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
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
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
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
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？
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
相关代码
AI Coding 中可用于提升代码质量的工程措施包括哪些？
跳过版本控制
代码评审
静态扫描
测试覆盖率
CI 流水线
AI 生成前端代码后，应检查哪些方面？
可访问性
删除所有语义标签
浏览器兼容性
交互状态
响应式布局
AI 生成后端接口时，应明确哪些接口契约？
开发者个人偏好
返回体和错误码
入参结构
鉴权规则
请求路径和方法
以下哪些属于不当的 AI Coding 做法？
进行代码审查
忽略开源许可证要求
把密钥写进提示词
为关键逻辑补充测试
AI 生成后不验证直接上线
设计企业内部 AI 编程助手时，应考虑哪些治理能力？
敏感信息脱敏
访问审计
共享明文密钥
权限控制
知识库更新机制
AI Coding 对开发者能力提出的新要求包括哪些？
完全不需要编程基础
会审查 AI 输出
会拆解任务
会设计验证方法
理解安全合规
适合作为 AI Coding 入门项目的有？
简单数据可视化
待办事项 Web 应用
自动整理 Excel 脚本
不可测试的核心银行清算系统
调用大模型 API 的聊天页面
AI 生成 SQL 后应重点检查哪些内容？
权限和数据范围
是否存在注入风险
查询条件是否正确
索引和性能影响
语句是否使用统一大小写风格
使用 AI 做代码重构时，应具备哪些保护措施？
明确重构目标
随意改业务逻辑
运行回归测试
审查差异
保持外部行为不变
AI Coding 工具链可能包括哪些类型？
命令行 Agent
传统纯手工编码规范文档
IDE 插件
AI 原生编辑器
企业研发助手
衡量 AI Coding 落地效果时，可以关注哪些指标？
代码审查返工率
工具登录次数
开发周期
测试覆盖变化
缺陷率
AI 生成文档时，较好的要求包括哪些？
编造不存在的功能
说明输入输出
与当前代码保持一致
说明限制条件
说明使用方法
在长代码库中使用 AI 时，常见上下文管理方法包括哪些？
文件结构摘要
分批处理
只提供相关片段
语义检索
随机粘贴无关文件
AI 生成安全相关代码时，必须特别审查哪些内容？
输入校验
授权边界
认证逻辑
变量命名风格是否统一
敏感信息处理
测试 AI 生成函数时，应覆盖哪些用例？
边界输入
正常输入
异常输入
空值或缺失值
只测一个随机样例
构建代码生成 Agent 时，常见模块包括哪些？
记忆或上下文管理
结果观察器
无限制系统权限
工具执行器
任务规划器
AI Coding 中常见的人机协作模式包括哪些？
人工完全不理解直接发布
AI 运行检查，人工决定合并
AI 解释代码，人工判断
AI 生成草稿，人工审查
AI 生成测试，人工补充边界
保护企业代码资产的措施包括哪些？
访问权限分级
日志审计
私有化或专有环境
代码脱敏
把密钥贴到公开对话
AI 生成 API 调用代码时，应检查哪些异常处理？
响应格式变化
忽略所有错误
网络超时
限流返回
认证失败
AI 辅助数据分析时，可能需要核对哪些事项？
缺失值处理
脚本文件命名风格
统计口径
图表结论
数据来源
AI Coding 学习中应建立哪些基本习惯？
生成后运行验证
小步提交
先写清验收标准
记录问题和修正
只追求一次性大改
AI 生成的 Docker 或部署配置应检查哪些方面？
端口暴露
基础镜像安全
环境变量和密钥处理
用户权限
注释格式是否完全一致
以下哪些属于 AI Coding 的合理边界认知？
AI 生成的一切都可直接上线
高风险系统需要更严格审查
AI 输出需要验证
AI 可能误解业务
AI 适合辅助而非无条件替代工程判断
AI Coding 的目标之一是提升研发效率，但仍需要工程验证。
只要 AI 生成的代码能编译，就一定满足业务需求。
提示词中给出明确约束和验收标准，有助于提升 AI 输出可用性。
RAG 可以帮助模型利用项目文档和代码库中的相关信息。