7 道 AI 编程高频面试题！涵盖 Cursor、Claude Code、Skills

腾讯面试的时候，面试官问我：“用过什么 AI 编程工具？”。我说：“Trae。” 空气突然安静了两秒。

我搞不清楚为什么面试官沉默了，当时我还在想：“是不是我回答得不够高级？”。 面试被挂后才意识到：Trae 是字节的，腾讯家的是 CodeBuddy，阿里家的是 Qoder。 段子归段子，面试季要来了，Guide 这里总结了 7 道当下校招和社招技术面试中经常会被问到的一些 AI 编程相关的开放性问题，希望对你面试有用： 用过什么 AI 编程 IDE 吗？什么感觉？知道哪些 Cursor 使用技巧？Skills 了解吗？你的项目用到了吗？你如何看待 AI 对后端开发影响？你觉得 AI 会淘汰初级程序员吗？AI 带来的最大风险是什么？你觉得未来 3 年后端工程师的核心竞争力是什么？

用过什么 AI 编程 IDE 吗？什么感觉？ 我用过几款 AI 编程工具，例如 Cursor、Trae、Claude Code，其中我日常开发中主要用的是 Cursor（根据你自己的使用去说就好，我这里以国内用的比较多的 Cursor 为例）。 目前整体感觉是：AI 编程能力进步真的太快了！它现在已经不是几年前简单的代码补全工具，而是一个可以深度协作的工程助手。

我总结了一套自己的使用方法论： 在接手复杂项目或模块时，我不会直接让 AI 写代码，而是先让 Cursor 分析整个代码库，生成一份包含核心架构、模块职责和数据流的文档。这一步非常关键，因为它决定了后续协作的质量。只有当我和 AI 对项目有一致理解时，后续产出才会稳定、高质量。对于每个独立的开发任务，我都会开启一个新的对话，并提供必要的上下文，包括需求背景、涉及模块和约束条件。这种方式能显著减少上下文污染，让 AI 生成的代码更加精准，基本不需要大幅返工。我也会定期删除冗余实现和废弃代码。旧代码会误导 AI 的判断，增加上下文噪音，长期不清理会直接影响协作效率。 AI 是一个强大的知识库和辅助工具，可以帮我们快速实现功能、学习新知识。但如果完全依赖 AI 写代码而不理解其原理，个人技术能力可能会退化。

因此我会坚持几个原则： AI 生成代码之后必须人工 Review。关键逻辑必要时自己重写。核心路径必须做压测和边界测试。 我希望效率提升，但不以牺牲技术能力为代价。 知道哪些 Cursor 使用技巧？ 这里是以 Cursor 为例，其他 AI IDE 都是类似的。

先理架构再动手：无论是自己写代码还是让 AI 生成代码，都必须先明确需求、整体架构和模块边界。如果在架构模糊的情况下直接编码，很容易出现重复实现或职责冲突，后期修改成本反而更高。单 Chat 专注单功能：新功能或大改动开启新的 Chat，并在开头引入项目结构说明或关键文档作为上下文基础。这样可以避免历史对话干扰，提高输出质量。功能落地后写指南：让 AI 总结实现过程，抽象出通用步骤，形成“操作指南”。比如新增接口的标准流程、文件导出的统一实现方式等。这些沉淀下来的内容，可以在后续类似需求中快速复用。不依赖 AI，主动复盘：AI 仅作辅助，代码生成后需认真 Review，理解原理、优化不合理处，避免技术停滞。定期删无用代码：清理冗余代码，减少对 AI 的误导和上下文干扰，提升开发效率。用好配置文件：.cursorrules 定义 AI 生成代码的规则、风格和常用片段；.cursorignore 指定不允许 AI 修改的文件 / 目录，保护核心代码。持续维护文档：项目重大变更后，让 AI 同步更新文档、记录 "踩坑" 经验，积累团队知识库。让 AI 先 "学" 项目：大型项目先让 Cursor 分析代码库，生成含架构、目录职责、核心类等的结构文档，作为后续开发的基础上下文。 Skills 了解吗？你的项目用到了吗？ Skills 可以简单理解为把“能力”做成可复用、可调用、可组合的模块。

为什么要有 Skills？ 传统用法是： 每次写一大段 Prompt把规则、步骤、输出格式都塞进去 这样的话，会存在重复、不稳定、难复用、难组合等问题。 Skills 的目标是把能力沉淀下来，这样：可复用、可组合、可被调用、更工程化。

AI 像调用函数一样调用能力比如： summarize-article - 文章总结analyze-resume - 简历分析generate-interview-questions- 面试问题生成code-review - 代码审查 在多人协作场景下，我会利用 AI 做 Code Review 辅助。把 PR 内容交给 Cursor，让它从可读性、异常处理、一致性和潜在风险角度进行分析，然后再人工判断。这样可以提升 Review 的覆盖度，但最终决策仍由人完成。

这个场景其实非常适合通过 Skill 来固化。 我会定义一个专门的 Code Review Skill，明确它的职责，例如：从架构合理性、异常处理完整性、日志规范、边界条件覆盖、安全风险、性能隐患等多个维度进行结构化审查。这样每次 Review 不需要重复写 Prompt，只需要调用 Skill，就能获得稳定、标准化的分析结果。 除了 Code Review，我也会定义其他 Skill，例如： api-endpoint-generator - 按项目统一响应结构与异常模型生成标准化接口代码database-access-review - 审查数据库访问逻辑，关注索引使用与慢查询风险refactor-analysis - 先评估影响范围与依赖关系，再输出分步骤重构方案security-audit - 扫描 SQL 拼接、XSS、权限绕过等常见安全风险 当 Skill 被定义清晰后，AI 的角色就从“自由发挥”变成“按规则执行”。这不仅提升输出质量，也减少了风格漂移和架构失控的风险。 从团队协作角度看，Skill 还可以成为一种“隐性规范载体”。新人不需要完全理解所有约定，只要调用对应 Skill，就能得到符合团队标准的实现建议。这在一定程度上提升了整体一致性。 这里 Guide 多提一下，回答这个问题的时候，你也可以说自己团队用到了一些开源的软件开发 Skills 集合，例如 Superpowers 中内置的。

最近有个机会挺适合有经验的程序员：技术大厂[前端/后端/测试] ，全国均有机会，感兴趣可以试一试；待遇和稳定性都还可以~这类岗位通常能给到不错的薪酬，适合有经验的工程师去当个跳板。

你如何看待 AI 对后端开发影响？

我认为 AI 不会取代后端工程师，但会显著改变后端工程师的工作方式和能力结构。 AI 将我们从重复的、模式化的工作中解放出来，成为我们最强的帮手： 在编码层面：AI 编程工具（如 Cursor）极大地提升了 CRUD、单元测试、胶水代码的编写效率。以我自己的经验，常规业务接口的开发效率可提升 50%~70%，尤其是样板代码和重复逻辑的生成，AI 表现出色。在架构层面：AI 正在催生新的应用范式，比如智能体（Agent）驱动的自动化业务流程，后端需要提供更灵活、更原子化的能力接口。传统的"大而全"接口正逐步拆解为可被 AI 调用的原子化能力。在运维与排障层面：AI 可以辅助分析日志、监控告警，甚至预测系统瓶颈，让问题排查更智能。例如，基于 AIOps（智能运维）的工具可以自动分析异常日志模式，定位根因。

AI 让后端工程师能更专注于业务建模、复杂系统设计和架构决策这些更具创造性的核心工作。并且，AI 同样能够辅助我们更好地完成这些事情。 拿我自己来说，我经常会和 AI 讨论业务和技术方案，它总能给我不错的启发——尤其是在需求拆解和技术选型时，AI 能提供多角度的思考。

你觉得 AI 会淘汰初级程序员吗？

短期内不会淘汰，但会彻底改变初级程序员的能力结构。 以前初级工程师的价值在于： 写 CRUD 增删改查写基础接口写 SQL 查询语句写基础工具类/配置 现在这些工作 AI 都能做得很好，甚至更高效、更少出错。但这并不意味着初级程序员会被淘汰——而是他们的价值创造点发生了迁移。 未来初级工程师需要具备： 需求拆解能力：将模糊的业务需求转化为清晰的技术任务。业务理解能力：理解领域模型和业务规则，而不仅是"翻译需求"。架构感知能力：理解系统整体架构，知道自己代码在系统中的位置。Prompt 表达能力：能精准地描述问题，从 AI 获取高质量答案。 AI 让编程门槛变低，但对"理解能力"的要求反而更高。未来的初级工程师更像是一个"AI 协调者"，而非单纯的"代码编写者"。 从企业招聘角度看，纯编码能力的需求会减少，但对"能利用 AI 快速交付业务价值"的工程师需求会增加。

AI 带来的最大风险是什么？

我认为主要有三个层面：

1. 技术能力退化 过度依赖 AI 会导致工程师自身技术能力的退化，尤其是： 调试能力下降：习惯让 AI 排查问题，自身对底层原理的理解变浅。代码敏感度下降：对"好代码"和"坏代码"的判断能力变弱，甚至不知道什么是好代码。架构思维退化：长期只关注功能实现，忽视架构设计和扩展性。

2. 架构失控 AI 生成的代码往往关注"当前功能可用"，容易忽视： 模块边界：生成代码可能职责不清，导致模块耦合严重。技术债务：为快速实现功能，可能引入临时方案或反模式。一致性：不同 Chat 生成的代码风格和模式可能不一致。

3. 安全风险（尤其需要重视） 代码漏洞：AI 可能生成包含安全漏洞的代码（如 SQL 注入、XSS、权限校验缺失）。数据泄露：不当使用可能泄露公司代码、业务逻辑给外部模型（尤其是云端托管的 AI 服务）。供应链风险：AI 推荐的依赖包可能存在已知漏洞或恶意代码。密钥泄露：AI 生成的代码可能硬编码密钥、Token 等敏感信息。 因此我认为企业使用 AI 必须建立配套的安全治理体系： 强制代码审查：AI 生成的代码必须经过人工 Review 才能合并。自动化安全扫描：集成 SAST（静态分析）、SCA（依赖分析）到 CI/CD 流程。明确数据合规边界：规定哪些代码/数据不允许发给外部 AI，必要时使用私有化部署。访问审计：记录 AI 工具的使用日志，便于事后追溯。 你觉得未来 3 年后端工程师的核心竞争力是什么？ 我认为核心竞争力的焦点会从"写代码能力"转向以下四个维度：

4. 系统设计能力 AI 非常擅长生成单个功能的代码，但系统级设计仍需工程师主导： 服务拆分与模块边界划分微服务与单体架构权衡数据模型设计与一致性策略接口版本演进策略分布式事务与幂等设计

5. 复杂业务建模能力 过去我们说 AI 不擅长领域建模，但现在情况已经变了。AI 在需求拆解、规则梳理、场景推演等方面已经很强。 不过，还是需要工程师配合将业务规则转化为适合当前项目可执行的设计： 领域驱动设计（DDD）建模业务流程抽象与状态机设计边界上下文划分

6. 性能与稳定性治理能力 AI 生成的代码往往只关注功能，性能和稳定性需要深度优化： SQL 慢查询优化与索引设计缓存策略设计与一致性保障服务降级、熔断、限流方案容量规划与弹性伸缩 在性能治理阶段，我也会借助 AI 做方案对比与优化思路发散，但最终仍需通过压测与数据验证。

7. AI 协作能力 如何高效地与 AI 协作本身就是一种核心竞争力： 精准表达需求（Prompt 能力）拆分问题并引导 AI判断 AI 输出质量代码安全与合规校验结合 AI 工具链（如 Cursor 规则、自定义插件） 未来竞争的关键不再是“代码产出速度”，而是“系统设计质量”和“业务价值交付能力”。 大模型实战项目推荐 推荐一个基于 Spring Boot 4.0 + Java 21 + Spring AI 2.0 的 AI 智能面试辅助平台。系统提供三大核心功能： 智能简历分析：上传简历后，AI 自动进行多维度评分并给出改进建议模拟面试系统：基于简历内容生成个性化面试题，支持实时问答和答案评估RAG 知识库问答：上传技术文档构建私有知识库，支持向量检索增强的智能问答

项目地址 ： Github： github.com/Snailclimb/…$ Gitee： gitee.com/SnailClimb/…$ 

——转载自：JavaGuide