AI 编程工具面试题（Claude Code、Codex 等）高阶篇（二）

1. 讨论在闭源项目中，用 Codex 的 API 微调模型来学习私有代码库的利弊。答案利：能深度理解私有 API、内部约定，生成更贴合的代码。弊：成本高，需要高质量标注数据，模型更新时需重新微调，存在泄露私有代码的风险（即使微调模型也存在逆向可能），合规审批困难。大多数场景下，RAG 是更轻量的替代。追问：假如公司法律部门批准了微调，你会如何准备训练数据？追问参考答案：数据筛选：选择质量高、风格一致且包含详尽注释的核心库代码作为训练集。脱敏处理：移除所有硬编码密钥、客户数据、内部 IP 和域名。格式标准化：统一编码风格，确保训练数据一致性。构建指令-响应对：从 commit 历史和 PR 中提取“修改前→修改后”对，模拟编辑任务。质量清洗：移除包含已知 bug 的代码快照，确保模型学到最佳实践。划分验证集：保留部分内部代码不参与训练，用于评估微调效果和检测过拟合。2. 能否构建一个 VS Code 扩展，同时调用 Claude 和 Codex 进行代码评审并合并建议？