Agentic Coding 与 AI 编程工具面试题

一、Agentic Coding 概念

从 Copilot 到 Agent：编程辅助的三代演进

第一代：自动补全（2021-2022）
  GitHub Copilot → 行级/块级代码补全
  特征：被动、单次、无上下文理解

第二代：对话式编程（2023-2024）
  ChatGPT / Cursor Chat / Copilot Chat
  特征：可以对话讨论代码、解释和重构，但需要人指挥每一步

第三代：Agentic Coding（2024-2025）
  Claude Code / Codex CLI / Cursor Agent Mode
  特征：自主规划、多步执行、读写文件、运行命令、自我纠错

Agentic Coding 的定义：AI 不再只是"建议代码片段"，而是像一个初级工程师一样，能够理解需求 → 阅读代码库 → 制定方案 → 编写代码 → 运行测试 → 修复错误，形成完整的开发闭环。

核心区别：

Copilot 模式：人写代码，AI 补全 → 人是主体，AI 是工具
Agentic 模式：人提需求，AI 写代码 → AI 是执行者，人是审核者

Agentic Coding 的技术基础

长上下文窗口：能一次读取大量代码文件（200K token）
工具调用能力：读写文件、执行 shell 命令、搜索代码
推理与规划：分解复杂任务为多个步骤
自我纠错：运行测试发现错误后自动修复
代码理解：理解项目结构、依赖关系、编码规范

二、主流工具对比

核心工具矩阵

维度	Claude Code	Cursor	GitHub Copilot	Windsurf	Codex CLI
形态	CLI Agent	IDE (VS Code fork)	IDE 插件	IDE (VS Code fork)	CLI Agent
模型	Claude Sonnet/Opus	多模型（GPT-4o, Claude, etc.）	GPT-4o / Claude	多模型	OpenAI 模型
Agent 模式	原生 Agent	Agent Mode（Composer）	Copilot Agent / Spark	Cascade Agent	原生 Agent
代码理解	全项目索引	代码库索引 + @codebase	仓库索引	全项目索引	仓库理解
工具能力	文件读写、Shell、搜索	文件编辑、终端	文件编辑、终端	文件编辑、终端、浏览器	文件读写、Shell
扩展性	Hooks、MCP、自定义命令	Rules、MCP	Instructions	Rules	配置文件
定价	API 按量计费	$20-40/月	$10-19/月	$15/月	API 按量计费
适用场景	终端重度用户、复杂重构	日常开发、全功能 IDE	轻量辅助、已有 VS Code 用户	全栈开发	批量自动化任务

各工具特色

Claude Code：

纯命令行 Agent，与终端工作流无缝集成
深度理解项目上下文，擅长大规模重构
Hooks 机制（PreToolUse/PostToolUse）实现自动化审核
支持 MCP 扩展工具集
适合对终端熟悉、需要深度代码操作的开发者

Cursor：

IDE 级别的集成体验，支持 Tab 补全 + Chat + Agent
Composer 的 Agent 模式可以跨文件编辑
.cursorrules 自定义项目级指令
支持多模型切换（OpenAI、Anthropic、Google）
适合需要可视化开发体验的开发者

GitHub Copilot：

与 GitHub 生态深度集成（PR、Issue、Actions）
代码补全最成熟，延迟低
Copilot Workspace 支持 Issue-to-PR 自动化
企业版支持知识库和策略管理
适合 GitHub 重度用户和企业团队

三、Hooks 机制

什么是 Hooks？

Hooks 是 Agentic Coding 工具提供的事件钩子机制，允许在 AI Agent 的工具调用前后插入自定义逻辑（脚本、校验、通知等），实现自动化的安全审查和流程控制。

Claude Code 的 Hooks 系统

// .claude/settings.json
{
  "hooks": {
    "PreToolUse": [
      {
        "matcher": "write_file",
        "hook": "scripts/pre-write-check.sh"
      },
      {
        "matcher": "bash",
        "hook": "scripts/command-allowlist.sh"
      }
    ],
    "PostToolUse": [
      {
        "matcher": "write_file",
        "hook": "scripts/auto-lint.sh"
      }
    ],
    "Notification": [
      {
        "hook": "scripts/notify.sh"
      }
    ]
  }
}

Hook 类型：

Hook	触发时机	典型用途
PreToolUse	工具调用前	安全检查、命令白名单、文件保护
PostToolUse	工具调用后	自动 lint/format、日志记录、测试触发
Notification	Agent 需要用户注意时	桌面通知、Slack 通知
Stop	Agent 结束执行时	生成报告、提交代码

Hook 的输入输出：

输入：通过 stdin 接收 JSON，包含工具名、参数、文件路径等
输出：通过 exit code 控制行为（0=通过，2=阻止）；stdout 可注入反馈信息

#!/bin/bash
# pre-write-check.sh - 阻止修改关键文件
INPUT=$(cat)
FILE=$(echo "$INPUT" | jq -r '.tool_input.file_path')
if [[ "$FILE" == *"package-lock.json"* ]] || [[ "$FILE" == *".env"* ]]; then
  echo "禁止修改受保护文件: $FILE"
  exit 2  # 阻止工具执行
fi
exit 0  # 允许执行

Hooks 的价值

安全护栏：防止 AI 执行危险命令或修改关键文件
代码质量：每次写入后自动格式化、lint
合规审计：记录所有 AI 的代码修改操作
流程集成：自动触发 CI、通知相关人员
自定义策略：企业级部署中实现定制化的安全策略

四、AI 编程工具的架构设计

通用架构

Agentic Coding 工具分层架构

关键技术挑战

上下文窗口管理：大型代码库无法全部塞入上下文，需要智能检索
代码 diff 精准性：AI 生成的编辑必须精确定位，不能破坏原有代码
延迟优化：流式输出 + 投机解码 + 缓存
多文件一致性：跨文件重构时保证所有修改的一致性
沙箱安全：AI 执行 shell 命令的安全隔离

五、人机协作模式

Human-in-the-Loop（HITL）

1	AI 提出修改方案 → 人审核 → 确认/修改/拒绝 → AI 继续

特征：每个关键决策点都需人确认。安全但慢。适用：生产环境代码、安全敏感操作、学习阶段。

实现方式：

Claude Code 的交互式确认（每次文件修改/命令执行前提示）
Cursor 的 Diff 预览（Accept/Reject 每个修改）
PR Review 流程（AI 提 PR，人审核合并）

半自动模式

1	AI 在安全范围内自主执行 → 危险操作暂停等待确认

特征：通过权限配置划定自主范围。平衡效率和安全。适用：日常开发、信任度较高的场景。

实现：

Claude Code 的 allowlist（允许特定命令自动执行）
Hooks 机制（PreToolUse 决定是否需要确认）
权限分级（读操作自动、写操作确认、删除操作禁止）

全自动模式

1	AI 接收需求 → 自主完成所有步骤 → 输出结果

特征：无人干预，端到端自动化。高效但风险大。适用：CI/CD 环境、批量任务、低风险操作。

实现：

Codex CLI 的 full-auto 模式
GitHub Copilot Workspace 的 Issue → PR 自动化
沙箱环境中的自动化测试和修复

六、企业落地挑战

技术挑战

代码安全：敏感代码是否会泄露给模型提供商？私有部署 vs API 调用的权衡
代码质量：AI 生成代码的可维护性、性能、安全性如何保证？
上下文局限：大型单体仓库（数百万行代码）如何有效索引？
确定性：同样的需求每次生成不同代码，如何保证一致性？

管理挑战

技能退化：开发者过度依赖 AI 是否会导致编程能力下降？
责任归属：AI 写的 bug 谁负责？AI 写的代码的知识产权归谁？
度量困难：如何衡量 AI 编程工具的 ROI？代码行数不等于产出
团队差异：资深和初级开发者对 AI 工具的接受度和使用效果差异大

安全与合规

许可证风险：AI 生成的代码是否侵犯开源许可证？
数据合规：代码中包含的业务逻辑、密钥是否可发送到外部 API？
审计要求：金融/医疗等受监管行业对 AI 生成代码的审计需求

七、常见面试题与参考答案

Q1：什么是 Agentic Coding？它与传统的 AI 代码补全有什么本质区别？

答：Agentic Coding 是 AI 具备自主规划和执行能力的编程模式——AI 能理解需求、阅读代码库、制定方案、编写代码、运行测试、修复错误，形成完整开发闭环。与代码补全的本质区别在于自主性：补全是人驱动、AI 辅助（人写一行代码，AI 补全下一行）；Agentic 是人提需求、AI 执行（AI 自主决定读哪些文件、改哪些代码、跑什么命令）。

Q2：比较 Claude Code 和 Cursor 的架构差异和适用场景。

答：Claude Code 是 CLI Agent，在终端运行，无 GUI 依赖，深度理解项目上下文，擅长复杂重构和自动化，适合终端重度用户。Cursor 是 VS Code fork，提供完整 IDE 体验，集成补全+对话+Agent 三种模式，支持多模型切换和可视化 diff，适合需要图形界面和日常开发的用户。核心差异：Claude Code 偏"Agent 驱动"，Cursor 偏"IDE 增强"。

Q3：什么是 Hooks 机制？为什么在 Agentic Coding 中很重要？

答：Hooks 是在 AI 工具调用前后插入自定义逻辑的事件钩子。重要性：①安全护栏——PreToolUse 可以阻止危险命令、保护关键文件；②质量保障——PostToolUse 可以自动 lint/format/test；③审计合规——记录所有 AI 操作用于追溯；④流程集成——连接 CI/CD 和通知系统。没有 Hooks，AI Agent 就像没有刹车的汽车。

Q4：Human-in-the-Loop 和全自动模式各有什么优缺点？企业应该怎么选择？

答：HITL 安全但慢，每个决策需人确认，适合高风险场景（生产代码、安全敏感操作）。全自动高效但风险大，适合低风险场景（测试代码、CI 环境、格式化）。企业应采用分级策略：读操作自动执行、写操作需确认、删除/部署操作需多人审批。随着信任建立和安全机制完善，逐步扩大自动化范围。

Q5：AI 编程工具如何处理大型代码库的上下文限制？

答：①代码索引：预先对代码库建立 AST 解析和向量索引；②智能检索：根据当前任务动态检索相关文件和函数，而非加载全部；③分层上下文：项目级摘要 + 文件级详情 + 函数级代码；④增量更新：只加载变更相关的文件；⑤摘要压缩：对已读取的大文件生成摘要后释放原始内容。

Q6：企业部署 AI 编程工具的安全风险有哪些？如何缓解？

答：①代码泄露——代码发送到外部 API，缓解：私有部署或使用零数据保留协议；②密钥泄露——代码中的 API Key 被模型处理，缓解：pre-commit hook 扫描敏感信息；③恶意代码注入——AI 引入有安全漏洞的代码，缓解：自动化安全扫描（SAST/DAST）；④供应链攻击——AI 建议的依赖包可能有风险，缓解：依赖白名单。

Q7：如何衡量 Agentic Coding 工具在团队中的效果？

答：不能只看代码行数。合理指标：①任务完成时间（从 Issue 到 PR merge）；②PR 通过率（一次通过 vs 需要修改）；③bug 率（AI 生成代码的缺陷密度）；④开发者满意度（NPS）；⑤重复工作减少比例；⑥Review 时间变化。需要 A/B 测试对比有无 AI 工具的团队表现。

Q8：AI 编程工具的"代码幻觉"问题是什么？如何应对？

答：AI 可能生成看似合理但实际错误的代码——调用不存在的 API、使用过时的库版本、逻辑错误但语法正确。应对：①自动运行测试验证；②类型检查和 lint 作为 PostToolUse Hook；③代码 review 不可省略；④让 AI 在修改后自行运行测试并修复失败用例；⑤提供准确的文档和 API 参考作为上下文。

Q9：Copilot、Cursor、Claude Code 分别代表了什么不同的产品理念？

答：Copilot 代表"增强现有工作流"——嵌入已有 IDE，最小改变习惯，渐进式提升效率。Cursor 代表"重新设计 IDE"——以 AI 为核心重构编辑器体验，深度集成。Claude Code 代表"替代 IDE"——回归终端，AI 作为独立的编程 Agent，不依赖图形界面。三者从保守到激进，代表了 AI 编程工具的不同进化方向。

Q10：未来 Agentic Coding 可能演变为什么形态？

答：①多 Agent 协作——前端 Agent、后端 Agent、测试 Agent 协同开发；②需求到部署全自动化——从产品文档自动生成代码并部署；③自适应学习——AI 学习团队的编码风格和架构偏好；④AI 代码 review——AI 审查人类和其他 AI 的代码；⑤自然语言编程——非技术人员通过自然语言描述业务逻辑，AI 生成并维护代码。

Q11：如何在团队中推广 Agentic Coding 工具？常见阻力是什么？

答：阻力：①"AI 会取代我"的恐惧；②代码质量和安全担忧；③学习成本和工作流改变；④费用。推广策略：①从低风险任务开始（测试、文档、格式化）；②内部 champion 分享成功案例；③建立使用规范和安全指南；④量化效果（省了多少时间）；⑤强调 AI 是"放大器"而非"替代者"。

Q12：Agentic Coding 工具中，沙箱执行环境的设计要考虑什么？

答：①文件系统隔离——限制可访问的目录范围；②网络限制——控制 AI 能访问的网络资源；③命令白名单——只允许执行安全的 shell 命令；④资源限制——CPU、内存、执行时间上限；⑤回滚能力——支持撤销所有修改；⑥日志记录——所有操作可审计。Docker 容器或 VM 是常见的沙箱实现方式。