claude code 和 codex

刚面完，速写✍️面试官是引擎负责人，看着非常年轻。图形学：这次没问，说是上一次已经考察过了c++：也没问AI：问得多，主要问我具体的场景题我的ai具体技术选型是什么？和其他的方案有什么优缺点，面试官非常注重对比，要求对比codex，gpt，还有落地的方案之类，要求自己有验证然后问了cursor与ue5具体底层的交互，remote control应对大量文档怎么解决，两次面试都提到了这个，非常重点。还有长时间的文档维护，更新换代怎么处理数据库云端和本地调用api的区别？ai回答可以从什么方向优化？有没有做过？上下文裁剪引擎：这部分我确实没怎么准备，答不上来很多渲染数据在ue5多个线程之间如何流转？widget UI如何性能优化？怎么操作的合并静态网格体，材质？移动端移植做过吗？面试官边说边会介绍自己的工作内容，主要是引擎管线的修改，配置，GI，性能压榨 之类的，同时会抽出细节来问。我也和面试官聊了很多，说道我的困境：一个人根本无从下手源码，面试官表示理解并说可以从两个方向看看，学术点看gpu gems 实际点看开源项目面试官人非常好，他鼓励我说我非常优秀，如果是客户端开发的话可以直接入职了，还有ai工具的使用也是非常优秀。但是在引擎实操方面经验欠缺，这里的引擎不是客户端的gp，而是对引擎本身的开发理解，如果以后想走引擎方向可以从这方面下手。面试官反复强调说如果我被横向了，不要怀疑自己，说我已经做得很好了，但是这个岗位还有很多研究生竞争，本身的经验不如他们。但是也说会综合评定，意思就是有一定竞争力，有可能被捞起来。总结：到底是leader啊，人好技术强，这年头还会专门鼓励小灯的面试官不多了。总之我也没什么好说的，面试官说得很对了，个人的优势更偏向客户端哎呦我c研究生怎么这么坏呀

我投的是后台开发，不知道为什么面试官是C++的，因为技术不互通吧，基本上在闲聊，比较轻松，这里把腾讯元宝的总结贴出来吧1.自我介绍​​2. 技术栈与语言理解​​​​编程语言对比​​：候选人认为Java相对笨重，Python语法简洁且库丰富，Go语言性能较好。​​C++理解​​：认为C++效率高于Java，更贴近底层，常用于系统编程。​​内存管理​​：指出Java的JVM可管理对象内存，但ThreadLocal等资源仍需开发者手动管理，不当使用会导致内存泄漏。​​3. AI工具应用​​​​日常使用​​：候选人使用CodeX、Kimi等AI工具辅助编程、生成文档和PPT。​​协作模式​​：强调与A...

聊天成长式非常规面经1h，聊嗨了。非常规面试，但感觉很棒，面试官全程微笑。感觉和面试官都是梦到什么说什么[隐去了一些个人经历的深追问题]1.讲一下从小到大的个人经历，为什么选择计算机这个行业呢？2.在大学有哪些规划呢？你对未来的职业发展有哪些想法？未来你想走怎样的路呢？3.讲一下自己的两个项目的时间节点，完成度4.这个自研项目需求点，解决了生活中哪些痛点，你觉得这是实际需求还是伪需求，具体的需求点在你实际落地体现在哪里呢？5.有调研过市面上有哪些相似的项目嘛，或者说真正有名的有哪些6.在做这个项目过程遇到了哪些困难7.视频转音频，转文字，AI分析是怎么实现的8.FFmpeg了解底层的一些机制嘛9.具体讲讲分片上传断点续传的实现，追问为什么先落盘再记账到Redis10.关于保障数据不丢失，你觉得各种中间件的持久化有哪些相通的机制11.你有具体关注过哪些开源项目嘛12.你平时是怎么进行AI coding的13.最近有用过OpenClaw嘛？有哪些应用的场景呢14.讲讲你在Calude Code和Codex的使用差别，你觉得应该怎么去分别使用呢15.你觉得未来AI的一个发展趋势？反问1️⃣有什么能够提高的确或者有哪些地方不足。[面试官说取决于我的需求和目标，想进大厂就多背八股算法等等，想进创业小公司方向就保持自己的敏锐性]2️⃣如果有后续流程会去做哪些业务。以及后续面试的流程。[说是各司其职的公司，大家都会沿着自己的目标去奋斗。流程忘说了]

前些天看了 Clawdbot 创始人的采访——这哥们单日提交 1.3k commits，一个月 6600+ 次提交，有的代码自己一句都没看过，非常恐怖。所以在不久的将来，当 AI 已经完全具备写代码的能力，人类程序员的操作空间还能剩多少？最近在实习，做大模型微调，新鲜期过了，发现不过是机械劳动，造数据 → 训模型 → 看 badcase → 然后再造数据，循环往复...这不就是Agent的ReAct范式么? (坏了，我成智能体了) 需求明确的情况下，Claude-3.5/3.6 也完全可以独立完成造数据 pipeline 的开发，偶尔会留下一些语法错误，在两三轮尝试之内也能自己修正过来......这里非要人来完成的环节并不多，只能用人来完成的理由，好像只剩人比较便宜了...？ 但 AI infra、推理加速也在飞速发展，这种相对的便宜，又能持续多久呢？Clawdbot已经火到到处都在讨论，尽管目前在国内的适配有限，(门槛高是一方面，还很重要的一点是比较烧钱...)不过它对人类劳动力的节省是没办法忽视的。目前同事们普遍认为这玩意儿现在只能接入飞书写写文档，但你也知道，“目前”而已。GPT-4 推出的那年或许看上去还有点呆，但短短几年，拥有 skills 和 function call 的大模型已经可以帮你完成打开应用、查看消息、撰写文档这种复合任务——写代码又能比写飞书文档复杂多少呢？不过是接入不同的软件，阅读不同的文本，调用不同的修改命令，底层是一样的，现在 Copilot 已经做得有模有样，更别说 Clawdbot 这种具有自我进化能力的 Agent，只要 token 多，Clawdbot 完全可以给自己装一堆功能，能量超乎你想象。有人说了，我做的项目大着呢，全是屎山代码，我不信 AI 能看完，这说的其实是长上下文问题，我个人不认为是一个无法解决的问题，随着上下文窗口的扩展和长期记忆管理的研究工作不断发展，AI 总能找到方法把你的超长文本压缩成一个一个的小块，然后逐个击破（虽然目前 GPT-5.2 Codex 改我的代码还是会改着改着一片红...）有句话说得好，你怕被 AI 替代，是因为你太像 AI。你的工作流程高度标准化、可预测、可复现——接需求、看文档、查 API、写代码、测试、提交。每一步都有明确的输入输出，每一步都能被拆解成清晰的指令。这种工作方式，恰好是 AI 最擅长的。如果你的价值体现在“把业务逻辑翻译成代码”，那 AI 确实可以做得更快、更稳定、更便宜。它不会写错大小写，不会忘记边界条件，不会因为昨晚没睡好就漏掉一个判断。要想不被替代，就得做那些 AI 做不了的事，比如和产品经理撕逼，解释为什么这个需求做不了；看着三个技术方案，权衡性能、成本、开发周期，最后拍板选一个；跨部门开会，听运营讲了半天业务痛点，翻译成技术语言，还得判断她说的是真需求还是伪需求。这些事情需要判断、需要博弈、需要对人的理解， AI 暂时还做不来。但问题是，这些事情需要多少人来干？以前一个项目可能需要十个程序员，现在有了 AI，也许三个人就够了,剩下那七个人上哪去？......也许他们会转型，在行业找到新位置，也许是去卖炒粉了，说不好。但有一点感觉很明显：AI 在拉高门槛。以前你会写代码就能找到工作，现在得会“用 AI 写代码 + 理解业务 + 做技术决策”。这个组合技能，不是每个人都能凑齐的。工具会进化，但人怎么不被工具定义，可能是我们未来一段时间需要长期思考的问题。