一句话总结
AI 编程工具已进化出三种形态：IDE 内联补全（GitHub Copilot、通义灵码——行级/块级补全，快而浅）、对话式 Agent IDE（Cursor、Windsurf——跨文件理解与改动）、终端自主 Agent（Claude Code、Codex CLI——自主规划、改多文件、跑命令自验证）。面试官问"你怎么用 AI"，考察的不是用没用，而是任务边界怎么划、产出怎么把关、效率怎么证明。
初级理解
| 形态 | 代表工具 | 交互方式 | 擅长 |
|---|---|---|---|
| 内联补全 | GitHub Copilot、通义灵码、Codeium | 写代码时灰字建议，Tab 接受 | 样板代码、重复模式、单函数 |
| 对话 Agent IDE | Cursor、Windsurf | 对话框下指令，跨文件改代码 | 多文件功能、重构、理解陌生代码 |
| 终端 Agent | Claude Code、Codex CLI、Gemini CLI | 终端下达目标，自主规划执行 | 批量任务、跑命令自验证、工程级改造 |
面试必答的三句框架：① 我把 AI 当"高速初级搭档"——它写初稿我验收；② 补全工具用于高频小片段，Agent 用于成块任务；③ 所有产出走和人工代码同一套 review 与测试门禁。
中级深入
各形态的核心技巧：
- 补全：写好注释/函数签名再触发（提示即规格）；连续 Tab 前先读懂建议——接受错误补全是负效率的来源
- 对话/Agent：上下文引用是基本功——明确指定相关文件、报错信息、约定文档（Cursor 的 @file/@codebase、Claude Code 直接给路径），别指望模型猜
- 规则文件：把团队规范写进 .cursorrules / CLAUDE.md / copilot-instructions.md——技术栈约定、目录结构、代码风格、禁用库，一次沉淀全局生效，这是"用出团队水平"的关键
- Agent 模式：给目标+验收标准而不是步骤清单（"让测试全绿"优于"改第 3 行"），但改动范围要约束（限定目录，禁止动配置）
任务边界（高频追问）：适合 AI：样板代码、单测生成、正则/工具函数、陌生语言脚手架、日志分析、批量机械改造。慎用 AI：核心业务规则、安全相关代码（鉴权/加密/支付）、性能关键路径、需求本身还不清楚的任务。
高级拓展
团队落地（资深岗必谈）：
- 准入与安全：代码是否出域（合规红线）→ 选私有化或企业版；敏感仓库禁用云端补全
- 规范先行：规则文件进版本库随项目演进；AI 产出强制同一 PR 流程，不允许绕过 review
- 度量：看需求周期时间、返工率、变更失败率——不看"AI 生成代码行数"（行数是虚荣指标）
- 成本：按席位订阅 vs API 用量，Agent 模式 Token 消耗可观，要设预算
趋势判断（体现跟进度）：① 从"补全"到"Agent"——工具从建议者变成执行者；② 从单文件到任务级——给一段需求描述直接出 PR；③ MCP 生态让 Agent 直连内部系统（工单/数据库/CI）；④ 模型能力上仍需要人把关——"验证"成了工程师的新核心技能。
实战场景
场景一：接手陌生模块（AI 的最佳舞台）
场景二：写单测提效
场景三：哪些活不该交给 AI（面试加分案例）
面试模拟
Q：用 AI 编程工具，效率到底提升多少？怎么量化？
A：分任务诚实回答——样板代码/单测类提升明显（50%+），复杂业务逻辑提升有限（20~30%），因为思考占比高。量化看团队指标：需求周期时间、PR 返工率、单人并行任务数，而不是代码行数。补一句限定："提升的前提是把关到位，否则省下的时间会在调试和返工上双倍还回来。"
Q：Agent 模式改一堆文件，你怎么敢合并的？
A：三道闸：① 任务下发时限定范围（目录/文件清单）+ 验收标准（测试全绿）；② Agent 完成后我逐文件看 diff，重点审边界条件、异常处理和它"顺手"改的东西；③ 合并前跑完整 CI——单测/静态扫描/依赖审计，与人工代码同一标准。信任是流程给的，不是心情给的。
Q：都说初级岗位会被 AI 替代，你怎么看？
A：被压缩的是"无上下文的纯编码"，扩张的是"定义问题、验收与集成"。AI 让初级工程师的生产力曲线前移，但需求理解、架构取舍、线上责任无法外包。我的应对：把 AI 用到极致的同时，刻意保持"不借助 AI 也能写"的基本功——工具依赖和技能退化是两回事，管理好前者、警惕后者。