Vibe-Coding · 进阶¶
本页覆盖 Claude Code 底层原理、工具分流、CodeReview Agent 工程化、上下文截断边界、质量保障体系、口号式红旗，共 6 题。相关讲解见 Claude Code 底层原理。
Q1: 描述 Claude Code 的主循环 query 流程与上下文管理机制。¶
进阶 | Vibe-Coding | 📖 相关讲解
考察点：是否触及工具底层机制——这是报告明确设立的"深度标杆"（对标卢浩）。
参考答案
主循环（Agent Loop）：Claude Code 是 Agent 主循环而非单次问答，每轮迭代为：① 接收输入并与当前上下文组装 prompt；② 模型推理决定下一步——直接回复或调用工具（read/grep/glob/edit/bash）；③ 执行工具调用，结果回填进上下文；④ 回到第②步继续推理，直到任务完成。这是它与补全型工具的根本区别。
代码检索流程：Claude Code 不像 IDE 天然有光标上下文，需主动检索——用 glob 定位文件、grep 搜符号、read 读内容，迭代式扩展上下文。每步结果都占 token，检索过多会加速上下文膨胀。
上下文管理（截断）：上下文随循环累积逼近窗口上限时，Claude Code 对历史做截断/摘要压缩，保留近期关键交互。关键边界：当某次工具调用的输入参数或它依赖的中间结果被截断，模型后续循环会丢失调用依据，出现工具调用失败、重复读文件、参数错误。
记忆管理：CLAUDE.md 是项目级/目录级持久记忆，存规范、命令、架构说明，启动自动加载，相当于预置稳定的项目背景，减少重复说明、降低上下文膨胀。
面试官追问 / 红旗
- 追问：上下文管理与记忆管理是什么关系？（答：前者管"单次会话内不爆"，后者管"跨会话稳定积累"，二者配套）
- 红旗：只会说"Claude Code 是 AI 写代码工具"却讲不出主循环、检索、截断、记忆任何一项——未达深度标杆。
Q2: 如何按任务类型在 Cursor 与 Claude Code 之间分流？¶
进阶 | Vibe-Coding | 📖 相关讲解
考察点：是否有工具选型的判断力，而非"一个工具用到底"。
参考答案
分流依据是任务的交互性 vs 自主性与精细控制 vs 批量执行：
| 任务类型 | 选型 | 理由 |
|---|---|---|
| 新功能开发、边写边调 | Cursor | 交互式、即时反馈、精细控制 |
| 批量重构、跨文件改造 | Claude Code | Agent 自主多文件读写、长链路 |
| 补全单元测试、批量生成测试 | Claude Code | 模式化、批量、可集成 CI |
| 行内补全、小段函数 | Copilot | 低延迟、贴近光标上下文 |
| CI 集成（如 CodeReview Agent） | Claude Code | CLI 友好、可脚本化 |
报告标杆做法：日常主力 Claude Code（CLI/CI）+ Cursor（交互式）+ Copilot，按任务分流——新功能用 Cursor，批量重构/测试用 Claude Code。
面试官追问 / 红旗
- 追问：为什么不全部用 Claude Code？（答：交互式开发的即时反馈与精细控制是 IDE 工具所长，Agent 工具可控性差、不适合边写边调）
- 红旗：说不出分流理由，或只会用一个工具——L2 日常使用、无选型意识。
Q3: 设计一个 CodeReview Agent 的完整流程，关键工程点有哪些？¶
进阶 | Vibe-Coding | 📖 相关讲解
考察点：能否把"AI 评审代码"工程化为可落地的流水线（对标彭超 L4）。
参考答案
完整流程：GitLab/GitHub webhook 监听 MR/PR 触发 → 拉取 diff（按文件/hunk）→ 分语言分析（按语言选 prompt 与规则集）→ LLM 输出结构化评审意见（级别/类型/位置/建议/是否阻断）→ 接入 CI（高危阻断合并、意见回写评论、人工复核）。
关键工程点：
| 工程点 | 要点 |
|---|---|
| 触发 | webhook 鉴权、幂等（同 MR 多次 push 不重复全量评审） |
| diff 拉取 | 只取变更 hunk + 必要上下文，控制 token；过滤自动生成文件、lock 文件 |
| 分语言 | 按语言选 prompt 与规则集，避免"一套 prompt 评所有" |
| 上下文构建 | diff 不足时补函数签名/被调用处，控制 token |
| 结构化输出 | 用 JSON schema 约束输出，便于回写、分级、阻断 |
| 误报治理 | 评审分级（高危阻断/中危提示/低危记录），人工标记误报反哺 |
| CI 接入 | 作为合并门禁，与人工评审互补 |
面试官追问 / 红旗
- 追问：评审意见误报率高怎么办？（答：分级 + 人工标记误报反哺 prompt/规则，形成质量闭环）
- 红旗：只说"用 LLM 看代码"而无 webhook/diff/分语言/CI 等工程落地——停留在想法层面。
Q4: "上下文截断导致工具调用失败"如何定位与规避？¶
进阶 | Vibe-Coding | 📖 相关讲解
考察点：是否真能定位 Claude Code 的边界问题——报告明确写到的深度能力。
参考答案
根因：主循环中上下文随工具调用结果累积，逼近窗口上限时 Claude Code 截断/压缩历史；当某次工具调用的输入参数或它依赖的中间结果（如先前 read 出来的文件内容）被截断，模型后续循环丢失调用依据，导致工具调用失败。
典型症状：长会话中 Claude Code 突然"忘记"前面读过的文件、重复 grep/read 同一符号、edit 报找不到符号、工具调用参数引用了已被截断的内容。
定位：症状出现在长会话/大上下文任务中，优先怀疑上下文截断；可检查是否在长链路任务中段出现。
规避：① 给清晰入口（明确指文件/模块/函数），减少盲目检索；② 拆分长任务为多个小会话；③ 阶段性让模型总结当前进展后再开新会话继续；④ 把稳定的规范/架构写进 CLAUDE.md 预置上下文，减少重复说明。
面试官追问 / 红旗
- 追问：怎么区分"截断"和"模型本身能力不足"？（答：截断表现为"前面做过的事后面忘了/重复做"，能力不足是"做不对"；前者换会话/给入口能缓解）
- 红旗：候选人答不出截断机制与症状——未达到简历模板声称的"能定位上下文截断导致工具调用失败"的深度。
Q5: 如何建立 AI 辅助的质量保障体系（AI 生成测试 + 人工评审）？¶
进阶 | Vibe-Coding | 📖 相关讲解
考察点：是否有量化 + 工作流闭环（对标姚磊），而非"会用工具"。
参考答案
核心：把 AI 串进"需求-代码-测试-评审"闭环，每个环节 AI 辅助 + 人工把关。
质量保障体系：① AI 生成测试——用 Claude Code 为新功能批量生成单元测试、边界用例、异常路径，提升覆盖率；② 人工评审测试——确认覆盖关键路径、断言有效（防"假绿"测试）；③ AI 评审代码——CodeReview Agent 对 diff 结构化评审，人工聚焦高风险项；④ 量化度量——交付周期、覆盖率、评审采纳率作为闭环效果。
关键原则：AI 负责模板代码与测试，人工负责核心决策逻辑；资金/合规坚持人工。报告标杆姚磊：交付周期 5 天→2 天（−60%），有量化 + AI 审查 + 自动生成测试的闭环。
面试官追问 / 红旗
- 追问：AI 生成的测试怎么保证不是"假绿"？（答：人工评审断言有效性、覆盖关键路径与边界，而非只看通过）
- 红旗：只说"用 AI 写代码"而无测试/评审/量化闭环——L2 日常使用，非 L3。
Q6: 为什么"零古法编程"这类口号不可信？报告里的红旗是什么？¶
进阶 | Vibe-Coding | 📖 相关讲解
考察点：能否识别口号式描述与关键词堆砌——报告明确红旗。
参考答案
谢鹏简历写「熟练运用 AI Coding，工作中零古法编程」，口号激进，但其简历 AI 技能存在关键词堆砌嫌疑（列出 LLM/RAG/向量库/LoRA/MCP 等大量术语却无对应项目支撑），真实深度需面试验证。
不可信的原因：① "零古法编程"暗示所有代码都交给 AI，与"核心逻辑必须人工""资金/合规必须人工"的风险边界相悖，是不负责任的表述；② 口号无工作流、无量化、无原理佐证，无法验证真实深度。
报告红旗：① 口号式描述（零古法编程而无工作流佐证）；② 关键词堆砌（列大量术语无项目支撑）；③ 只会用无量化无工作流。真加分的三要素是「懂原理 + 有量化 + 有工作流」。
面试官追问 / 红旗
- 追问：面试中如何验证"零古法编程"是真是假？（答：追问具体工作流、量化口径、对 Claude Code 底层的理解、风险边界——讲不清即口号）
- 红旗：候选人自己也用"零古法编程"这类口号，或讲不清哪些必须人工——风险认知缺失。