AI求职实录

某大厂面试官：其实你简历上写的这些东西，其实我们都不感兴趣😅。某次反问环节，当我问到面试官“您对这个岗位的应聘者有什么期待？”，他沉默一会，叹了口气，开始了长达十分钟的输出——（以下是省流版）1.大厂看重面试者的潜力，而不只是经历匹配度。所谓“高潜人才”，必须要多进行思考，比如，这个任务的困难是什么，怎么做更好？为什么？大多数面试者问完面试官负责的业务之后就开始提下一个问题，其实你完全可以针对这个业务谈谈自己的理解，“我认为这个任务可以用xx方法去做”“这个业务的痛点是不是xxx？”，哪怕你的说法完全是错误的，面试官也能看到你的态度。2.自我介绍的时候，也要体现对公司的思考。面试之前，去查一...

接上篇 https://www.nowcoder.com/discuss/847995166416703488?sourceSSR=users还缺少了平台和中间件的部分没有和大家交流，这一篇补充一下平台&&中间件和 AI 相关的平台主要就是 Maas 平台和机器学习平台，Maas 平台，大家最熟悉的就是阿里云百炼，用于模型部署，模型微调，并且整合知识库，Agent平台的综合平台AI 中间件主要包括 AgentRuntime，AI 网关 等等资料推荐：首先是平台侧，对于大模型的工程化平台，开源的，我是最推荐 langfuse 的https://github.com/langfuse/langfuselangfuse 是 langsmith 的开源平替，包含可观测，评估，提示词管理，数据集管理等主流功能机器学习平台就比较复杂了，这个主要是各个公司的内部平台，用于算法同学快速迭代的，所以开源的资料比较有限，但我也找到合适的可以学习的https://github.com/kubeflow/kubeflow目前最主流的 MLops 工程包，很多机器学习平台的核心功能都是通过这个的组件编排实现的，通过学习这个，就可以逐步理解机器学习平台的核心功能此外还需要补充，k8s 和云原生相关的技术栈，用于优化模型的部署和调度。此外还要学习 Ray 这个不可或缺的分布式框架https://github.com/ray-project/ray然后是中间件这边AgentRuntime智能体沙箱，用于安全，快速，高效的运行智能体应用，并且和 k8s ，serverless 等相关技术结合，实现毫秒启动和动态扩缩容开源可以看看火山的子项目https://github.com/volcano-sh/agentcubeAI 网关只推荐阿里的开源 AI 网关 HIgresshttps://github.com/alibaba/higressAI网关除了一般网关的功能之外，还要支持，mcp托管，http无缝转mcp，模型路由等等，higress通过一个巧妙的插件系统接入了这些，并且还保留了大流量网关需要的核心功能（这个项目的语义化检索mcp插件是我写的，感兴趣的牛友可以看看）上面的这些，基本就把我认知中设计 AI 的开发岗位都讲的差不多了，其他评测平台和数据 pipline 搭建的，基本都是比较常规的技术栈，不太需要单独讲，比较喜欢鸡架的同学可以冲这些岗位。后面的系列规划：1. 从 0 - 1 实现一个 Agent 框架（教程 + 源码）可以写到简历上面的2. 一些有意思的项目推荐，目前已经想好了两个，后面发一下3. 自己的一些踩坑记录（比如后面暑期继续找垂直实习踩的坑）

很多同学，在有了一定工程基础之后，想顺应现在的潮流去学习 AI Agent 的开发，但是又苦于没有入手的项目，网上的教程要么又臭又长，要么就是在割韭菜，很难学到真东西。但其实很多开源项目的实现就能让我们学到非常多的东西了，如果让我推荐的话，我一定会推荐 langchain 官方的这个基于 langgraph 的 deepagents项目地址：https://github.com/langchain-ai/deepagents为什么推荐这个项目呢，先来看看这个项目的特点通过文件系统进行智能体记忆，保存上下文，这个也是最近比较火的 skills，openclaw，字节的上下文数据库 openVik...

本文以有java后端基础/python基础如何转向ai开发岗进行讨论分析。 个人bg : 专升本，26届双非硕，硕士转码，25.6 - 26.2 小厂ai应用开发实习，入职前ai相关项目 * 1 ，春招面试时含公司实习项目共计10+ai相关项目(简历体现4个)，ai相关内容学习实习前累计1m左右，深入了解时长等同于实习时长。  重要经历 ：实习期间参与三个ai项目开发，垂直领域涉及金融审核相关业务(涵盖文档、检索、分析、agent等)1. ai应用开发岗是什么？涉及什么？ ai应用开发岗作为新兴岗位，主要分为两部分: 上游任务(偏向于算法) : 模型后训练，微调(SFT,QLora) ,场景定...

ai应用开发作为新兴岗位，许多同学对于其岗位构成，岗位职责等都尚有些模糊，因此我将我在相关实习中的工作内容进行简单总结，抛砖引玉，以期能对大家有一些帮助。项目背景 我在公司中做的最主要的项目即合同文档智能审核系统，这个是企业风控及降本增效的核心组件之一，传统Java微服务架构下，敏感词审核、错别字校验、风险分析等模块存在服务耦合度高、AI能力集成成本高、策略调整需全量发布的问题。MCP（Model Context Protocol）作为标准化工具调用协议(即JSON-RPC协议)，结合multi - Agent架构可实现工具层与业务逻辑层解耦，既保留微服务模块化优势，又提升系统对AI能力的适配...

现在的 Agent 面试，已经过了“比谁会写 Prompt”的阶段了。说实话，现在的实习生如果只会调个 LangChain、写两段 System Message，在我这儿大概率是过不了初筛的。我想换个视角，带大家看看面试官在听你回答那些“高频题”时，脑子里到底在过滤什么。1. 关于架构：别光背那个“四元组”大家现在都能背出 Agent 的四大要素：规划、记忆、工具使用、执行。但我面试时更想听的是：你为什么不用传统的 Workflow（工作流）？很多同学的项目，明明用一个简单的 IF-ELSE 逻辑就能跑通，非要套个大模型的“自主规划”。在我看来，这不叫专业，这叫“为了用 AI 而用 AI”。我...

最近半年AI的生产力发展的太快了，以前能干一星期的事，现在1天就能干完，未来的1-3年互联网的大部分岗位都会向AI靠拢目前互联网公司内部基本上每个人都在使用AI，从岗位上已经演变为覆盖研究-工程-应用-产品-运营-数据-测试-管理全链路的庞大生态如果你想从事AI相关岗位，不论你是技术还是非技术岗，都可以按照图片上的岗位去搜索投递

不知道大家是不是今年感觉已经被AI刷屏刷的头都要炸了？伴随着VibeCoding的快速兴起，好像编程一夜之间就变成了人人触手可得的技能，而那些绞尽脑汁学习语法、练习项目的同学们一夜之间就变成了小丑，前端更甚——似乎每个新模型的诞生好像都在重复着“XX模型即将杀死前端”->“前端已死”->“XX即将发布最新的模型”的循环，似乎每年都是前端最糟糕的一年，甚至我们当中的不少人都这么认为，真的是这样吗？请允许我花些时间聊聊。展望前端的未来，必然要先回顾前端的过去，显然，AI压根就不是第一个杀死前端的。不知道各位有没有听说过Dreamweaver？这是一个可以直接可视化画图方式生成网页的工具，可以直接把设计稿转成网页（类似于VB的手绘控件），那个时候有人说，前端已死；结果是，一旦网页内容开始膨胀，嵌套几十层的图纸毫无维护性可言，更不用说复杂的动画效果了，它随着Dreamweaver一起成为了历史，并客观上加速了前端开发与UI设计的分离。下一个挑战者是JSP/ASP.NET，后端开发者可以快速的用他们最熟悉的语法完成前端开发所做的一切，数据处理，表单请求...，那个时候有人说，前端已死；结果是，伴随着移动互联网的高速发展，前后端一体反而给开发者带来了更加沉重的负担和夸张的维护成本。既然前后端分离了，想必那个时候的前端就迎来了春天？不见得吧，它的挑战者就从来没停过，以WordPress为代表的建站平台急匆匆的来了，是的，各种模版几乎快要革了“前端”的老命，但却提供了更多的插件、主题开发和二次定制需求的市场机会，你能说它杀死了“前端”吗？好吧，即便前端的生命力如此顽强，那低代码平台总能一劳永逸了吧？我的意思是，你也不想大清早起来就要盯着拧成麻花一样的蓝图来追踪数据流动吧，而且，低代码平台也不可能脱离前端而存在。所以，AI会取代前端吗？或许吧，但我知道，所有自称要“杀死前端”的挑战者全都败给了一个敌人：“真实的物质世界”，这个世界没有那么多含情脉脉的温床，也没有一成不变的需求，迎接开发者的只有客户谜一样的运行环境，恨不得把3A塞进去的诡异需求，以及不争气同事的、永远猜不到响应格式的API。而这也印证了那个软件工程的真理：“软件开发没有银弹”。前端的挑战者们还在围剿它，你要做的唯一一件事就是：像前端一样坚强、勇敢的面对这个站在最前沿，也最复杂的真实世界，而这正是它迄今不死的秘密。【全文人工手打,看到个别无良自媒体真的气得不打一处来,希望大家坚定自信,把自己的事情做好做精!】

如果有申请过大厂岗位的同学们，应该都知道有算法手撕这一关，虽然大家都十分甚至九分的讨厌，但每一个志愿“冲大厂”的小伙伴总是没办法绕开痛苦的“Hot100”，无论双非还是92本硕都是一样的折磨，特别是现在AI的发展，你可能绞尽脑汁蹲个半天都想不到思路，让AI咔嚓咔嚓就A出来了，挫败感真的不要太强。不过，我的意思是，反过来说，是否可以认为我们的身边多了一个低成本、随时响应还能因材施教的老师？本文以Leetcode平台的Leet AI为辅助工具，抛砖引玉一下如何利用好AI提高刷题效率，让刷题の痛少一点。【因为习惯了使用markdown语法做笔记，所以1234点下文列出，并不是AI生成的水文，至少把提示词复制粘贴走都行~】1. 0思路的情况：最痛苦的新手期应该就是0思路的情况了，这个阶段能不能读好题目都是问题，所以我们可以让AI协助我们理解题干：我：题目xxx，我不太明白这个题干的含义,请用我能够理解的方式告诉我题意和初步的思考方向，然后向我抛出有关解决这个问题的问题，以启发我逐步的解决问题，注意不要直接透露代码和答案。AI：...在AI输出完毕后，你就可以把AI的解读和题干比对起来理解题目了，但无论如何都要注意，不能直接让AI替你代劳任何最终需要你独立完成的内容，后续我们利用AI带刷而非“代刷”也要遵循这个第一性原理，否则不仅不会提升你的编码能力和算法水平，反而会因为AI的“娇生惯养”陷入自己好像懂了但其实独立做想不出来的情况。题干厘清之后，AI往往会按照提示词所说留下几个问题，而你就要接住AI的话茬回答这些问题，如果你可以很自信的把问题厘清，那么对你来说，撕出来只不过是时间问题，但大多数时候，连AI的问题都接不住才是常态。接下来我主要从两个方面给出提示词的指导和学习建议。2. 算法思想的欠缺：在这种情况下，可能我们对这个编程语言的语法和数据操作方法都比较的熟悉了，而对算法思想的了解过浅，这种情况反而不太好应付，如果条件允许，系统性学习和构建知识体系一定是最优解，但100分有100分的做法，80分有80分的做法，这是我的参考建议：我：问题xxx，请告诉我这道题目可以使用哪些算法思想？然后介绍这些算法思想的原理，优缺点和使用该方法的思考方向，不要直接提供代码和答案。AI：...在AI输出完毕后，你就可以感觉到开了全图视野一般的通透，而且，我们得承认一点，算法练习的方法本来就是因人而异的，如果你已经感觉有一些思路，就可以沿着AI给你的“点拨”往下挖，从暴力方法到更加精巧的方法，一点点摸索出来，这种方法当然记忆更深刻；如果你的时间紧迫，也可以去B站、牛客或者其他交流算法的平台直接搜索相关算法思想的文章、视频，系统性的学习也能提高你的潜力，于长期来说好处更大。3.编程能力的短板：还有一类情况，其实比“算法思想不懂”更隐蔽，也更常见——你大概知道这题要用什么思路，但一到真正用键盘开搓就卡住了：要用什么数据结构？ 方法名字是不是记错了？这并不是算法能力的问题，而是纯粹的编程熟练度不足。这个阶段，AI的定位就不该是“算法老师”，而更像是一个“编程教练”。你可以非常明确地告诉 AI：你不是要答案，而是要补齐能力短板：我：针对这道题目，我在实现过程中可能会涉及到的语法点、常用方法、关键字有哪些？请按模块列出来，并告诉我每一类我应该重点补什么，不要直接输出答案，给出简单概要即可。AI：...AI 通常会把问题拆解成几个层面，比如数组/字符串操作、哈希表使用、递归或迭代的基本结构等等。这个时候你要做的恰恰不是继续追着 AI 问，这种行为说实话，和让AI手把手喂饭没有区别。你要做的恰恰是顺着它给你的“目录”去自己补课。比如它提到了某个你不熟的 API，你就老老实实去查菜鸟教程、MDN、官方文档，看示例和输出，实在不行就在本地写个文件试一下。这一轮的核心目标只有一个：让“写不出来”变成“写得慢但能写”。一旦你能完整地把代码敲出来，哪怕是丑一点、慢一点，算法题对你的心理压迫感都会骤降，毕竟未知才是恐惧的来源。4.更进一步：当你已经靠自己把题 A 出来了，不管过程多么磕磕绊绊，这一步非常关键：不要立刻点下一题。这是很多人刷题效率始终上不去的根源——只追求“过题”，而不追求“成长”。这个阶段，AI 的角色要发生一次升级，从“提示者”变成“审稿人”。你可以把你已经通过的代码完整丢给 AI，让它在更高维度帮你打磨:我：这是我自己独立完成并通过的解法，请你从代码可读性、结构合理性、时间复杂度、空间复杂度几个方面帮我分析是否有改进空间，并说明每一处改进背后的理由。AI：...这一轮反馈的价值非常高。一方面，AI 会帮你指出一些你根本意识不到的问题，比如说不太规范的变量命名，歪打正着的结果，另一方面，更重要的是，它会把“为什么这样写更好”讲清楚。你不是在抄优化版本，而是在对比、理解、内化，这个过程本身就是一次强化学习。慢慢地，你会发现一个变化：下一次遇到相似问题时，你就可以更加自然的去尝试推理，从最好想的暴力做法，再根据题目的需要去自然而然的追求更优解。总结一下，AI 带刷算法，本质上不是替你刷题，而是帮你把“卡住的地方”一段一段拆掉。0 思路时，用它帮你读题、引导思考；算法思想不足时，用它帮你打开视野；编程能力短板时，用它帮你精准补语法和 API；已经 A 出来之后，再让它帮你复盘和优化。当然，还是得强调一下，但有一个前提始终不能变：最终写代码、做决策、承担错误的人，必须也只能是你自己。如果你学有余力，一定要在每一类题目后做一次简短总结，用好markdown笔记，记下这类题的通用套路、易错点和自己的理解盲区，下次遇到这道题，就算掉进同一个坑了也不在意摔得太惨。唉，如果我们开始真正的把 AI 用成一个辅助工具，而不是拐杖，刷算法这件事的心理负担会明显下降，只要试一下就能感觉出来，即便是被 Hot100 追着跑，也可以稍微少喘口气，这就是AI带给我们的实打实的好处所在。希望这篇文章可以帮到正在算法中痛苦折磨的你，如果可以的话，点个赞收个藏谢谢喵，有什么好的方法也欢迎在评论区分享~

看到过一个说法：八股文没有用，工作里也很难用到，学那些东西干什么，AI都出来了，谁还需要自己写代码？ 曾经有段时间，段段深感认同，不过后来想了想，如果面试不问八股，不问算法，不问项目，不问这些基础知识，那么我们也就不需要学习，不需要会。那么这种情况下，会导致什么问题呢？——除了写提示词，你什么都不会，甚至你提示词都不会写。 所以人均AI Coding后，程序员面试还有必要问八股吗？我的意见是，还是得会，至于原因，别着急，段段来带你分析。 （结论AI写在最后一段了）一、如果什么都不需要会，我怎么知道你会开发？ 从企业筛选人的角度讲，如果我是面试官，如果你只会写AI提示词，基本的增删改查，Java...

背景概述：为什么要写这个呢？虽然现在大模型很火，但对于我们工程同学来说，把大模型当一个黑盒用就好了。一开始我也是这么认为的。直到我在小红书做到了一个需求在小红书的时候有一个需求是优化组内一个 agent 项目的响应和结果优化，这个 agent 是一个复杂的商业助手，并不是说技术很难，但要分析的广告业务很复杂，有上千个指标，好几种场景，prompt非常长，如果输出的效果不好，是没有人愿意用的。用了很多优化手段，比如并发查数据等等。有一天这个项目的正职同学和我说，他和算法那边的同学交流，说可以把我们动态拼到 System prompt 的指标数据拼到用户的 query 里面，这样就可以利用模型的 ...

在牛客上，很多同学在面算法、面后端时，常被问到：“模型只是个大脑，怎么让它真正干活？” 答案就是 Agent。它不再是一个只会聊天的 Box，而是一个拥有感知、决策、行动、反馈闭环的“硅基员工”。本文我将带你透视 Agent 的底层运行机制，看完这篇，你对 AI 的理解将得到显著的提升。一、 顶层设计：Prompt 提示词 在 Agent 架构中，Prompt 不仅仅是聊天，它是系统的宪法和运行协议。逻辑重构： 别再写模糊的感性描述。顶尖的 Agent 需要 结构化提示词（Structured Prompting）。架构框架：[Context + Role + Constraint + Wor...

40min 自我介绍面试官询问项目细节介绍langgraph具体编写智能体的方法介绍上一段实习中遇到的困难问了一个查找topk个数的算法 我答的用快排加二分问MySQL除了b+还有什么索引详细介绍全文索引topk个数 回答了快排划分hash表用什么哈西函数 冲突怎么解决介绍mvcc讲一下jvm内存模型（我不会Java）如何实现长链接系统（链接太长url怎么跳）手撕 旋转有序数组查找元素面试完半个小时HR打电话通过

这是当下时代我们学生和打工人的一个困境，悄悄分享一下自己的一些些心得。相比于自己去浩如烟海的文章中找资料，不如他们精准的推送，因此我所做的第一点就是通过关注的公众号来了解。他们做自媒体的为了时刻保持流量，必然要发文介绍最新最火的项目（哪怕一些可能有标题党的性质），我们刷到了就进去看看，成本很低，收益很大。下面还会有相关的推荐文章，都可以顺便康康。另一个就是B站，B站很多人会发视频介绍热门技术，关注一些知识区up，新视频发出来后我们刷一刷就能在主页看到，通常介绍新东西的视频也就10分钟左右，可以二倍速快速了解。再有就是自己的圈子，要积极和身边的大佬交友学习，当他们聊到一些自己没听过的东西时，积极凑过去学习一下然后自己去搜搜，甚至上手操作一下。最后如果在互联网领域，选一个有创新、学习氛围好的组，处于这种氛围中，自然能够受到熏陶。再提一点，如果有条件有时间可以去外网关注科技大佬他们会发文的。我由于比较忙暂时还没培养这个习惯。以上几点基本上就是我作为应届生目前尽量跟上时代的一些做法了。其实有点像在做学术，时刻关心最新的业界能力，然后考虑是否能落地。不过事实就是如此，在这行最好保持着热情和动力，才能长久的待下去。欢迎大家交流学习，分享更多了解最新技术的渠道和心得

每一次AI工具的更新，市场上都说不需要前端了，然而事实真的如此吗？互联网本身就是新兴技术，因此互联网的各种工种也是受AI影响最深最快的前端不会消失，只是可能会HC减少，并以另一种形态存在，说说我当前的工作状态吧👇去年下半年到现在，工作80%都是AI相关，工作边界变得更加广阔：1）技能结构：从“前端单点”升级为“产品+内容+技术”的复合型以前更像是典型的前端工程师：把需求实现出来、把页面做出来、把交互写出来。现在更接近“能把想法从 0 推到 1”的复合角色——既要会产品设计，也要能用 AI 批量生产内容，还要具备把功能快速落地的代码能力。2）协作方式：从“对接上下游”变成“AI 协同 + 跨部门整合”过去协作更多是：跟产品确认需求、跟后端对接口、跟测试走流程。现在更常见的模式是：我直接参与需求设计，用 AI 快速做 demo 或原型，先上线验证方案是否可行，再根据数据/反馈迭代。3）交付目标：从“交付代码”变成“交付解决方案”以前衡量产出最直接的方式就是：写了多少功能、交付了多少代码。现在更像在交付“产品 + 技术”的整体结果：不仅把功能做出来，还要解决业务问题。工作的时间配比也发生了些变化👇20%：手写代码（更多是修 bug、处理边界问题、关键逻辑兜底）30%：指挥 AI 写代码（生成、review、accept/undo，然后 commit & push）30%：调提示词/调产出质量（让 AI 更稳定、更贴合业务）20%：和 AI 一起想点子、做方案迭代（找方向、试路径、优化体验）在我这些项目里，几乎没有“前端/后端”的明确分界：很多时候是我跟业务把需求聊清楚、方案定下来，就直接开发上线；有些需求甚至是我在 AI 的帮助下自己做方案、自己验证、自己推进落地；AI 带来的不是“写代码更快”这么简单，而是让一个人具备了更强的端到端能力：从需求到方案、从验证到上线，都能更轻、更快地跑起来。那么有人就要问了：你涨薪了吗？你涨薪了吗？你涨薪了吗？😊😊😊先说结论：那肯定是没有的但是你不适应时代的变化，你就会被时代所淘汰，AI时代除了传统技能以外，更多的还是拼你对业务 、对市场的理解，过去程序员很多只停留在代码跑起来的逻辑上，但忽视了很多代码背后的业务情况，AI时代帮你节省了写代码时间，给了你更多的思考时间——你对于业务是否有更好的解决实现方案，是最重要的能力实习的时候不要总是低头看代码，更要横向看看业务目标

事起于肘腋之间，闻听那个猝死的程序员，以及同事讲的一个35岁的老开发，车贷房贷传宗接代，200多斤，头发白了一半，天天卷，随时可能驾鹤西去。 我不禁想到一个问题，AI的出现，到底是加剧了35岁危机，还是减缓了35岁危机？程序员到底能干到多少岁？ 在进入这个问题之间，我先说一个长远性的见解，每次时代变革，都是普通人的机会，不论你深处何地，不论你多大年龄，所以我觉得对于大龄程序员，这同样是个机会，至于能不能把握住，就看自己了。一、为什么会有35岁危机 能力与价值不符：有些人是10年经验，有些人是一年经验用了十年，所以在技术迭代的背景下，跟不上发展，自然年龄大了就淘汰了。 身体与精力下降：35岁，干...

最近收到了很多牛友的私信，其中有很多背景是非理工科的同学 ，问我如何能找到AI产品经理的实习；虽然现在AI产品越来越偏技术化，但是文科生还是有机会的，作为文科生，你的文字功底、共情能力、人文视角，恰恰可能是纯技术背景的产品经理所欠缺的优势，欠缺的技术部分可以后天学习给大家分享下学习思路，寒假春节放假在家学习，节后回来就开始投春招OR实习👇第一步：先搞懂「AI产品经理」到底是做什么的很多人以为AI产品经理=懂技术的产品经理，其实大错特错。AI产品经理的核心不是写代码，而是「定义AI能解决什么问题」——比如：怎么让AI客服更懂用户情绪？（推荐算法的「相关性」和「多样性」怎么平衡？当AI模型效果不...

最近和不少学弟学妹聊天，发现一个矛盾现象：一边是对AI的无限向往，一边是“不知道从哪里下手”的迷茫。作为在字节一线和AI产品打交道的人，我想说：拥抱AI不是选修课，而是这个时代的必修技能。你可以立刻去做以下几件事，一定会有所提升：创建你的“AI角色卡片”学习时：——让它追问你的逻辑漏洞创作时：——专提反常识的观点复盘时：——自动把你的碎碎念整理成SOP玩转“豆包”的隐藏模式别只用默认对话。试试：“请用苏格拉底式提问法，帮我拆解这个产品问题”“假设你是张一鸣，会怎么评价这个校园社交产品？”“用‘第一性原理’重新思考我的求职规划” 会议记录：会后5分钟，AI自动生成：结构化纪要（自动标记TODO、...

作为2025届校招生，我主要面向后端岗位，最终拿到了10个中大厂offer（详见历史帖子）。现在回顾整个求职过程，总结一下当前开发岗位面试中AI相关问题的趋势和应对策略。四类高频AI面试问题第一类：如何使用AI辅助编码（必问）出现频率：几乎所有公司都会问，即使不是每一轮，全流程中也必定涉及。2025年时我的回答：宏观问题和命令速查：使用AI对话形式（ChatGPT、千问等）编码过程：使用Copilot、通义灵码等插件进行代码补全和查错2026年的期望回答： 面试官更希望听到深度使用AI编码工具的经验，包括：Claude Code、Cursor、Gemini等新一代AI编码工具的实践经验对不同工...