蚂蚁笔试考察AI Coding，求焚决

做好前期的需求分析与方案设计是 AI 高效实现代码的核心前提 —— 文档越清晰、逻辑越完整，AI 落地效率越高。如果具备技术背景，可直接明确技术选型、框架体系等核心细节；若缺乏技术认知，也可通过 AI 对话（例如 Claude Code 的 Plan 模式）梳理出结构化的详细文档。以 Claude Code 为例，可开启多终端并行开发：左上角终端聚焦后端开发，右上角终端主攻前端实现，左下角终端负责测试验证，通过并行协作大幅提升整体开发效率

继去年美团以后，今年春招蚂蚁也开始考察AI coding了，这就是以后未来的趋势吗？大家来聊聊你平常使用AI写代码的频率高吗？怎么能够让AI写出优秀可运行的代码？

大厂开始把 AI Coding 纳入考核标准，这波技术周期的洗牌，对求职者来说，两极分化太严重了。千淘万漉虽辛苦，吹尽狂沙始到金，时代的大浪打过来，谁在裸泳一目了然。对于有底子的老鸟， 他们脑子里本来就装着整个项目的宏观架构图，AI 在他们眼里就是一个“高级外包”。动动嘴皮子把任务一拆解，开发效率直接原地起飞。 但对于只靠背八股文、纯刷题的小白来说，这里面可是个大坑。底层的网络协议、时间复杂度、内存管理不清楚，一旦线上爆出并发 Bug 或者内存泄漏，那么你连查错的切入点都找不到。面试官随便挑一行代码深挖两句，当场就会被凿穿，那会就是菊花残，满地伤，花落人断肠了。归根结底，大厂考你 AI Cod...

我发现给ai设定人设还是相当重要的，一般大家都会设定开发高手，我直接把自己的水平理了一下，让ai模仿我的人设写代码，不行了，一堆bug，我差点以为模型不行了，水平不如我，人设很重要

今天给大家安利一个开源项目——Superpowers。 GitHub 93.6k star，MIT 协议，完全免费。如果你在用 AI 编程工具（Claude Code、Cursor、Gemini CLI 等），装上它之后效率直接翻倍，代码质量拉满！真的很香！ Superpowers 是什么？ 一句话：给你的 AI 编程助手装上一套"专业技能包"。 我们平时用 AI 写代码，最大的痛点是什么？  AI 听完需求就闷头写，写出来不是你想要的 代码能跑但没有测试，埋了一堆隐患 遇到 bug，AI 瞎改一通越改越乱 复杂项目做到一半 AI 就迷路了  Superpowers 就是来...

AI Coding已经遍地了，难免会降低大家的能力，那如果我是考官，我设这个面试环节的意义何在？个人思考：1. 考察逻辑性及表达能力。通过规则解析，能够看到全过程都会被记录，那大家的模型是一致的，差距就会在提问环节，是否会考察考生的提问能力。 如何正确高效的提问，也是一个能力。PS：视乎回到了小学课本2. 考察问题处理能力。如果这个模型不怎么好用，那考生怎么解决？核心：实习生毕竟还是实习生，又不是正式工。

1. 给AI足够的上下文，描述的越清晰，AI越少猜测你的心思，越懂你要什么2. 别一个复杂的东西，直接给AI，AI不是你的下属，是你的同事，我们是平级的，给复杂的东西拆解开，你会的自己做或者让他帮你优化，不会的直接问他3. 有的时候AI会编造不存在的东西，所以关键的地方一定要仔细核对4. 如果聊天次数过多，可以把之前的总结一下，AI有可能也不“记得”你之前说了什么5. 涉及安全、私密的东西要自己把控，毕竟和同事之间也不能什么都说6. 写的东西可以给AI看看，让他帮你评估风险、优化代码等操作7. 让AI给多一点的选项，你来选择。和AI同事相处要掌握主动权，互相帮助，AI同事也是和你一样需要慢慢了解、慢慢学习的。AI同事真能帮我们省不少时间。慢慢磨合，找到最舒服的节奏就好。

没有背景的指令，就像让一个陌生人帮你买东西，若你只说帮我买个东西，却不说是买药还是买菜、买给谁用、花多少钱，那肯定得到的不一定是你想要的答案。没有约束的指令，就像导航只告诉你目的地，却不告诉你不走高速、避开拥堵、不要收费路段，那AI可能给你一条理论上正确但实际没法用的路。

用AI就别把AI神话了，ai不是神仙。只需要把它当成一个聪明、啥都知道、但是缺乏经验的百科全书。要AI能解决问题，给出你想要的高质量的答案，你就得补充好场景和上下文还有各种条件。甚至还得要一步步拆解出步骤。

针对每个子任务，设计精准的prompt（如“用Python写一个Flask接口，接收JSON格式的用户名和密码，验证是否与数据库中的记录匹配，返回{'status': 'success'}或{'status': 'fail'}”），需包含：角色（如“资深后端工程师”）、任务目标、输入输出格式、约束条件（如“使用MySQL数据库”）。AI生成的代码可能存在bug（如逻辑错误、依赖缺失），要学会用调试工具（如print语句、IDE的调试功能）定位问题，并通过调整prompt（如“修复登录接口的SQL注入漏洞”）引导AI优化代码

角色绑定：明确AI为“嵌入式系统架构师”，限定其知识边界为ARM Cortex-M/RISC-V架构、FreeRTOS/Zephyr RTOS、低功耗设计等领域，避免泛化输出。任务原子化：将复杂需求拆解为单功能模块（如“基于STM32的SPI驱动优化”），用“输入-处理-输出”格式描述，例：“输入传感器原始数据（16位ADC），处理需包含滑动平均滤波，输出稳定值至UART，延迟≤10ms”。资源约束前置：强制标注硬件参数（如Flash<64KB、RAM<20KB）、功耗预算（如休眠电流<5μA）及实时性指标（中断响应时间），确保方案可落地。

个人认为，用AI就别把AI当搜索引擎，也别当神仙。把它当成一个聪明、勤快、但需要我们给出清晰指令的实习生。你想要AI给出你高质量的回答，你就得给足它上下文，别让它猜。别一次性丢一个大需求给它，要一步步拆解，最好还得给它示例和参考，别只给抽象描述。

要让AI写出优秀可运行的代码，需从需求定义、交互策略和验证优化三方面入手。首先，用“目标+场景+约束”明确需求：例如“用Python写一个Flask接口，接收JSON参数计算斐波那契数列，要求支持n≤1000，返回结果带耗时统计，代码需含单元测试”。其次，提供上下文与规范：附上项目技术栈（如Python 3.9+）、依赖库版本（Flask 2.0），声明编码规范（PEP8）、错误处理要求（捕获ValueError并返回400状态码）。交互中采用“分层拆解+示例引导”：先让AI输出接口框架（路由、参数校验），确认逻辑后补充核心算法，再添加日志和监控代码。要求输出含类型注解、docstring注释，并主动生成pytest测试用例（覆盖正常输入、边界值、异常场景）。最后，通过“运行反馈+迭代修正”闭环：若代码报错，将错误信息（如ImportError、逻辑漏洞）作为新prompt输入，引导AI定位问题（如“修复循环变量未初始化错误，保持O(n)复杂度”）。此过程需控制单次需求颗粒度，避免复杂逻辑堆砌，最终通过CI/CD流水线验证可运行性与性能。

一定要针对特殊的应用场景去让ai执行动作，越详细肯定是越好的，那么场景端就会有丰富的案例，不能给过少信息点，不然执行起来每个都不一样！

怎么样让AI写出好的代码，这真是一门不小的学问。首先我们需要考虑好我们的提示词也就是prompt，不仅要明确场景和角色还要限定语言。后面就是根据生成的代码，去Review一下，看看有没有一些明显的错误，如果没有那就可以去试试。调试的过程中可能会出现幻觉，这种情况只能见招拆招，比如 AI 生成的 Redis 分布式锁代码漏掉了finally块的解锁逻辑，就要手动补上；如果它给出的 SQL 语句存在语法错误，就把报错信息丢回去，让 AI 基于错误日志重新优化。想要在蚂蚁这类大厂的 AI Coding 笔试中稳拿分，还得掌握几个 “提效焚决”：角色绑定 + 约束前置：在 prompt 里直接绑定目标岗位身份，同时限定技术栈、性能要求、异常处理标准，减少 AI 的无效输出；分步骤拆解需求：遇到复杂业务题（如 “设计一个高并发的订单支付接口”），先让 AI 拆解成 “参数校验→库存扣减→支付回调→日志记录” 四个模块，再逐个生成代码，避免逻辑混乱；结合笔试场景定制 prompt：大厂笔试常考算法题、框架应用题，要针对性加入 “时间 / 空间复杂度要求”“Spring Boot 框架规范”“MySQL 索引优化” 等关键词；幻觉修正三板斧：报错日志 + 正确示例 + 强制校验规则，比如 “你生成的代码存在线程安全问题，参考 ConcurrentHashMap 的分段锁机制重新修改，并确保通过多线程测试用例”。说到底，AI Coding 不是 “一键生成” 的偷懒神器，而是 “人机协作” 的提效工具。笔试中真正拉开差距的，从来不是谁会用 AI，而是谁能驾驭 AI，让它成为自己的 “代码助手” 而非 “拖油瓶”。