Vibe-Coding · 深度¶
本页覆盖团队级落地、效率度量归因、金融合规边界、记忆管理优化、Agent 与 Vibe-Coding 双维度脱节，共 5 题。相关讲解见 CodeReview Agent 实践。
Q1: 设计一个团队级 AI 编程落地方案（工具选型 + CodeReview Agent + 统一规范 + 效率度量），对标彭超 +30%。¶
深度 | Vibe-Coding | 📖 相关讲解
考察点：能否从"个人会用"上升到"团队工程化"——报告唯一 L4 标杆彭超的能力。
参考答案
四个支柱：
| 支柱 | 落地 |
|---|---|
| 工具选型 | 主力 Claude Code（CLI/CI）+ Cursor（交互式）+ Copilot（补全），按任务分流；统一团队默认工具栈 |
| CodeReview Agent | 自研：webhook→diff→分语言 LLM 分析→结构化意见→接入 CI 作为合并门禁；高危阻断、人工复核 |
| 统一规范 | 把编码规范、安全规则、密钥扫描沉淀进 Agent 的 prompt/规则与 CI；规范标准一致化 |
| 效率度量 | 交付周期（如 12 天→8.4 天）、评审采纳率、缺陷前置发现率、测试覆盖率；口径可追问 |
推广路径：先在小组试点（工具 + Agent + 规范），跑通后量化提效，再团队级铺开 + 培训；误报治理与规则迭代形成闭环。报告彭超：「引入 Copilot 及自研 CodeReview Agent，团队整体交付效率提升 30%」「沉淀标准化 Agent 开发流程、落地评估体系」。
面试官追问 / 红旗
- 追问：推广中遇到的最大阻力是什么？（答：通常是评审标准不一、误报信任度、规范落地——需培训 + 误报治理 + 分级门禁渐进推进）
- 红旗：只讲个人用工具而无团队规范/度量/Agent——停留在 L2/L3，未达团队级 L4。
Q2: "团队交付效率 +30%（12 天→8.4 天）"如何度量、归因？口径经得起追问吗？¶
深度 | Vibe-Coding | 📖 相关讲解
考察点：量化数据的真实性与可追问性——报告"量化是真实性试金石"。
参考答案
度量：需求交付周期 = 需求确认到上线的平均时长，12 天→8.4 天即缩短 30%。需固定统计口径（取哪些需求、起止点定义、是否含等待/评审时间）。
归因分解：周期缩短里要分解贡献来源——AI 生成代码（减少编码时长）、AI 生成测试（减少测试编写时长）、CodeReview Agent（减少人工评审时长 + 缺陷前置发现减少返工）。需排除混杂因素：需求复杂度变化、团队规模变化、并行任务数变化、季节性波动。
口径可追问点：① 12 天/8.4 天是同期对比还是跨期对比？② 是否所有需求都计入还是只算"标准需求"？③ 复杂度是否可比？④ 是否有"幸存者偏差"（只统计成功的需求）？⑤ 是否有其他提效举措同期上线导致归因混淆？
诚实表述：能给出前后值 + 口径 + 归因分解 + 已排除的混杂因素，才是经得起追问的量化；只有"+30%"一个数字不可信。
面试官追问 / 红旗
- 追问：如果面试官质疑"30% 是不是把别的功劳算进去了"，怎么回答？（答：承认混杂因素，给出归因分解与排除方法，必要时给保守区间）
- 红旗：只给一个百分比，讲不清口径与归因——量化不可信，报告明确这是试金石。
Q3: 金融/资金/合规场景下 AI 编程的边界是什么？哪些必须人工？如何划分？¶
深度 | Vibe-Coding | 📖 相关讲解
考察点：能否划清 AI 与人工的边界——简历模板明确强调的风险认知。
参考答案
划分原则：风险越高、越受监管、越核心决策的逻辑越要人工；模式化、可验证、低风险的交给 AI。
| 场景 | 是否交 AI | 理由 |
|---|---|---|
| 模板代码、CRUD、DTO/映射 | 可 | 模式化、可验证 |
| 单元测试、边界用例 | 可（人工评审） | AI 生成 + 人工评审断言 |
| 重构、批量改造 | 可（人工评审） | AI 执行 + 人工复核 diff |
| 资金/金额计算 | 否 | 精度（用 BigDecimal 而非浮点）、舍入规则、对账必须人工 |
| 合规/受监管逻辑 | 否 | 风控规则、隐私处理、审计要求必须人工并受审计 |
| 核心算法/决策 | 否 | 业务核心决策、安全关键路径人工掌控 |
| 密钥/鉴权 | 否 | 密钥不进代码/日志/AI 上下文 |
划分方法：按"风险等级 × 可验证性"矩阵——高风险且难验证（资金/合规/核心）必人工；低风险且易验证（模板/测试）可交 AI；CI 加 secret scanning 兜底安全。
面试官追问 / 红旗
- 追问：金额计算为什么不能用 AI 生成的浮点逻辑？（答：浮点累计误差导致资金精度丢失、对账不平，必须
BigDecimal+ 明确舍入规则） - 红旗：候选人答"资金计算也可以交给 AI"——风险认知严重缺失，金融场景不可接受。
Q4: Claude Code 的记忆管理（CLAUDE.md / 记忆机制）如何影响长期协作？如何优化？¶
深度 | Vibe-Coding | 📖 相关讲解
考察点：对记忆机制的深度理解与优化能力——延续 Claude Code 底层深度标杆。
参考答案
影响长期协作：CLAUDE.md 是项目级/目录级持久记忆，存规范、命令、架构、注意事项，启动自动加载。它让上下文在跨会话稳定积累——无需每次对话重建项目背景，减少重复说明、降低上下文膨胀、提升工具调用稳定性。没有记忆机制，长任务跨会话会丢失约定、反复出错；有了它，相当于给模型一个稳定的"项目常识"。
与上下文管理的关系：上下文管理管"单次会话不爆"，记忆管理管"跨会话稳定积累"，二者配套。
优化方向：① 把反复要强调的规则、易踩的坑、稳定的架构事实写进 CLAUDE.md，而非靠对话临时说明；② 分层放置（根目录放全局规范，子目录放模块特定说明），按需加载；③ 保持精简——记忆也占上下文，避免把易变、临时的内容塞进去；④ 把"工具使用约定、常见命令、目录结构、禁止事项"等稳定信息沉淀进去。
面试官追问 / 红旗
- 追问：CLAUDE.md 写太多会有什么问题？（答：记忆本身占用上下文 token，写得过多/过杂会挤占有效信息、反而增加负担，应只放稳定且高频复用的内容）
- 红旗：讲不清记忆与上下文管理的区别，或不知 CLAUDE.md 为何物——深度标杆未达标。
Q5: 报告悖论"Agent 高手 ≠ Vibe-Coding 高手"为何脱节？如何同时具备？¶
深度 | Vibe-Coding | 📖 相关讲解
考察点：对报告核心悖论（双维度脱节）的理解，以及如何避免偏科——报告主要淘汰区。
参考答案
为何脱节：报告揭示"做 AI 产品"和"用 AI 做自己的日常研发"是两套割裂的能力。赵立新（LangGraph4j 多 Agent，Agent L4-L5）、邓鹏（LangGraph+MCP+GraphRAG，L4-L5）、贺帆、汪俊——都是 Agent 工程化顶尖，却 Vibe-Coding=L0，全部落选。原因：搭 Agent 平台、调 RAG 链路是"工程化别人用的 AI 产品"，而 Vibe-Coding 是"用 AI 工具写自己的业务代码"，二者技能栈、思维习惯、日常实践不同，能做前者未必做后者。
报告结论：本岗位要求二者兼备，"偏科型"是最大淘汰区（表中 4 人全落选）；Agent 经验不能替代 Vibe-Coding 经验，二者必须独立评估。
如何同时具备：① 主动把 AI 编程工具纳入日常研发（不只是做 AI 产品时用），建立"需求-代码-测试-评审"闭环；② 深度使用主力工具（Claude Code/Cursor）并理解底层机制；③ 自研 CodeReview Agent 等工程化产出，把 Vibe-Coding 提升到团队级；④ 双维度独立量化呈现（Agent 项目 + Vibe-Coding 实践各有专章）。报告 AI 全能型（双 L3+）如彭超、卢浩是稀缺护城河。
面试官追问 / 红旗
- 追问：如果你 Agent 经验很强但平时不怎么用 AI 编程工具，怎么办？（答：主动补齐——把 AI 工具纳入日常编码、建工作流、做 CodeReview Agent，双维度独立呈现，否则在本岗位会被当偏科淘汰）
- 红旗：候选人认为"我会做 Agent 平台，自然就会用 AI 编程工具"——这正是报告证伪的悖论，是淘汰区思维。