近兩年，幾乎每一場技術面試都會被問到這個問題：
「你平常怎麼使用 AI 開發？」
很多工程師的回答還停留在：「我每天用 Cursor」、「70% 程式碼是 AI 寫的」、「我 Prompt 寫得很好」。這些答案現在已經毫無鑑別度，因為大家都在用 AI。
技術主管真正想聽的，不是你用了哪些工具，而是你如何駕馭 AI，以及當 AI 出錯時，你是否有能力發現並守住系統底線。
以下內容全部來自我實際開發 多租戶 SaaS、租貸/金融流程、狀態機與金流系統，以及 legacy 重構、高壓 deadline 專案的真實經驗。
一、AI 在複雜系統中有明確的天花板
在簡單 CRUD 專案中，AI 看起來幾乎無所不能。 但在真正的 Production 系統（尤其是 SaaS + Multi-tenant + Financial Domain）中，它會明顯失效：
1. Multi-tenant 邊界問題（AI 最常犯錯）
- Background job 沒有帶 tenant context
- Cache key 未做 tenant 隔離
- ORM Global Scope 被 bypass
- Eager Loading 導致跨租戶資料外洩
這不是語法問題，而是系統邊界設計問題。
2. 金流 / 租貸狀態機複雜度 典型租貸流程：
申請 → 審核 → 撥款 → 還款 → 違約 → 追償AI 常見問題：
- State transition 缺少 invariant 檢查
- Retry 沒有 idempotency key
- 缺少 compensation / rollback 流程
- Event ordering 無法保證
AI 寫出來的東西「看起來合理」，但放到 Production 會出大事。
3. 系統一致性與分散式問題
- Eventual consistency 的 race condition
- Queue 重試導致 double execution
- Transaction boundary 不明確
- Partial failure 的恢復策略缺失
這些都是 architecture 層級 的問題，而非單純 coding。
二、我的核心定位：AI 是能力很強的 Junior Engineer
我把 AI 明確定位為「能力很強，但缺乏 domain context 的 Junior Engineer」。 因此我的開發方式不是「讓 AI 寫 code」，而是我先設好約束，AI 在約束內全力加速。
三、實務開發流程（面試時可直接分享）
Step 1：人類先定義 Domain Boundary（最重要） 獨立完成：
- Tenant isolation strategy
- Domain model（Loan、Repayment、Ledger、Risk）
- State machine 與不可逆轉規則
- Consistency boundary（Transaction vs Event）
這一步 AI 完全不參與。
Step 2：設計系統 Invariant（防 AI 犯錯的關鍵） 明確定義系統安全規則，例如：
- 同一筆 loan 不可重複撥款
- Tenant 資料不可跨 query 污染
- Ledger 必須 double-entry 平衡
- 所有 event 必須 idempotent
Step 3：AI 加速 Implementation 讓 AI 負責：
- CRUD API
- Service layer boilerplate
- Migration / Schema
- Validation / DTO
- Unit Test 初稿
- 重構建議
實際效果：開發效率提升約 2～3 倍。
Step 4：人工嚴格 Review（Architecture Review） 重點檢查：
- Tenant boundary 是否被破壞
- State machine 是否 drift
- Idempotency / Compensation 是否完整
- Failure scenario 是否涵蓋
- Async job 是否安全
Step 5：Production 驗證 Integration Test、Sandbox Replay、Shadow Traffic、Feature Flag 逐步 rollout（AI 幾乎不參與）。
四、面試推薦回答（建議直接背或微調）
當面試官問：「你平常怎麼使用 AI 開發？」可以這樣回答：
「我把 AI 視為 production development 的加速工具，但不是 system design 的決策者。 在開發多租戶 SaaS 或租貸金融系統時，我會先自己定義 domain model、tenant isolation 邊界、state machine 與一致性規則，這些是系統正確性的核心。 AI 則專注在 implementation layer，例如 CRUD、API skeleton、migration、validation 與 unit test，能讓效率提升大約 2～3 倍。 但 multi-tenant isolation、金流一致性、狀態機轉換與 retry/idempotency 等關鍵部分，我會全程主導設計與 review，因為這些錯誤在 production 是不可接受的。 AI 解決的是寫程式的效率，而工程師解決的是系統在 production 的正確性與風險控制。」
五、主管真正想評估什麼
- 你是否做過真正的複雜系統（multi-tenant + finance + state machine）
- 你是否有 System Thinking，而非僅限 function thinking
- 你是否敢為 Production 結果負責
六、結論：一句話總結
可以寫 code ≠ 工程師 可以用 AI ≠ 資深工程師 能定義 AI 不該碰的邊界、掌控複雜 domain 風險、並對 Production 結果負責 = 真正的工程能力
AI 時代，程式碼產出速度已經被快速拉平。 未來企業真正需要的，是能駕馭 AI、守住系統底線、並為長期穩定負責的資深工程師。
這篇文章不僅是面試攻略，更是我在多租戶 SaaS 與金融系統實戰中的心得分享。希望對正在準備面試、或正在導入 AI 開發流程的工程師有幫助。
如果你有類似經驗，歡迎留言交流！ 也歡迎轉發給正在準備技術面試的朋友。
沒有留言:
張貼留言