面试考察的是工程判断：何时信任 AI、如何控风险，而非背诵工具功能列表。

适用场景

后端/全栈候选准备 AI 编程相关面试；面试官设计开放性题目评估真实项目经验。

方法与要点

十类高频题可归纳为：工具选型、上下文设计、Spec vs Vibe、审查流程、对交付周期的影响、团队规范、失败案例、数据安全、成本、与 CI/CD 集成。回答用 STAR：场景、动作、结果、反思。强调「AI 写、人审、测试兜底」三角。

工作流

准备 2 个真实 story：一次成功缩短周期，一次 AI 引入 bug 被测试拦截。对照公司栈说明 CLAUDE.md/AGENTS.md 如何落地。避免贬低 AI 或盲目吹捧。

风险

回答空泛「提升 50% 效率」；无法说清审查责任；把 Vibe Coding 说成无需测试。

检查清单

  • 能对比 CLI 与 IDE 选型理由
  • 能解释 Spec Coding 验收链
  • 有具体 metrics（PR 大小、缺陷率）
  • 提到密钥与许可证合规
  • 能讨论 AI 对 junior 培养影响

落地建议

把「10 道 AI 编程相关的开放性面试问题」相关的动作写进团队 Wiki 或 CLAUDE.md，并在两次 Sprint 里刻意练习：一次只用 IDE 路径，一次只用 CLI 路径，对比 PR 大小、缺陷率与 review 耗时。记录哪些步骤必须人工签核、哪些可以交给 Agent 自治，比争论工具优劣更能沉淀可复用经验。