来也科技 AI 原生开发者一二面：AI Coding 边界与向量库性能

《面试题目》

一面（9.4，55min）：

1. AI Coding 的比例、流程、测试边界、团队配比是怎样的？
2. TCP、广播、容量、到达率、惊群分别是怎么回事？
3. C++ 的版本、Lambda、协程、模板？
4. 2027 届及当前在校状态，之后继续正常技术沟通？
5. 「哪些自测能交给 AI、哪些不能」？
6. 开源实现和 Harness？

二面（9.14，37min）： 7. 做个人介绍 8. 挑一个最有代表性的项目，讲「解决什么问题、为什么做、收获什么」 9. 这是个人项目，是否日常使用？请现场演示 10. 向量库检索为何会慢？ 11. 团队 AI 开发率如何统计？ 12. 家乡和爱好？

《参考解析》

「哪些自测能交给 AI、哪些不能」这道题，判据是「结果是否可被确定性验证」。 可以交的：单元测试与接口测试的用例生成与执行（有明确断言）、静态检查与格式化、类型与 lint 修复、覆盖率补全、日志与报错的初步归因、重复性重构、以及按模板生成 CRUD/脚手架。不能交（或不能只靠 AI）的：涉及资金与权限的判定、并发与时序相关的正确性（竞态、死锁、幂等）、跨系统一致性与数据迁移、安全与越权测试、以及「需求本身对不对」的判断——这些要么判据无法自动表达，要么失败代价不可逆。工程做法是分层：确定性断言留在脚本里（可回归、可复现），AI 负责探索与补充用例；AI 产出的用例必须先经过「断言是否真的在验行为」的人工评审，否则会得到一堆永远为真的假测试。这个回答也顺带覆盖了「AI Coding 的测试边界」和「团队配比」：实践中 AI 承担的是放大器角色，人负责边界定义、评审与兜底，比例数字要给得出处（比如按提交行数、按需求数统计），否则会被追问口径。

向量库检索慢的原因要分四层排查。 ① 数据规模与索引类型：没有建 ANN 索引（退化成暴力扫描）、索引参数不当（HNSW 的 M/efConstruction/efSearch 决定召回与延迟的权衡，efSearch 太小召回差、太大会变慢）、IVF 的 nlist/nprobe 同理。② 查询侧：TopK 取太大、带了大量元数据过滤（很多实现是先向量检索再过滤，过滤选择性高时会白算）、以及并发请求把单节点打满。③ 表示与维度：向量维度高（768/1536/3072）导致距离计算量大，量化（PQ/SQ）可以显著降内存与提速但有精度损失。④ 系统层：没有分片/副本、单点磁盘 IO 慢、Python 客户端序列化开销、以及每次查询都重新建连接。优化顺序是「先量后调」：分段计时（编码耗时 / 检索耗时 / 网络耗时）、看索引是否命中、再调参或加副本，而不是一上来换库。团队 AI 开发率怎么统计，要给出可操作口径：按「AI 参与产出的代码行/提交数占比」「需求中由 AI 完成初稿的比例」「AI 生成内容的采纳率（生成后被合并的比例）」来算，并说明统计的局限（行数不代表价值、掩盖了评审与返工成本）；更有意义的是看交付指标的变化（需求交付周期、缺陷率、回归耗时），而不是盯生成量。

TCP 的那组关键词，逐个落到机制上答。 广播本身在 IP 层是发往子网广播地址，TCP 是面向连接的协议、不支持一对多，所以「TCP 广播」在业务上通常指应用层的多播/群发（用 UDP 多播或由服务端扇出），要指出这一点。容量指连接数、带宽、文件描述符上限（ulimit -n）、内存（每连接内核缓冲区）等约束，压测时要先算「单机最大连接数 ≈ min(端口/ fd 限制, 内存/每连接开销)」。到达率是发送成功率与端到端确认的度量：TCP 保证可靠交付但不保证应用层被处理，所以做投递统计要区分「发送成功」「对端接收」「业务确认」三级，并处理重试导致的重复。**惊群（thundering herd）**指多个线程/进程同时被唤醒去 accept 同一个新连接或抢同一个事件，导致大量无谓的调度与上下文切换：经典解法是 Nginx 的 accept_mutex、SO_REUSEPORT 让内核按哈希分配连接、以及 epoll 下用 EPOLLEXCLUSIVE 标志只唤醒一个等待者；应用层的对应问题是「缓存失效瞬间大量并发回源」，解法是互斥锁 + 单飞（singleflight）或逻辑过期。C++ 版本/协程/模板这几个点：C++11 起有 Lambda（本质是编译器生成的仿函数，捕获方式决定拷贝/引用语义，mutable 让按值捕获可修改）、auto、移动语义与右值引用、可变参数模板；C++17 有结构化绑定、if constexpr、std::optional/variant；C++20 引入协程（co_await/co_yield/co_return + promise/awaiter 协议，编译器生成状态机）、概念（concepts 约束模板）、范围（ranges）；模板的核心机制是编译期实例化与 SFINAE/if constexpr 分支，代价是编译期膨胀与错误信息晦涩。