12、工具生态与岗位认知

Q12-1. 你常用哪些 AI 开发工具？各自适合什么场景？

比较稳的答法，不是罗列名字，而是按场景分层。

通常可以分成几类：

• 通用对话与研究类：例如 ChatGPT、Claude、Perplexity，适合快速验证想法、梳理方案、写初稿、做资料总结。
• AI 编码协作类：例如 Cursor、Claude Code、GitHub Copilot，适合读代码、改代码、补测试、解释代码库结构，重点看它是更偏 IDE 内协作，还是更偏终端里的代码库级 Agent。
• 低代码 / 工作流平台类：例如 Coze、Dify，更适合业务快速验证、工作流编排、知识库接入和多人协作。
• RAG / 知识库平台类：例如 RAGFlow，更适合文档导入、解析、切块、检索和引用链路验证。

如果放到真实项目里，通常不会只选一种工具，而是按阶段组合使用。比如前期用通用对话工具梳理方案，用低代码平台做 POC，用 AI 编码工具接手核心链路实现，后面再把评测、部署和可观测性补齐。

如果需要一句更像面试现场的话，可以直接这样概括：方案梳理和资料总结常用 ChatGPT、Claude 这类通用工具；代码实现和仓库级修改更偏向 Cursor、Claude Code、Copilot；业务验证和工作流编排更常用 Dify、Coze；知识库链路验证则更适合 RAGFlow 这类平台。

这类问题真正考察的，不是“用过多少工具”，而是是否形成了自己的工具分层心智，知道不同工具各自解决什么问题。

重要度：中频（出现次数：1次） | 难度：基础

**考察点：**工具生态认知，以及是否能按场景而不是按热度选工具。

**来源：**腾讯AI后台工程师一面（实际大厂面试题）

Q12-2. Cursor、Claude Code、Copilot 这类 AI 编码工具的差异该怎么理解？

可以将它们理解为“都在帮助开发，但协作位置和交互方式不同”。

• Cursor 这类工具更偏 IDE 内协作，适合一边看代码、一边补全、局部改写、基于当前文件或工作区做编辑。
• Claude Code 这类工具更偏终端里的代码库级 Agent，适合跨文件理解、执行命令、改一组文件、做更完整的任务闭环。
• Copilot 这类工具更偏轻量级代码补全和编辑辅助，优势通常在低打断、嵌入现有编辑器工作流。

因此，不宜简单判断谁更强，而应回到任务类型本身。如果是“边写边补全、快速改一段代码”，IDE 内工具体验更顺；如果是“要理解整个代码库、跑命令、跨文件修改、完成一个更完整任务”，终端型 Agent 更有优势；如果团队已经有稳定 IDE 习惯，轻量补全类工具的接入成本也更低。

还可以补一句：工具能力会持续变化，所以真正稳定的判断标准不是名字，而是它对代码库上下文的理解深度、执行边界、可控性，以及是否契合团队工作流。

重要度：中频（出现次数：1次） | 难度：基础

**考察点：**AI 编码工具的比较能力，以及是否有稳定的选型标准。

**来源：**腾讯AI后台工程师一面（实际大厂面试题）

Q12-3. 如果让你总结“AI 应用工程师”和“算法研究岗”的差异，你会怎么说？

可以概括为，AI 应用工程师更关注“把模型能力稳定、安全、低成本地交付到业务系统中”，而算法研究岗更关注“如何改进模型本身的能力边界”。

前者的核心工作通常是技术选型、RAG / Agent 架构、工具和数据接入、工作流编排、评测、部署、监控和业务闭环；后者则更偏模型训练、微调策略、数据构造、算法实验和指标突破。两者会有交集，但能力重点不一样。

重要度：低频（出现次数：1次） | 难度：基础

**考察点：**岗位认知是否准确。