联想测试开发一面：AI 辅助开发与职业方向追问

《面试题目》

1. 自我介绍
2. 实习拷打
3. 为什么不继续考研？
4. 你们专业主要学习哪些内容？为什么你的经历大多偏软件开发？
5. 在学校学习或实践中，是否和硬件打过交道？
6. 未来希望往什么工作方向发展？偏纯软件、软硬结合、测试，还是纯开发？
7. 为什么不考虑本专业方向？
8. 未来是否考虑往全栈方向发展？你怎么理解「全栈」？
9. 你期望应聘什么岗位或方向？
10. 之前参加过在线编程、客观题和 AI 工程题。现在再做一次，你觉得哪些地方可以优化？
11. 现在开发中是否使用 AI 辅助？如何使用？AI 开发中最重要或最有风险的地方是什么？
12. 如果 AI 出现幻觉或回答不准确，如何校验和识别？
13. 你开发项目时主要使用哪些大模型？
14. 这些模型的订阅是否是你自己注册和购买的？
15. 有没有考虑使用 DeepSeek 这类国内模型？
16. 如果持续迭代让你越来越依赖 AI，如何避免自己的思考能力和全局把控能力下降？

《参考解析》

1. 「经历为什么偏软件开发」与跨方向怎么答。这类问题考的其实是自我认知和稳定性，不是让你辩解。有效的答法是给出「成因 + 证据 + 与岗位的连接」三段：成因要具体（某门课的项目、某次实习被分到的任务、自学路线的选择），证据用可验证的产出（做过的系统、解决过的具体问题、上线或落地的结果），最后说明为什么这个背景恰好适合目标岗位。被追问「为什么不考虑本专业方向」时，忌讳两类回答：一是贬低原专业（显得不成熟），二是空喊热爱（没有依据）。更稳的说法是承认原专业训练带来的可迁移能力（比如硬件背景对性能、资源约束、软硬联调问题更敏感），再说明自己在软件侧投入更多、也更愿意长期做下去。回答「怎么理解全栈」时，别只说「前后端都会」，要点出全栈的实质是能独立负责一个功能的完整链路（能定接口、能写实现、能自测、能排查线上问题、能做取舍），以及它的代价（深度会被稀释），再说清自己倾向的深度在哪里——这样既显得理解到位，也避免了「什么都想干」的印象。

2. AI 辅助开发中最重要或最有风险的地方。最重要的地方是「把 AI 用在它可靠的地方，并建立可验证的闭环」：样板代码、测试用例初稿、正则与脚本、日志分析、API 用法查询、代码解释与重构建议，这些收益高、风险低；而边界与安全相关的逻辑、财务或权限判定、并发与事务、性能关键路径，必须逐行自己确认。最有风险的地方有三类：一是隐蔽的错误，AI 生成的代码语法正确、看起来合理，但在边界条件（空值、超长、并发、异常路径）上出错，且错误被「读起来很顺」掩盖；二是幻觉出的 API 与依赖（不存在的函数、编造的参数、过期的库版本），照抄就编译不过或行为不符；三是安全与合规风险，包括把内部代码、密钥、用户数据发到外部模型，以及引入许可证不清晰的代码片段。对应的工程做法是把它当实习生用：小步提交，配上单测和静态检查，改动必须能通过编译与测试才接受；关键模块要求 AI 给出推理依据和来源，可疑处自己查官方文档；敏感代码不上传给外部服务，或用本地/私有化模型。

3. 幻觉如何校验和识别。分「识别」和「校验」两层。识别上，幻觉有几个高频特征：给出了非常具体的数字、引用、API 签名但无法溯源；对同一问题的多次回答互相矛盾；回答过度确定却没有解释（缺少前提条件与边界讨论）；引用的文档、函数、论文标题看似合理但搜不到。校验上，靠外部证据而不是再问一遍模型：一是查一手资料（官方文档、源码、论文原文），这是最硬的证据；二是让代码说话——能跑的就去跑，写单测和最小复现来验证行为；三是对抗式复核，用另一个模型或另一个视角的 prompt 让它挑毛病（交叉验证能降低同源偏差，但两个模型都错的情况仍然存在，所以不能当作最终结论）；四是让结论可证伪，要求给出可检查的中间步骤和来源链接。在团队里更根本的解法是把验证固化成流程：CI 里的编译 + 单测 + 静态检查 + 覆盖率门禁，加上关键业务的人工 review。

4. 模型选型与「为什么不考虑 DeepSeek 这类国内模型」。这题有两层意图：一是看你有没有真实的选型意识（成本、延迟、合规、能力边界），二是看你有没有考虑国内方案（面试官在联想，合规与本地化是现实需求）。答法上先给出选型维度：任务能力（代码、长上下文、结构化输出、多模态）、单位成本与延迟、上下文窗口、数据合规与私有化部署能力、生态与工具链支持（SDK、Agent 框架、MCP 支持）、以及稳定性与限流。再说结论：日常编码与调试用 Claude 系或 GPT 系，中文写作与国内场景会对比国产模型，某些任务上国产模型性价比更好；企业场景如果要处理内部数据，会优先考虑可私有化部署或走公司统一网关的模型，避免数据外流。关于「订阅是否自己注册购买」，如实回答即可，同时可以补一句它说明了什么——自费订阅意味着自驱学习和真实使用量，面试官经常是用这个问题确认你真的在动手，而不是只写进简历。

5. 「在线编程、客观题、AI 工程题再做一次会怎么优化」。这是让你做复盘，答得好能扳回前面笔试的印象。结构是「按题型分别说，每条都要有可执行的改进」：在线编程上，先花两分钟把边界和复杂度想清楚再动手，写完必自查空输入、单元素、极值、重复值这几类用例，并把「调试信息保留在代码外」；客观题上，针对错的模块回去补基础（操作系统、网络、数据库、语言细节），把错题按知识点归类而不是记答案；AI 工程题上，先明确评测口径再写代码——很多人失分在没定义清楚输入输出和成功标准就开写，另外要注意把 prompt 与参数外置成配置、给失败路径留降级，并在最后做一次端到端自测。最后可以主动提一句「笔试当天时间分配没做好」，这类诚实的复盘通常比强调题目难更讨喜。

6. 「如何避免依赖 AI 导致能力下降」。这是开放题，答得好体现长期意识。可用的做法是分三层：一是刻意练习，关键能力（算法、系统设计、调试）保留「先自己想 20 分钟再看答案」的习惯，读 AI 生成的代码时要求自己讲清每行为什么这么写，讲不清就说明没掌握；二是把 AI 用在更高层，让它做重复劳动和信息检索，把省下的时间投到设计、取舍、评审这类需要判断力的环节，而不是把判断也外包；三是建立自己的验证与复盘机制，AI 给的方案先质疑再接受，出问题后写清根因，把踩过的坑沉淀成自己的检查清单。同时诚实承认依赖是趋势，目标不是不用 AI，而是保持「没有 AI 也能做出来」的底线能力，以及「有 AI 时能判断它做得对不对」的鉴别力——后者才是当下的核心竞争力。