real-company-interview-ai-coding-projects

本页保存的是公开项目资料快照，阅读过程不需要连接 GitHub。

真实公司面试 AI Coding 项目

本仓库整理了三道来自真实招聘流程的 AI Coding 项目题，并给出一套可以复用于限时笔试、Take-home Assignment 和现场结对开发的通用方法。

为保护隐私，本文做了以下处理：

• 不出现公司、面试官、招聘人员或业务客户名称。
• 题面经过匿名化和结构化改写，不是原始材料的逐字转载。
• 只保留能够说明工程能力的技术目标、约束和验收标准。

三道项目题

编号	项目	形态	主要考察	我的个人解法
01	Computer Use Agent Dashboard	Web + Agent + 隔离桌面	Computer Use、工具循环、会话隔离、可观测性、运行时可靠性	ai-agent-dashboard
02	React Native 截图行动 Agent	React Native / iOS，48 小时	多模态理解、结构化 Action、Human-in-the-loop、原生工具、Memory	ContactFlow
03	Jira 风格任务管理系统	Web，一日 MVP	需求取舍、CRUD、看板拖拽、本地持久化、时间线、交付质量	ForceTrack

三个解法仓库是我针对对应题目的个人实现，包含源码、设计文档、测试与实际交付记录。本仓库继续只保留题目复盘和方法论。

ForceTrack：真实 AI Coding 对话历史

查看 ForceTrack 从 PRD 到 Repo Wiki 的 24 个真实对话轮次

通用方法

AI Coding 项目通用解法 将整个过程拆成：

1. 需求澄清与范围冻结；
2. Starter / 现有仓库审计；
3. 数据、状态、工具与运行时设计；
4. 垂直切片和 AI 任务拆分；
5. 人工 Review 与自动化验证；
6. 限时取舍、演示和最终交付。

三道题共同在考什么

三道题表面上分别是 Agent、移动端和项目管理系统，实际都在判断候选人能否：

• 把模糊要求转成可验收的 P0 范围；
• 使用 AI 提高实现速度，同时保留自己的技术判断；
• 做出完整闭环，而不是堆页面或套一层模型 API；
• 处理状态、失败、恢复、权限、持久化和边界条件；
• 用测试、构建、演示和文档证明结果；
• 在时间有限时主动砍掉低价值范围。

真正拉开差距的通常不是代码量，而是：需求理解、架构边界、过程控制、验收证据和取舍能力。

阅读顺序

如果你准备类似笔试，建议先读三道题，再读通用解法。实际做题时，先复制通用解法中的需求矩阵、任务合同和交付检查清单，再根据题目删减。

说明

本文用于个人复盘、求职准备和工程学习。不同招聘流程的实际题面、时限与保密要求可能不同，请始终以你收到的正式材料为准。