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。