专业面试面经

自我介绍
询问项目具体做什么
你平常用ai写代码多吗
ai写的代码你觉得怎么样
你觉得现在各个领域最好用的模型分别是什么

6. 你知道SDD吗

在 2026 年的 AI 开发语境下，SDD 通常指 Spec-Driven Development（规格驱动开发）。

如果你刚才还在聊 Vibe Coding，那么 SDD 就是它的"解毒剂"或"进化版"。简单来说，Vibe Coding 是靠感觉和口语描述，而 SDD 则是通过极其精确、结构化的规格说明书（Spec）来约束 AI，确保它生成的代码不跑偏。

什么是 Spec-Driven Development (SDD)？

SDD 的核心理念是：规格即真理，代码是细节。

在传统开发中，文档往往是落后于代码的；但在 SDD 模式下，开发者（或架构师）的首要任务是编写一份 AI 能够完全理解的"合同（Contract）"。这份合同定义了：

Outcomes (目标)： 系统最终要实现什么。
Constraints (约束)： 性能、安全、架构模式（比如必须用微服务、必须用某个版本的库）。
Scope (边界)： 明确 AI 哪些能做，哪些绝对不能动。
Verification (验证)： 如何通过自动化手段确认代码符合规格。

为什么说 SDD 是 Vibe Coding 的进化？

维度	Vibe Coding (感觉编程)	SDD (规格驱动开发)
输入	模糊的自然语言（"弄个酷炫的侧边栏"）	结构化的规格文档（定义接口、状态机、安全性）
AI 角色	创意合作伙伴（容易产生幻觉）	严格的执行者（受规格约束）
质量控制	靠人工肉眼修 Bug	靠规格自动生成的测试和逻辑校验
适用场景	快速原型、个人小项目	复杂的工业系统、企业级架构

SDD 的核心工作流：四阶段闭环

在 2026 年的主流 Agent 框架（如 Cursor 的高级模式或新出的 Antigravity）中，SDD 通常按以下路径运行：

定义规格 (Specify)： 人类编写结构化的 .spec 文件。
生成测试 (Test Gen)： AI 根据规格自动生成单元测试和集成测试。注意：此时还没有写代码。
受控实现 (Implement)： AI Agent（Implementor）读取规格和测试，编写代码直到所有测试通过。
架构校验 (Verify)： 另一个独立的审计 Agent（Verifier）根据规格检查代码是否违反了架构原则（例如：是否引入了不该有的依赖）。

为什么 SDD 对你（AI/控制工程背景）很重要？

考虑到你正在做的"冰箱全生命周期管理系统"和工业专利，SDD 具有极高的实战价值：

应对复杂性： 工业系统（如 APS 调度、异常溯源）的逻辑极其严密，Vibe Coding 产生的随机性可能会导致严重的生产事故。SDD 能强制 AI 在你设定的因果逻辑框内工作。
可解释性： 专利和学术论文需要清晰的逻辑链。通过 SDD，你可以追溯代码的每一行是为了满足规格中的哪一条需求。
减少架构腐烂： 当你使用多个 Agent 协同开发时，SDD 充当了"宪法"的角色，防止不同 Agent 写的代码在风格和架构上打架。

其他可能的 SDD 定义

虽然在 AI 领域 SDD 很火，但在其他领域它还有以下含义：

Software Design Description (传统定义)： IEEE 1016 标准定义的软件设计描述文档，这是传统的工程规范，强调文档化。
Semantic Data Dictionary (语义数据字典)： 在知识图谱和数据科学领域，用于定义数据的含义和关联。
Synthetic Data-Driven (合成数据驱动)： 在模型训练中，指完全依靠合成数据进行 Fine-tuning 的策略。

总结一下：

现在的 SDD 已经从"写给人的文档"变成了"写给 AI 的执行指令集"。

在你的项目中，你有没有尝试过把你的业务流程解耦（Decoupling）逻辑写成一份详细的规格书，然后直接丢给 Cursor 这种 Agent 去自动实现整个模块？

你对MCP，Skill这些agent相关的领域有什么了解吗

在 2026 年的 Agent 架构演进中，MCP 和 Skill 是实现从"聊天机器人"向"自主智能体（Autonomous Agent）"跨越的核心组件。

作为算法工程师，我们可以从标准化协议 与功能解耦的角度来深度解析这两个概念。

1. MCP (Model Context Protocol) ------ AI 界的"USB-C"协议

MCP 是由 Anthropic 发起并迅速成为行业标准的模型上下文协议 。它的核心目标是解决 "N 个模型与 M 个数据源/工具" 之间的连接爆炸问题。

核心逻辑： 在没有 MCP 之前，如果你想让 Agent 读取你的本地文件、查询 GitHub 或者连接数据库，你需要为每个 Agent 编写特定的集成代码。MCP 提供了一个通用的底层接口（基于 JSON-RPC），让模型可以像插上 USB 接口一样，即插即用地访问外部数据源和工具。
三大支柱：
1. Resources（资源）： 提供数据的只读访问（如本地文件、数据库记录、API 文档）。
2. Tools（工具）： 允许模型执行的操作（如运行脚本、发送邮件、调用你的 3D 渲染引擎）。
3. Prompts（提示词模板）： 预定义的交互模式，帮助模型更好地理解如何使用这些数据。

2. Skills (技能) ------ Agent 的"肌肉记忆"

如果说 MCP 是连接的通路，那么 Skills 就是 Agent 经过封装的、原子化的执行能力。

定义： Skill 是将特定的逻辑、API 调用或复杂的工作流封装成模型可感知的"技能包"。在 Dify、LangGraph 等框架中，一个 Skill 通常包含：功能描述（Description） 、输入参数定义（JSON Schema）和执行逻辑（Code/API）。
从"工具调用"到"技能习得"：
- Level 1 (Tools): 模型只是被动调用 API。
- Level 2 (Skills): 模型理解在什么场景下组合哪些技能。例如，在你的工业异常溯源项目中，Agent 拥有"查询传感器日志"、"计算因果分数"、"生成自修复策略"三个 Skill，并能根据异常情况自主编排。

3. MCP 与 Skills 的协同效应

在 2026 年的工程实践中，这两个概念通常是配合使用的：

标准化扩展： 开发者通过 MCP Server 暴露大量的 Tools，而 Agent 框架将这些 Tools 经过 Prompt 包装后转化为 Agent 的 Skills。
生态互通： 比如你写了一个处理 3D 点云（Point Cloud） 的 MCP Server，任何支持 MCP 协议的 Agent（无论是 Cursor 还是你自研的工业智能体）都能瞬间"习得"处理 3D 资产的技能。

4. 站在算法工程师视角：为什么这很重要？

对于正在研究 VLM (多模态大模型) 和 工业互联网 的你来说，MCP 和 Skills 的价值在于：

具身智能的标准化： 你可以将底层的机器人控制指令（如 ROS 接口）封装为 MCP Tool。这样，你的 Qwen-VL 模型就可以直接通过标准协议操控机械臂。
解耦与复用： 你的"全生命周期管理系统"中，排程算法、异常诊断逻辑可以作为独立的 Skills 存在。当底层模型从 Qwen 换成 DeepSeek 时，这些技能逻辑无需重写，只需重新对接 MCP 协议即可。
解决"幻觉"： 通过 MCP 提供的实时上下文（Resources），模型可以基于你最新的生产线数据进行推理，而不是基于过时的训练参数，显著降低幻觉。