AI 开发相关面试题整理

. GPT / Gemini / Claude 各自什么脾性，怎么搭配多模型工作流

常见痛点：在同一个项目里使用多种模型时往往容易出现上下文污染、推理深度不足、工具调用不一致等问题。

主要答案

选型口诀： Claude 做事、GPT 审查、Gemini 塞料。

多模型协作架构：

// Claude Code ├── Tab A: feature/search 实施 ├── Tab B: feature/auth 实施 └── Tab C: 方案设计 / 架构评审Codex / GPT- └── 对 Tab A/B 产出做批判性 Review —— 不共享上下文。保证独立性

Pain Point: 如果两个 tab 同时修改同一文件，很容易产生冲突。方法是明确文件归属，并通过频繁 commit 与 merge review 来控制风险。说起来，

• 每个子任务只改指定文件。
• 完成后手动 merge，并检查冲突。
• 用 git diff 快速查看变更范围。
• 采用 WIP commit 确保功能完整后再合并。
• 保持 atomic commit，让审查更加清晰。
• 如果出现意外修改，可利用 git revert 或 git checkout 回退。
• 利用 pre‑commit hook 自动检查代码规范与安全风险。
• 使用 slash command 封装高频操作，如 /review 或 /writer。
• 在 CLAUDE.md 中写明项目级规范，让所有 AI 都遵循同一标准。
. .

🔧 Demo：用 OpenRouter 统一接入多模型

// openrouter-demo.ts —— 一个 key 路由到不同模型
// 运行：npx ts-node openrouter-demo.ts
const BASE = 'https://openrouter.ai/api/v1/chat/completions';const KEY = process.env.OPENROUTER_API_KEY!，说起来，async function callModel{
const res = await fetch(BASE,{
method的观点是，'POST',headers:{
Authorization:`Bearer ${KEY}`。'Content-Type':'application/json'
从},body来看，JSON.stringify({
model,messages:
})
});const data = await res.json;return data.choices.message.content as string;}
async function reviewWorkflow{
console.log;const implementation = await callModel(
'anthropic/claude-sonnet--'。`请实现以下功能，只输出代码：${task}`
);其实，console.log;老实说，console.log;const review = await callModel(
'openai/gpt-4o'。`请对以下代码做批判性 Review，列出潜在问题：
${implementation}`
);怎么说呢，console.log;
}
reviewWorkflow;}

💬 深追 Q&A 模拟

Pain Point: 如何保证不同模型互不干扰？答案是严格隔离上下文，仅传递必要信息给接下来。不过，否则会出现“偏袒”或“辩护”的问题。

#1 “你怎么保证两个模型不会互相影响，比如 GPT review 时不会被 Claude 的实现思路带偏？”

Caretaker: 关键是上下文隔离！ GPT review session只拿到最终代码产物，不拿到Claude 的思考过程和中间对话。话说回来，我的做法是Claude做完后把代码复制到新的 GPT session。prompt里只给代码 + “请独立批判性 review”，不带任何 Claude 的解释。不过，这样 GPT 是在用自己的视角评估。而不是在帮 Claude 辩护。

#2 “你说 Claude 指令跟随精准，能举个具体例子吗？不过，”

Caretaker: 我有个场景：让 AI只修改某一个函数。不要动其他文件，Claude 基本能严格遵守，GPT‑ 有时会“顺手”改几个它觉得有问题的地方。在多文件项目里这个差异影响很大，因为你不知道它改了什么review 成本就高了。

#3 “Gemini 超长上下文你实际用过吗，有没有掉坑？”

Caretaker: 用过把整个 repo 塞进去问架构问题。坑是这方面，context 越长。模型越容易“迷失”，对早期信息的注意力下降。实测超过 万 token 后回答准确性明显下降。所以我不会无脑塞，会先做文件筛选，只塞相关模块。

. AI 上下文治理

说到"痛点一"，上下文污染导致 AI 持续记仇；"痛点二": 大量历史导致回答冗长；"痛点三": 子任务间泄漏导致安全隐患。"这些都是工程师最头疼的问题。"

主要答案