拓璞数控后端开发线下双选：GitHub 主页、AI coding 与项目优化

《面试题目》

1. 自我介绍。
2. 你是保研的吗？硕士排名这个总人数是多少？英语水平怎么样？介绍一下你的主攻方向。
3. 你的个人项目有开源到 GitHub 上吗？可以手机打开你的 GitHub 主页给我看看吗？这些都是什么软件？
4. 你们这些项目都有用 AI coding 吗？报销吗？主要用哪些模型？
5. 你觉得这些项目里最感兴趣的是哪个？
6. 这个项目你有持续去维护吗？你觉得还有哪些可以优化的地方？
7. 这个平台有什么 baseline benchmark 吗？怎么去定位和优化？
8. 你觉得你这个功能能直接让 Codex 实现出来吗？这个项目最终最好的呈现，你觉得应该是怎样的？

《参考解析》

当场打开 GitHub 主页：这比简历硬。面试官看三件事：有没有真能跑起来的东西（README 写清启动方式、依赖、截图或 demo 地址）、提交是否持续（commit 时间线、issue 与 PR）、代码是不是自己写的（提交粒度、注释风格）。项目不用多，一两个讲得透的胜过十个 fork；把 README 当作品集写，比堆技术名词有效。提前把主页整理干净，仓库置顶、删掉跟岗位无关的练手代码。

AI coding 怎么答：面试官想确认你是真的在用，以及有没有成本意识。说清日常用什么模型、哪些场景用（样板代码、测试、重构、查文档）、哪些场景不用（核心逻辑、安全相关），团队有没有统一报销和规范。用 AI 生成的代码同样要自己 review、跑测试，能讲清哪部分是自己的判断，比强调效率更加分。

baseline 与定位优化：被问「有什么 benchmark、怎么定位」时，正确顺序是先建可重复的基线：固定数据集、固定环境、记录 P50 与 P95 和吞吐，再每次只改一个变量做对比。定位靠 profiling 而不是猜：火焰图看热点，慢日志看单次请求，压测看瓶颈在 CPU、IO 还是锁。答不出基线数据，等于承认优化是凭感觉做的。

让 Codex 直接实现怎么接：这题在考对任务边界的判断。模型擅长有明确输入输出的局部功能，不擅长需要业务上下文、跨系统集成和隐性约束的部分。可以答：核心算法和接口骨架能让模型生成，但数据结构设计、异常路径、权限与一致性要人来定，同时说明自己会怎么验证生成结果——写测试、构造边界输入、对比旧实现。

双选会的节奏：展位式面试人多，每人十几分钟，自我介绍压到一分钟以内，把最强的项目放最前面。反问可以问团队规模、技术栈，以及新人上手的第一件事，这类问题面试官答得快也更真实。