阿里AI编程面试实战：如何用大模型辅助但不依赖地完成Agent开发

2026-09-24 13:08 0 阅读

面试官真正在看什么

很多人以为AI编程面试是比谁调API快、谁生成代码多。其实完全不是。

以阿里巴巴这类公司的AI coding题目为例，面试官真正想考察的是：你能不能把一个模糊需求，拆成可交付的工程任务；会不会正确使用大模型加速开发，而不是无脑生成；有没有生产级开发意识——从需求、设计到测试、风险控制的完整闭环。

换句话说，他们要看的是：你在主导开发过程，AI只是你的助手。

如果你一上来就让模型“帮我写个完整的Agent”，那基本就挂了。正确的做法是按一个缩小版的标准研发流程推进：需求澄清 → 方案设计 → 模块拆解 → AI辅助实现 → 测试 → Demo → 风险与优化。

第0步：别急着编码，先理解题目

拿到题目后，先花3到5分钟完整阅读，提取关键信息：

这个Agent到底要做什么？
输入是什么？（用户输入、系统参数、外部数据）
输出是什么？（格式、内容、错误码）
哪些是必须完成的核心功能？
哪些是可选加分项？
在时间限制下，最小可交付版本（MVP）应该包含什么？

脑子里要形成一句话结论：先做一个能跑通主链路的MVP，再补异常处理、测试和文档。

第1步：让模型帮你结构化理解需求

不要直接让模型写代码。第一条提示词建议这样写：

请先不要写代码。我正在做一个AI coding面试题，下面是题目描述。请你先帮我完成以下任务：

提炼题目目标

明确输入、输出、约束条件

区分“必须完成”和“可选加分项”

给出一个最小可交付版本（MVP）范围

列出3-5个潜在风险点

给出建议的项目结构和开发顺序

要求：输出尽量结构化，不要直接生成完整代码，优先帮助我快速推进面试开发流程。

这一步的目的是快速完成需求收敛。拿到模型回复后，不要照抄，自己再整理一遍——这能体现你在主导，而不是被模型牵着走。

第2步：手写一份mini需求文档

即使题目没要求，也建议新建一个docs/plan.md文件，写一个简短的需求说明。你可以用这个模板：

# Agent Development Plan

## 1. Goal
实现一个【题目要求的agent名称/功能】。

## 2. Input
- 用户输入：
- 系统输入：
- 外部资源：

## 3. Output
- 预期输出：
- 输出格式：

## 4. MVP Scope
本次先实现：
1.
2.
3.

暂不实现：
1.
2.

## 5. Risks
1.
2.
3.

## 6. Acceptance Criteria
1.
2.
3.

你可以让模型帮你填充内容，但一定要做人工修改。比如模型可能写“支持多种输入格式”，你要改成“只支持JSON格式的用户查询”。这种细节调整能让面试官看到你的判断力。

第3步：做技术方案和模块划分

接着在docs/plan.md里补充设计部分：

## 7. High-level Design

模块划分：
- main: 程序入口
- agent: agent主流程编排
- tools: 工具函数
- prompts: prompt模板
- utils: 通用工具
- tests: 测试

主流程：
1. 接收输入
2. 校验输入
3. 调用tool获取外部信息
4. 组织上下文
5. 调用LLM
6. 后处理输出
7. 返回结果

让模型帮你做设计时，提示词可以这样写：

不要写代码，先帮我做技术方案设计。基于下面这个题目，请输出：

推荐的最小项目结构

核心模块及职责

主流程时序

哪些部分应该用确定性逻辑实现，哪些部分适合交给LLM

哪些风险要在设计层面规避

要求：面向Python项目，优先考虑AI coding面试场景，强调可快速实现、可测试、可解释，尽量不要过度设计。

这一步很关键，因为它直接体现你会任务拆解、懂Agent/tool calling、知道确定性逻辑兜底、有工程设计意识。

第4-5步：搭项目骨架和README

建议用这种轻量结构：

src/main.py
src/agent.py
src/tools.py
README.md
tests/test_smoke.py

然后写一个简洁的README，至少包含：

Overview：本项目实现了一个用于【题目目标】的Agent
Features：列出核心功能
Project Structure：说明每个文件的作用
How to Run：给出启动命令
Notes：当前版本优先实现MVP，后续可增强异常处理等

很多人跳过这步，但你做了会很加分——因为这展示了你的交付意识。

第6步：列TODO清单，按优先级开发

不要让模型“完成整个项目”。先让它输出一个可执行的开发TODO列表，按优先级排序：

请基于当前题目和以下项目结构，给我输出一个可执行的开发TODO列表，按优先级排序。要求：只保留最必要的任务，每项任务尽量小且独立，标注哪些任务需要优先完成。

通常正确的开发顺序是：

输入/参数定义
核心tool（确定性逻辑）
Agent主流程
LLM调用封装
输出格式处理
错误处理
测试
README收尾

第7-8步：先实现确定性部分，再审代码

永远先写确定性逻辑：参数校验、输入解析、工具函数、文件读写、网络请求、数据清洗、结果格式化。这些最稳定，也最容易测。

让模型生成工具函数时，提示词要具体：

请帮我实现一个Python函数【函数名】。功能要求：【功能描述】输入：【参数1】【参数2】输出：返回结构化结果

工程要求：

代码清晰、可维护

带类型注解

有必要的异常处理

不要写成脚本式代码

尽量方便后续写单元测试

如果需要，请补充简短注释

只输出该函数对应的代码，不要输出额外解释。

模型生成后，你自己先审一遍：函数签名清不清楚？返回值是否统一？有没有异常处理？能不能测？如果不好，就追问改进，而不是直接复制。

第9-10步：封装LLM调用和设计prompt

LLM调用层要单独封装，不要散在主流程里。提示词可以这样写：

请帮我实现一个简洁的Python LLM调用封装。要求：

封装成单独函数或类

输入为system prompt、user prompt

输出为模型文本结果

预留错误处理

保持代码尽量简单

用【题目提供的大模型调用方式】

只输出代码，不要解释。

Prompt也很重要，最好单独放。让模型帮你设计system prompt：

请为下面这个Agent任务设计一个稳定的system prompt。任务：【题目任务】要求：

明确agent的职责

明确禁止编造

如果信息不足，要明确说不知道

如果需要工具信息，优先基于工具返回内容回答

输出尽量结构清晰

prompt简洁，不要太长

只输出prompt内容。

如果涉及工具调用，还可以加一段tool usage policy，规定什么时候调用、失败时如何处理等。

第11步：实现agent主流程

这一步你要自己先想清楚流程，再让模型补代码。脑子里先有个伪代码：

receive input
validate input
call tool(s)
assemble context
call LLM
postprocess output
return result

然后提示词这样写：

请根据以下约束，实现一个简洁的Python agent主流程。任务目标：【题目目标】已存在模块：

tool函数：【列出函数名】

llm调用函数：【函数名】

prompt模板：【说明】

要求：

主流程清晰

先走确定性逻辑，再调LLM

对失败场景有基本处理

返回结构化结果

不要写太复杂的抽象

代码适合面试现场展示

只输出agent主流程代码。