小红书一面:Code Review Agent 的评测集、规则边界与现场手撕 LRU
- 轮次
- 一面
- 时间
- 2026-11
- 来源
- 牛客网
《面试题目》
- 流水线执行顺序:编译、构建必须先执行完,再做 Code Review 吗?它们之间有什么依赖?
- 项目角色:你在 Code Review 项目中承担什么角色?具体负责哪些部分?
- 仓库规范审查:这个能力具体是什么?之前 Chat 模式输入的是单个文件的 diff 吗?
- 历史噪声的来源:为什么会检测到历史问题?为什么不直接只审查 diff 中修改的内容?
- 客户端的特殊性:为什么客户端比后端产生更多问题、更难审查?
- 语言与类型系统:为什么认为客户端不是强类型?具体是什么语言?为什么把 Kotlin、Swift 理解成弱类型?是否混淆了客户端与前端?
- 判断依据:你说客户端审查更难,实际观察到了什么现象?
- 历史噪声的解决方案:后来如何解决?仓库规范审查的具体逻辑是什么?规范文档由谁生成?
- 上线范围与阻断机制:已经在全公司上线了吗?Android、iOS 都覆盖了吗?是否强制卡合入?
- 审查效果:如何评估 Code Review 准不准?用户实际反馈怎么样?
- 评测集来源与标签质量:测试集从哪里来?AI 最初生成的 Issue 本身可能有错,如何判定?
- 用户随意打标:用户把问题全部标成「暂不解决」或误报,怎么处理?会不会影响后续迭代?
- 人工复核的可靠性:你们会自己再检查吗?不了解客户端背景、历史规范,如何判断?最终是不是仍然依赖模型?
- 指标与优化过程:三个阶段的准确率、召回率、F1 怎么计算?每个阶段分别因为什么改动而提升?
- 未匹配的新问题:新生成的 Issue 不在评测集中,怎么归类?是否计入准确率分母?你采用哪种口径?
- 评测集是否完备:最初候选问题由 AI 生成,AI 漏掉的问题怎么补?有没有考虑让多人独立人工 Review,建立更完整的基准?
- 多次提交与增量审查:一个 MR 分多次 commit 提交,如何审查?为什么全量审查会使问题数量放大?增量审查是否包含之前提交的上下文?
- 自研 Agent 的价值:直接把 MR 发给 Codex、Claude,相比之下你们有什么优势?
- 规则与提示词控制:把规则写进仓库规范文档不就可以了吗?为什么还需要自研 Agent、控制系统提示词?
- 开发框架与运行方式:基于什么框架开发?是否通过脚本拉代码、在容器中执行?为什么不做成常驻服务?
- 真实线上反馈:接入仓库后有没有做用户调查?用户标为正确、历史问题、误报的比例是多少?看过多个 MR 的平均数据吗?
- 如何证明工具有用:如果用户不接受审查结果、全部跳过,怎么证明建设有价值?缺少规范约束时,怎么判断工具到底有没有用?
- 错误反馈的治理:如何防止用户故意标误报,污染评测集与迭代指标?线上又如何处理这种行为?
- 推广与整体规划:后续怎么让更多团队使用?整个 Code Review 的规划是什么?如果业务可以用自己的 Agent,为什么选择你们?
- 历史案例检索的扩展:向量检索能力实际做到了什么程度?案例筛选、入库能否自动化?每接一个仓库都要重新积累数据吗?
- 不同仓库的效果差异:为什么切到 Agent 模式后,后端仓库产生的 Issue 反而减少?
- 竞品与开源选型:准确率约 43% 算什么水平?跟谁比较,对方数据如何?为什么不直接用 OpenCodeReview?为什么认为这类评测、选型不属于你的工作?应该由谁考虑?
- 上一段实习与语言实践:宝信实习做了什么?现在主要写 Python 还是 Go?Java 与 Python 有哪些区别?自己用 Go 写过工具吗?做客户端审查,会学习 Kotlin、Swift 吗?
- Java 实现 LRU 缓存:按示例运行并核对输出。为什么某个位置输出了 2,而不是 -1?错误在哪里?平时如何排查这类问题?修改后验证过了吗?
- 用自己的 Code Review 审查现场代码:它会提出什么问题?除了刚才的 bug,还有什么?会检查代码规范、仓库风格一致性吗?为什么不会?
- 代码风格:每个人风格不同会有问题吗?你觉得自己刚才这段代码的风格有问题吗?
- AI 编程的掌控:如何确保 AI 生成的代码正确?平时如何与 AI 交互?怎样控制实现边界?
- 人工 Review 的范围:AI 生成代码后,你会自己再审查吗?代码量大时,是只看函数用途、再主要依赖 AI 吗?
- 日常工作与代码的读者:这类需求多吗,平时主要做什么?现在的代码应该主要给人看,还是给 AI 看?
《参考解析》
流水线与审查的依赖:静态审查不依赖编译产物,只要拿到 diff 与仓库上下文就可以跑,所以可以与编译并行;但依赖类型信息、调用链、跨文件语义的检查需要编译产物或索引,这时要排在构建之后。合理的流水线是「拉取代码 → 并行(静态检查 / 编译 / 单测 / Agent 审查)→ 汇总结果 → 合入门禁」,Agent 失败不应阻塞构建,反之亦然;用独立的检查项让用户能区分是谁拦的。
历史噪声的根因:模型看到整个文件而不是 diff 时,会把没改动的老代码一并报出;即使只给 diff,模型也会因为上下文不足去检查周边代码,从而带出历史问题。解法是明确输入边界(只对新增/修改行报问题,且要求行号落在 diff 范围内)、对上下文做只读标注(告诉模型这些行不可评论)、把历史问题单独成清单不阻断合入。全量审查只在定期任务或专项治理时跑。
客户端为何更难审:不是「弱类型」——Kotlin、Swift 都是强类型语言。真正的差异在于:客户端代码大量依赖框架生命周期与 UI 状态,正确性往往取决于运行时时序而非类型;同一段逻辑在不同设备、系统版本、屏幕尺寸下表现不同;可测试性差,单元测试覆盖率低;跨端协议与原生桥接层的错误难以静态发现。回答时要把「强/弱类型」的说法纠正过来,用具体现象说明(生命周期回调顺序、主线程阻塞、内存与渲染性能问题)。
评测集与标注:初始评测集若由模型生成候选,会带上模型自身的盲区——它漏掉的问题永远不会进入评测集,导致指标虚高。补法是引入独立来源:人工从历史 bug、线上事故、Review 评论中抽取;多个评审者独立标注并计算一致性(Cohen’s kappa);定期用新样本做盲测。标注规范要写清「什么算问题、严重级别、是否属于本次改动」,否则不同人标出来的口径无法合并。
乱打标的治理:用户的「误报」反馈不能直接当标签,要先做可信度分层:同一用户的历史准确率、是否有文字说明、是否与人工抽查一致。对批量全标误报的行为做异常检测(同一时间窗大量相同操作),这类反馈只记录不进入训练/评测。同时提供更细的反馈选项(不是问题、历史问题、已修复、规则不适用),让反馈本身携带信息。
指标口径:精确率 = 报出且正确 / 报出总数;召回率 = 报出且正确 / 真实问题总数;F1 是两者的调和平均。评测集之外的新问题无法判定对错,应单列为「未标注」,不计入分母,但要统计其占比——占比过高说明评测集失效。还要看业务指标:每个 MR 的报出条数、用户处理时长、忽略率、阻断导致的返工。
与直接用通用模型的区别:通用模型(Codex、Claude)能读 diff 并给建议,但缺少三样东西:仓库规范与历史决策(这家公司为什么这样写)、稳定的评测与回归(改了提示词是否更好)、与流程的集成(行内评论、门禁、豁免、追踪)。自研的价值在于把组织知识固化、把效果量化、把反馈闭环,而不是模型本身更强。若业务方用自己的 Agent,平台应转向提供规范、评测集与集成能力。
Java LRU 手撕的坑:常见错误是 get 命中后没有把节点移到最近使用端,导致淘汰顺序错误;put 更新已有 key 时没有移动位置;用 -1 作为未命中返回值但与合法值冲突;容量为 0 或负数未处理;LinkedHashMap 的 removeEldestEntry 在 accessOrder=false 时按插入顺序淘汰而不是访问顺序。面试官问「为什么输出 2 而不是 -1」,通常是访问顺序未更新或容量判断写成了 >=。排查方法是按操作序列逐步打印链表顺序与 map 内容,而不是盯着代码看;修改后必须重跑示例并补边界用例。
代码是给人看还是给 AI 看:两者不冲突但优先级不同。给人看要求命名清晰、结构可读、注释解释意图与取舍;给 AI 看要求上下文自洽、类型明确、避免隐式约定。可维护的代码首先服务于人,AI 只是新增的读者;为了迎合模型而牺牲可读性是本末倒置。