执行期间才被初始化的，对象没构造完就无表可查；语义上「构造哪个类型」在 new 的那一刻已由类型确定，也不需要运行期分派。C 与 C++ 的区别可以从这条线讲：C 是面向过程、无类与模板、无异常与引用，C++ 在此之上加了封装继承多态、泛型、RAII 与运算符重载，同时保留了与 C 的二进制兼容能力。

STL 容器与 Lambda：vector 是一段连续内存，随机访问 O(1)、尾部插入摊还 O(1)、中间插入删除要搬移元素为 O(n)，扩容时整体重新分配并搬迁，所有迭代器、指针、引用一并失效，提前 reserve 能避免反复扩容。list 是双向链表，持有迭代器时任意位置插入删除都是 O(1)、按位置访问 O(n)，插入不影响其他迭代器、删除只让指向被删元素的迭代器失效，但节点分散导致缓存命中差、每个节点还多两个指针开销。选型看访问模式而不是看谁「更快」：读多写少且要随机访问选 vector，频繁在中间增删、元素又大选 list，只在头尾操作可以用 deque，按 key 查用 unordered_map。Lambda 的本质是编译器生成的匿名仿函数类：捕获列表变成它的成员变量，值捕获是拷贝一份、引用捕获是存引用，operator() 默认是 const（加 mutable 才能改值捕获的副本），因此按引用捕获的变量生命周期必须长于这个闭包，否则就是悬垂引用。无捕获的 lambda 能隐式转成函数指针，有捕获的不能；要捕获 move-only 对象得用 C++14 的初始化捕获把所有权搬进去。

一面在筛什么：问「自动化为什么转软件」「高考为什么没直接选计算机」，是在验动机的真实性和一致性——回答要给出一条自然的因果链（兴趣从哪来、自学了哪些、做过什么验证性的事），别只停在「听说互联网好」。项目环节的套路是「哪个参与度最高 → 按背景、方案、实现展开 → 是否开源、有没有关注量」，这是三层追问：你有没有真的参与主干设计、能不能把技术选型讲出取舍、有没有把成果对外输出并接受检验的意识。被问到「技术是原本掌握还是边做边学」时，标准答案不是「全都会」，坦诚说清哪些来自原有基础、哪些是入职后补的，再补上补的过程和结果，反而更可信。至于「对金证科技有什么了解」「期望岗位是否有偏差」，本质是考察你投递前有没有做功课、以及预期是否现实。

二面在确认什么：二面几乎不考技术深度，全部在确认匹配度。「项目要讲到我听得懂」测的是表达与抽象能力，金融系统里跨团队沟通成本很高；「你的项目偏应用开发，我们做传统金融证券交易软件」是在提前排掉预期落差，好的答法不是硬夸底层，而是说清自己能贡献什么（业务抽象、数据处理、AI 提效）并愿意补底层，同时对「写业务代码、做清算和数据转换」如实接受。AI 那几问在摸工程化程度：用什么模型、落到什么阶段、有没有把使用经验沉淀成 Markdown 或 skill 这类结构化文件——回答时给具体做法和边界（哪些环节提效明显、哪些不能交给模型）比喊口号有说服力。反问是加分项，问团队具体在做订单、清算还是内存数据库，问内存数据库在清算场景下的工程难点，问校招生 6 个月到 1 年的成长标准，这些比问薪资更能体现长期意愿，也顺带把下一轮要准备的方向问清楚了。