Q1：你日常怎么用 Cursor / Trae 做开发？两者有什么差异？
日常主要用 Cursor 做 IDE 内代码生成、重构、读存量项目，靠.cursorrules约束代码风格；Trae 更偏向端到端 Agent 任务，适合多文件联动、自动化工程任务。Cursor 擅长局部代码，Trae 适合长链路工程任务。
追问 1：你一般怎么写 prompt？有没有固定模板？ 采用目标 + 上下文 + 约束 + 输出格式模板。先说明任务，附上相关文件，明确禁止写法，要求输出代码 + 简要说明，减少 AI 自由发挥带来的幻觉。
追问 2：什么时候用 Agent 模式，什么时候只用代码补全？ 小功能、单文件修改用普通补全；跨多文件重构、接口联调、生成测试用例这类长流程任务，开启 Agent。Agent 会自动读取多个文件，但要控制范围，防止上下文过载。
追问 3：Cursor 的 @文件、@目录、.cursorrules你怎么配置？举个真实项目例子 .cursorrules放在项目根目录，定义架构规范、错误处理、命名风格、禁用写法。做后端接口开发时，@引入路由、实体类文件，让 AI 理解已有结构，避免造不存在字段。
追问 4：Trae 和 Cursor 在 AI 代理、上下文管理、本地代码理解上差别在哪？ Cursor 深度嵌入 IDE，上下文以当前打开文件为主；Trae Agent 自主扫描目录、多文件迭代，任务链路更长。代价是更容易跑偏，需要更强规则约束。
追问 5：AI 生成代码经常出幻觉，你在两个工具里分别用什么手段减少幻觉？ 统一用 rules 约束；给 AI 限定参考文件，不让它凭空假设；AI 产出后校验接口、依赖是否真实存在；复杂逻辑必须人工复核。
Q2：.cursorrules你写过哪些规则？规则生效原理是什么？
.cursorrules本质是项目级系统提示，每次对话自动注入上下文。我写过架构约束、代码规范、异常处理、禁止引入未验证依赖。
追问 1：rules 里包含哪些内容？架构约束、代码规范、错误处理？ 包含技术栈限定、代码分层要求、统一异常返回格式、单元测试编写规范，禁止直接拼接 SQL、禁止硬编码密钥。
追问 2：rules 什么时候会失效？遇到过 AI 无视 rules 的情况吗，怎么解决？ 上下文过长时 rules 容易被稀释。解决：精简 rules，把强约束放最前面；任务过大就拆成小任务；必要时在单次 prompt 重复强调核心规则。
追问 3：rules 和 MCP、Skill 的区别是什么，三者边界怎么划分？ Rules：静态提示约束，只改变输出风格，不能调用外部工具；Skill：封装好的业务任务；MCP：标准化协议，用来调用外部程序 / 服务。
追问 4：有没有针对不同模块做多套 rules？ 有，前端组件一套 rules，后端接口一套，测试脚本单独一套，不同模块分开约束，避免规范冲突。
Q3：简单解释 MCP、Skill、Rules 三者分别是什么，以及三者的定位和区别？
Rules：静态提示词，约束 AI 输出规范；Skill：封装好的业务任务单元，把固定流程打包；MCP 是模型上下文协议，是 AI 调用外部工具的标准化协议。
追问 1：MCP 全称是什么？核心解决什么问题？ Model Context Protocol。解决 AI Agent 调用外部工具的标准化问题，不用为每个工具单独写 Function Calling 逻辑。
追问 2：MCP Host / MCP Client / MCP Server 三者角色讲一下 Host：承载大模型的程序；Client：嵌入 Host，发起工具请求；Server：独立进程，提供工具能力（读文件、Git、执行命令），通过标准协议通信。
追问 3：Skill 和 MCP 工具能力有什么区别？Skill 是提示词封装还是可调用工具？ Skill 偏向任务流程封装，是提示词 + 执行逻辑；MCP 是底层工具能力。Skill 内部可以调用 MCP 工具完成任务。
追问 4：什么时候用 Rules，什么时候封装 Skill，什么时候接入 MCP？举项目选型案例 统一代码规范用 Rules；重复固定开发流程封装 Skill；需要 AI 读写文件、查 Git、执行脚本时接入 MCP。 追问 5：MCP 有哪些典型场景？你有没有自己写过 MCP Server 或者对接现成 MCP 服务？ 场景：读取项目文档、Git 操作、运行单测、查询数据库元信息。项目对接过现成 MCP Server，也简单开发过读取项目目录的轻量 MCP 服务。
Q4：讲一个你基于 MCP 做的 AI 辅助开发场景，完整流程是什么？
需求变更后，Agent 通过 MCP 读取 Git 变更、查看相关源码，生成代码，再调用 MCP 执行单元测试，输出测试结果；我再人工复核核心业务逻辑。
追问 1：这个 MCP Server 提供了哪些工具？ 文件读取、Git diff 查看、执行 jest 单元测试。
追问 2：权限怎么控制？MCP 调用会不会有安全风险（比如删文件、查数据库）？ MCP 服务做权限白名单，禁用 rm、drop 等高危操作；限制访问目录，敏感数据库不开放，所有调用日志留存。 追问 3：MCP 调用失败、返回脏数据，AI 怎么处理？ MCP 返回错误信息交给 AI，AI 重试或终止任务；同时设置最大重试次数，防止无限循环调用。
追问 4：和直接写 Function Calling 对比，MCP 优势在哪？ Function Calling 是模型侧紧耦合；MCP 是协议标准化，Server 独立进程，可跨模型复用，工具能力可以插拔，不用改模型代码。 追问 5：MCP 的上下文传递机制，会不会有上下文膨胀问题？ 会。只返回工具必要结果，不返回完整原始日志；大结果做摘要，控制传回模型的数据量。
Q5：Skill 范式你怎么理解？怎么设计一个开发类 Skill？
Skill 是把一类固定开发任务封装成独立单元，包含任务描述、示例、校验规则，可以被 Agent 调用。
追问 1：Skill 内部结构一般怎么组织？提示词、示例、校验逻辑？ 包含任务目标、输入输出格式、few-shot 示例、校验规则，部分 Skill 内部调用 MCP 获取外部信息。
追问 2：多个 Skill 之间怎么编排？串行还是并行？ 依赖型任务串行；无依赖任务可以并行。由 Agent 根据需求选择调用顺序。
追问 3：Skill 的版本怎么管理？更新 Skill 之后怎么验证效果？ Git 管理 Skill 配置文件；编写测试用例，每次变更后跑测试，验证输出是否符合预期。
追问 4：Skill 和普通 prompt 模板有什么本质区别？ Prompt 模板只是字符串替换；Skill 有独立版本、校验逻辑，可被 Agent 调度，是可复用的能力单元。
Q6：说说你的 AI 辅助开发完整工作流，从需求到提交代码
需求拆解 → 制定架构约束（rules） → AI 生成代码 → 人工审核核心逻辑 → AI 生成单元测试 → 人工复测 + 静态检查 → 提交 Git。
追问 1：需求阶段，你怎么用 AI 拆解需求、生成技术方案？如何防止 AI 理解错需求？ 把产品需求、领域文档一起喂给 AI，要求输出拆解清单；我校验拆解结果，有歧义点提前确认。
追问 2：AI 产出代码之后，你的 Review 清单是什么？ 校验接口 / 类是否真实存在；检查安全漏洞；确认业务逻辑；看依赖包版本；检查异常处理。
追问 3：AI 写的代码，单元测试是让 AI 生成还是自己写？如何校验 AI 写的测试用例？ AI 生成初稿，人工校验断言逻辑；跑一遍测试，确认用例真的能捕获 bug，不是单纯能跑通。
追问 4：代码提交前，怎么保证 AI 不会引入隐藏 bug、安全漏洞？ 静态代码扫描，人工审核业务逻辑；禁止 AI 直接提交代码，提交权限由人控制。
追问 5：项目变大后，上下文窗口不够，你怎么拆分任务，避免 AI 理解不全整个仓库？ 按模块拆分任务；只 @相关文件；使用 MCP 读取摘要信息，不一次性灌入全部源码。
Q7：AI 生成代码最大的几个风险是什么？你在项目里怎么规避？
三大风险：代码幻觉、安全漏洞、架构不合理。约束 AI 参考范围，人工复核核心逻辑，静态检查，限制 AI 高危操作。
追问 1：幻觉问题：AI 编造不存在的接口、库、函数，你怎么快速识别？ 编译 / 运行验证；核对项目内已有代码；查看依赖文档，确认 API 真实存在。
追问 2：依赖风险：AI 引入废弃 / 有漏洞的第三方包怎么处理？ AI 给出依赖后，我手动查版本安全报告；项目锁定依赖版本，不直接采纳 AI 推荐包。
追问 3：代码质量：AI 写出冗余、低性能代码，怎么控制？ rules 增加性能约束；要求 AI 加注释；人工做性能关键点审查。
追问 4：多人协作场景：团队都用 Cursor，怎么统一 rules、规范 AI 产出？ .cursorrules提交到仓库，全员共用；团队沉淀通用 Skill，统一 AI 产出标准。
追问 5：如果 AI 给出多个方案，你如何评估选型？ 从可维护性、性能、安全、业务适配度对比，优先选符合现有架构的方案。
Q8：AI 辅助开发会不会降低开发质量？你怎么平衡开发效率和代码质量？
AI 是提效工具，不能替代人。把重复、机械工作交给 AI；核心业务、安全逻辑必须人工把控。
追问 1：哪些代码坚决不让 AI 写核心逻辑？ 支付、权限校验、数据一致性这类核心业务逻辑，AI 只做初稿，人工重审甚至手写。
追问 2：什么场景适合交给 AI，什么场景必须手写？ 适合：CRUD、组件封装、测试代码、注释重构；必须手写：核心业务规则、高并发 / 安全模块。
追问 3：有没有遇到 AI 写出能跑但是架构不合理的代码？你怎么修正？ 有，AI 有时为了快速实现破坏分层。我会基于项目架构，修改结构，同时更新 rules 防止后续再出现同类问题。
Q9：如果让你搭建团队内部 AI 辅助开发平台，你会怎么设计？MCP、Skill、Rules 如何组合落地？
分层设计：底层 MCP 提供工具能力；中层封装各类开发 Skill；项目层用 Rules 约束输出；上层对接 Cursor/Trae；增加调用日志与权限管控。
追问 1：架构分层怎么划分？ 四层：模型接入层、MCP 工具层、Skill 能力编排层、项目规则层。 追问 2：如何做能力复用，避免每个人重复写 prompt/rules？ 把通用 rules、Skill 放到仓库统一管理，团队共享，按需引用。
追问 3：如何做效果评估，衡量 AI 辅助开发带来的效率提升？ 统计编码耗时、代码返工率、单元测试覆盖率变化，对比引入 AI 前后指标。
追问 4：权限、安全、审计怎么做？ MCP 做操作白名单；所有 Agent 调用日志记录；禁止 AI 直接操作生产环境。
Q10：对比 Function Calling、Agent、MCP，各自适用场景，优缺点？
Function Calling：模型内置调用能力，简单场景好用；紧耦合模型。Agent：多步骤自主完成任务，适合复杂工程任务，容易失控。MCP：标准化工具调用，跨模型复用，适合工程工具集成。 追问 1：MCP 和 Function Calling 能不能共存？ 可以共存，MCP 作为外部工具层，底层依然可以基于 Function Calling 实现调用。
追问 2：Agent 模式下，无限循环调用工具怎么限制？ 设置最大工具调用次数，超时终止，增加人工介入触发条件。
追问 3：MCP 协议有没有短板？ MCP 多进程通信会有额外开销；工具返回数据量大时，依然会产生上下文膨胀问题。
Q11：你怎么看待 AI 开发工具未来发展？Cursor 这类 IDE Agent 会取代程序员吗？
不会取代。AI 擅长代码生成、检索、重构；程序员核心价值是需求建模、架构设计、风险把控、业务决策。AI 会变成标配开发助手。
追问 1：程序员核心价值在哪里？ 定义正确问题，设计合理架构，识别隐性风险，保障系统稳定和业务价值。
追问 2：你觉得 AI 开发工具现在最大瓶颈是什么？ 长上下文下的一致性差，容易产生幻觉；对复杂业务隐性逻辑理解不足；Agent 自主执行的安全风险。