# 1. Vibe Coding（氛围编程）与规范驱动开发（Spec-Driven Development）的边界中什么场景可以放手给 AI，什么场景必须人工主导？ A 所有代码都应交给 AI 自主生成，无需人工干预 B Vibe Coding 比 SDD 更适合生产级核心系统 C SDD 只适用于前端项目，后端项目不能用 D 低风险、可快速验证的原型可放手给 AI，高风险业务核心必须人工主导并加 spec 约束 ✓ 正确答案
# 2. AI 生成代码的"验收标准"如何定义，编译通过之外还需哪些质量门禁？ A 只要编译通过即可合并，因为 AI 生成的代码语法必然正确 B 编译通过只是最低门槛，还需测试、静态扫描、安全与人工评审等门禁 ✓ 正确答案 C 静态扫描门禁可以替代人工 code review D 覆盖率 100% 就代表代码质量有保证
# 3. 如何为 AI 编程设置"上下文边界"（仓库范围/依赖范围/安全范围）？ A 上下文边界应限制仓库范围、依赖范围与安全范围，防止越权与噪声 ✓ 正确答案 B 应把整个仓库全部注入给 AI，上下文越多生成越准 C 安全边界只是安全团队的职责，与开发无关 D 上下文范围越窄越好，完全不看代码生成质量最高
# 4. AI 生成代码的责任归属与追溯中缺陷与安全事故由谁负责，如何通过复核记录与来源标记明确责任链？ A 责任归于引入并确认代码的人，通过来源标记与复核记录形成责任链 ✓ 正确答案 B AI 工具平台承担全部责任，开发者无需负责 C 只要用了 AI 生成代码，责任就自动转移给 AI 厂商 D 审查者永远免责，因为 AI 出错不是人的错
# 5. 讲一次你用 AI 工具（Copilot、Cursor、Claude Code）生成代码后通过 Code Review 发现质量问题的经历 A AI 生成代码不需要 review，因为其正确性有保证 B review 只关注代码风格即可 C 人工 review 应重点核对边界条件、异常处理与业务语义，因为 AI 易在这些地方出错 ✓ 正确答案 D AI 生成代码边界错误需由测试全权兜底，与人工无关
# 6. 讲一次你建立"AI 代码审查规范"（Prompt 模板、Code Review 标准）的具体过程 A 只需写一个 Prompt，无需结合团队历史缺陷 B AI 审查规范一旦建立就无需迭代 C 应基于历史缺陷分类设计审查清单，并固化为 Prompt 模板与标准 ✓ 正确答案 D 审查标准只对 AI 有效，对人工无意义
# 7. 讲一次你用 AI 工具生成代码后通过"红绿重构"（TDD）验证正确性的实践 A AI 生成代码无需测试，直接可用 B 红绿重构会降低 AI 生成代码的效率，应避免 C TDD 只适用于手工编写的代码 D 通过先写测试、跑 AI 实现、重构优化，用测试证明 AI 代码的正确性 ✓ 正确答案
# 8. 讲一次你用 AI 工具辅助"代码现代化"（如 Java 8 → 21、Python 2 → 3）的实战 A 可直接让 AI 一次性重写整个项目，无需验证 B AI 迁移的代码一定与旧代码语义等价 C 代码现代化不需要测试，因为只是替换 API D AI 能快速枚举迁移点并生成候选，但需人工确认语义等价并用测试兜底 ✓ 正确答案
# 9. 讲一次你设计"AI + 人工协作"代码 Review 工作流的实践 A AI 审查通过后可直接合并，无需人工 B 人工 review 应完全替代 AI，二者不能共存 C AI 做首审与机械检查，人工聚焦架构与业务语义，最终由人工决策 ✓ 正确答案 D AI 意见应一律自动采纳以提升效率
# 10. AI 辅助编程时代"代码可读性"、"可维护性"标准是否需要变化 A 标准应降低，因为 AI 能自动处理不可读的代码 B 标准应强化人为中心的可读性，并增加重复度与架构一致性等约束 ✓ 正确答案 C 可读性只对 AI 有意义，对人无意义 D 可维护性标准应完全取消，交给 AI 自动维护
# 11. Cursor/Copilot/Claude Code 等工具生成代码的团队级质量门禁如何设计（测试覆盖、静态扫描、人工复核比例）？ A 只设测试覆盖门禁即可，无需静态扫描与人工复核 B 人工复核比例与代码风险无关，统一 0% C 用测试覆盖、静态扫描、人工复核分层组合，高风险代码强制人工复核 ✓ 正确答案 D AI 生成代码无需额外门禁，与人工代码同等对待
# 12. AI 生成代码的可维护性隐患中重复代码率上升与架构一致性漂移如何度量与治理？ A 重复代码无害，无需治理 B 架构一致性无法度量，只能靠人工猜测 C 通过重复率/复杂度门禁、架构守护工具与复用规范，可度量并治理 AI 引发的漂移 ✓ 正确答案 D AI 生成代码天然不会产生重复，无需担心
# 13. AI 生成代码的 License 与合规风险如何审查（训练数据、代码许可证）？ A 应通过许可证扫描、来源标记与来源比对，识别并规避传染性许可风险 ✓ 正确答案 B AI 生成代码不含任何版权，无需审查 C 只要编译通过就代表合规 D 许可证风险只存在于人工写的代码中
# 14. 如何评估 AI 编程助手的采纳率与代码质量影响（变更行数、缺陷密度、返工率）？ A 应结合采纳率、缺陷密度、返工率等多指标，并通过基线与对照组可信对比 ✓ 正确答案 B 只看采纳率即可，采纳率越高越好 C 质量影响无法量化，只能凭感觉 D AI 生成代码不影响缺陷密度
# 15. Prompt 的工程化中上下文选择、任务拆解与 prompt 版本管理如何提升生成质量与可复现性？ A 上下文越多越好，prompt 无需拆解与版本管理 B prompt 不可复现，无法管理 C 通过上下文选择、任务拆解与版本管理，可提升生成质量与可复现性 ✓ 正确答案 D 版本管理只对代码有意义，对 prompt 无意义
# 16. 讲一次你用 AI 工具生成"测试用例"并验证覆盖率的实践 A 覆盖率 100% 就代表测试质量有保证 B 用覆盖率工具统计并用变异测试/断言审查验证，避免 AI 生成假绿用例 ✓ 正确答案 C AI 生成的测试无需验证覆盖率 D 只要用例数量多，覆盖就充分
# 17. 团队如何沉淀 AI 编程的 Prompt/Skills 资产，形成可复用的工程规范？ A 经验无需沉淀，每人各写各的 prompt B Prompt 属于个人技巧，不应分享 C 沉淀的资产无法复用，价值有限 D 将验证有效的 Prompt/Skills 版本化并纳入评审，沉淀为可复用规范 ✓ 正确答案
# 18. AI 生成代码的来源标记中如何在提交中标记 AI 辅助生成，便于后续审计与度量？ A 标记无意义，AI 代码无需区分 B 通过 commit/PR/CI 标记 AI 来源，支撑审计、度量与责任追溯 ✓ 正确答案 C 标记只能靠人工自觉，无法自动化 D 来源标记会泄露代码，应禁止
