人工智能应用技术_AICoding应用开发 - 在线考试测评模板

Q1:姓名

填空1

Q2:手机

填空1

:一、单选题(共60分)

Q3:AI Coding 最准确的含义是？

将生成式 AI、代码模型和工程工具用于软件研发流程

把所有业务需求改写成数学公式

只在代码编辑器中开启自动补全

只使用 AI 自动替代所有程序员

Q4:在 AI Coding 中，大语言模型生成代码的主要依据是？

只依赖固定语法模板

由编译器自动推导业务需求

训练中学习到的语言和代码模式以及当前上下文

只检索官方文档中的标准答案

Q5:关于 Token 的说法，正确的是？

Token 只能用于中文文本

Token 是模型处理文本和代码的基本片段单位

Token 只表示完整单词

Token 与上下文长度无关

Q6:上下文窗口在 AI Coding 中主要影响什么？

代码最终运行速度

模型一次能参考的需求、代码和文档数量

项目仓库的总文件数量

Git 分支的合并策略

Q7:AI 生成代码中出现不存在的 API 或库函数，通常属于什么问题？

模型幻觉

代码格式化

编译优化

缓存命中

Q8:RAG 在 AI Coding 场景中的主要作用是？

自动完成模型参数微调

通过检索项目资料增强模型回答和生成的准确性

直接跳过代码审查流程

替代所有单元测试

Q9:Embedding 在代码智能检索中的作用是？

把代码编译成机器码

删除无用注释

把文本或代码表示为向量以支持语义相似度检索

自动生成数据库索引

Q10:以下哪项最能体现 AI Coding 的工程化思维？

只要 AI 给出代码就直接上线

把报错截图发给 AI 后不再验证

禁用版本控制

要求 AI 生成代码后运行测试并进行人工审查

Q11:一个高质量代码提示词通常不需要包含哪一项？

项目背景

与任务无关的夸张角色设定

验收标准

目标和约束

Q12:给 AI 提供错误日志时，最有助于定位问题的是？

只提供项目名称

提供完整错误栈、复现步骤和相关代码片段

只说“代码坏了”

只要求重新写一遍

Q13:在让 AI 修改既有项目代码前，优先应做什么？

说明技术栈、目标文件、约束和不允许改动的范围

删除测试文件

让 AI 随机重构整个项目

隐藏错误信息

Q14:AI Coding 中“验收标准”的主要价值是？

替代需求文档

让代码不需要编译

让提示词更长

让生成结果可以被明确检查和测试

Q15:让 AI 解释陌生代码时，较好的提问方式是？

只给结论不要依据

请按模块、数据流和关键函数解释以下代码，并指出潜在风险

这是什么

随便说说

Q16:AI 辅助生成 SQL 时，最需要额外注意的是？

权限、性能、索引、注入风险和数据范围

是否使用统一命名风格

是否只返回部分字段

查询语句是否尽量简短

Q17:使用 AI 生成正则表达式后，合理的下一步是？

直接用于生产

关闭日志

用典型样例和边界样例测试

删除所有注释

Q18:AI Coding 与低代码平台的关系，正确的是？

都只能用于网页设计

完全相同

可能结合，但 AI Coding 更强调智能生成和研发流程辅助

互相排斥

Q19:代码补全类工具最适合解决的问题是？

替代安全审计

完成全部产品战略

根据当前上下文补全局部代码片段

自动决定组织架构

Q20:命令行编码 Agent 相比普通聊天机器人的典型优势是？

只能生成自然语言建议

可以读写文件、运行命令并根据结果迭代

不需要设置任何权限边界

可以完全替代人工验收

Q21:Agentic Coding 的常见循环是？

安装-配置-运行-关闭

计划-执行-观察-修正

检索-复制-粘贴-合并

输入-补全-提交-上线

Q22:工具调用（Tool Calling）在 AI Coding 中的意义是？

让模型通过受控接口调用外部能力

降低所有安全治理要求

禁止模型使用项目上下文

让模型脱离外部系统独立完成所有任务

Q23:AI Coding 中使用沙箱环境的主要原因是？

自动提升模型推理能力

自动生成完整需求文档

限制不可信代码或命令的影响范围

提高代码可读性评分

Q24:企业落地 AI Coding 时，最不应该忽视的是？

取消代码评审

权限、审计、数据安全和代码质量治理

删除版本控制

让所有人共享同一个密钥

Q25:把公司源代码发送给外部 AI 服务前，首先应确认什么？

公司数据安全政策、脱敏要求和服务合规条款

模型是否支持多轮对话

生成速度是否足够快

提示词是否足够简短

Q26:提示注入攻击在 AI Coding 中可能造成什么后果？

只会降低回答速度

模型忽略原始约束并执行恶意指令

只影响输出文本格式

仅导致代码注释增多

Q27:AI 生成依赖包安装命令时，开发者应重点检查什么？

安装日志是否完整

依赖名称是否易记

命令是否足够简短

依赖来源、版本、许可和安全漏洞

Q28:单元测试的主要目标是？

验证单个函数或模块在预期输入下的行为

评估模型生成速度

改变项目使用的编程语言

替代所有用户验收测试

Q29:端到端测试（E2E）更关注什么？

变量命名是否统一

模型上下文是否足够长

完整用户流程是否按预期工作

代码文件是否足够短

Q30:静态代码检查工具主要用于发现什么？

用户是否接受新功能

业务指标是否达成

部分语法、风格、潜在错误和质量问题

运行环境是否自动扩容

Q31:类型检查对 AI 生成代码的价值是？

生成接口文档

提高模型响应速度

压缩运行日志

发现类型不匹配等问题，减少运行时错误

Q32:AI 生成测试用例时，除了正常路径，还应覆盖什么？

只测试示例数据

边界条件和异常路径

仅覆盖最常见输入

只验证代码是否能启动

Q33:使用 AI 进行代码重构时，最重要的原则是？

保持外部行为不变并有测试保护

尽量改动所有文件

不看业务逻辑

删除所有历史记录

Q34:让 AI 生成 API 接口代码时，应明确哪类信息？

接口文件的排序方式

开发环境的编辑器类型

代码生成工具名称

请求方法、路径、参数、鉴权、返回结构和错误码

Q35:AI Coding 中的代码审查应重点关注什么？

注释数量是否越多越好

代码行数是否越少越好

代码能否运行，以及安全、性能、可维护性和业务正确性

文件名是否足够短

Q36:CI/CD 在 AI Coding 流程中的价值是？

自动执行构建、测试和部署流程，形成质量门禁

替代产品需求评审

让模型完全不需要项目上下文

隐藏失败日志以减少干扰

Q37:Dockerfile 由 AI 生成后，应重点检查什么？

注释是否足够详细

构建日志是否全部保留

文件名是否符合团队偏好

基础镜像、依赖安装、端口、权限和安全配置

Q38:AI Coding 中“代码库索引”的主要目的是什么？

自动删除未使用代码

替代代码评审流程

让模型更快找到相关文件和上下文

直接生成生产部署环境

Q39:AST（抽象语法树）在代码工具中的用途是？

管理接口权限

存储运行日志

部署服务实例

以结构化方式分析和转换代码

Q40:LSP（Language Server Protocol）主要提供什么能力？

数据库自动备份

跨编辑器的语言智能服务，如跳转、补全、诊断

网页资源压缩

模型训练数据清洗

Q41:在 AI Coding 中处理长需求文档的合理方法是？

分块、摘要、检索并保留关键约束

只看第一行

完全忽略

随机删除一半

Q42:AI 生成前端页面后，除了看代码，还应验证什么？

组件数量是否最少

样式文件是否集中在单个文件

构建产物文件名是否最短

真实浏览器中的布局、交互、响应式和可访问性

Q43:可访问性在前端 AI Coding 中包括什么？

只使用复杂动画

语义标签、键盘操作、对比度和辅助技术支持

禁止表单标签

隐藏所有文字

Q44:AI 生成后端鉴权代码时，必须重点验证什么？

接口注释是否足够长

登录页面是否使用统一样式

认证、授权、Token 过期、权限边界和异常处理

配置文件是否按字母排序

Q45:AI 生成密码处理逻辑时，正确做法是？

用 Base64 当作加密

把密码写入日志

所有用户同一密码

使用安全哈希算法加盐存储，不保存明文密码

Q46:AI 生成日志代码时，应避免什么？

记录密码、密钥、身份证号等敏感信息

记录请求 ID

记录服务启动信息

记录错误上下文

Q47:AI 生成的代码如果通过了编译，是否一定业务正确？

不一定，还需要测试、审查和业务验收

一定安全

一定正确

一定高性能

Q48:在人机协作编程中，开发者最核心的职责是？

提出清晰目标、审查结果并承担最终质量责任

关闭所有测试

完全不看代码

只复制粘贴

Q49:AI Coding 最适合优先落地的企业场景通常是？

重复性强、规则明确、可验证的研发任务

完全没有需求的任务

无法测试的核心决策

Q50:评估 AI Coding 效果时，较合理的指标是？

开发周期、缺陷率、测试覆盖、审查返工和满意度

代码行数越多越好

提示词越长越好

聊天次数越多越好

Q51:AI 生成代码文档时，最需要避免什么？

补充示例

文档与实际代码行为不一致

说明输入输出

说明限制条件

Q52:在 AI Coding 项目中，版本控制的作用是？

记录变更、支持回滚、协作和审查

隐藏历史

替代测试

让 AI 自动变聪明

Q53:当 AI 修改失败并引入多个无关改动时，较好的处理方式是？

直接覆盖原有实现

缩小任务范围，基于差异审查并逐步修正

忽略测试失败继续合并

继续扩大改动范围

Q54:多文件任务中，为 AI 提供文件结构的价值是？

改变语言语法

帮助模型理解模块边界和依赖关系

替代运行环境

增加噪声

Q55:AI Coding 中“最小可行修改”的含义是？

只改注释

一次重写整个系统

删除所有旧代码

用尽可能小且聚焦的改动满足需求

Q56:当需求模糊时，AI Coding 的第一步更应该是？

只换框架

跳过需求

立即写大量代码

澄清目标、约束和验收标准

Q57:AI 生成数据分析代码时，应验证什么？

脚本文件名是否统一

图表标题是否足够简短

代码是否只使用一种库

数据口径、缺失值处理、统计逻辑和可视化是否准确

Q58:企业内部代码助手接入知识库时，应重点设计什么？

权限隔离、来源引用、更新机制和审计日志

关闭访问控制以提高效率

固定返回模板

统一回答长度

Q59:私有化部署代码模型的常见动机是？

让代码不需要版本控制

自动消除所有漏洞

保证永远无需测试

提高数据安全、合规和可控性

Q60:模型微调在 AI Coding 中更适合解决什么问题？

替代所有上下文检索

让模型适应特定领域风格或任务模式

自动保证代码无缺陷

自动补全缺失业务需求

Q61:相比微调，RAG 的一个优势是？

不需要准备任何知识来源

可以替代权限系统

知识更新更灵活，能引用最新项目资料

可以保证检索结果总是正确

Q62:以下哪项不是 AI Coding 的合理目标？

在不验证的情况下保证所有代码零缺陷

辅助理解复杂代码

生成测试和文档草稿

提升重复性研发任务效率

:二、多选题(共30分)

Q63:AI Coding 的应用场景包含以下哪些？

调试与修复

人工完全退出质量责任

代码生成

需求拆解

测试生成

Q64:一个面向代码生成的高质量 Prompt 通常应包含哪些要素？

验收标准

任务目标

与任务无关的背景信息

约束条件

项目上下文

Q65:AI 生成代码后，常见验证手段包括哪些？

只根据代码行数判断质量

人工代码审查

执行类型检查

运行端到端测试

运行单元测试

Q66:企业使用 AI Coding 时，可能涉及的安全风险包括哪些？

源代码泄露

普通代码格式不一致

引入漏洞依赖

密钥泄露

提示注入

Q67:RAG 系统在代码问答中通常包含哪些组件？

人工手动逐条复制答案

检索器

向量化

生成模型

文档或代码切分

Q68:Agentic Coding 工具可能调用哪些外部工具？

未经授权的个人隐私数据

终端命令

测试框架

文件读写

浏览器自动化

Q69:让 AI 修复 Bug 时，适合提供的信息包括哪些？

与问题无关的个人信息

错误日志

复现步骤

期望行为