面试聊代码质量，怎么从“我觉得”变成“有维度”？

有篇讨论AI生成代码的帖子提到，LLM写的代码在形式上几乎完全正确，但这不代表它没有引入不必要的抽象、重复或糟糕决策。作者还给出两个观察角度：verbosity衡量重复和冗长行的数量，erosion衡量代码库质量是否集中在少数大而复杂的函数里。消息提到，在一项名为SlopCodeBench的评估中，agent生成代码的平均verbosity和erosion约为人类代码的两倍。

面试里被问“你怎么保证AI生成代码的质量”，如果只答“我会仔细review”，基本等于没答。更稳的做法是主动把质量拆成可讨论的维度：重复行比例高不高、复杂度是不是堆在少数函数里、命名和抽象层级是否一致。这些维度不需要你报出精确数字，但能说明你观察代码时看的是什么。

被问AI生成代码靠不靠谱，怎么答不踩坑？

可以承认一个前提：形式正确不等于决策正确。AI可能把同一段逻辑复制三遍，也可能把所有分支塞进一个巨型函数，单测全绿但维护成本已经上去了。素材里作者的观点是，让LLM评判自己写的代码，不能替代正规评估——这句话在面试里可以转述成：我不会只让模型自评，会结合人工审查和可观察的指标。

注意别把话说满。这些指标是否被公司用于招聘或绩效，素材没有说明；工业界采用程度也不清楚。所以回答时可以说“我关注这类信号”，而不是“我们公司用这套指标考核”。如果面试官追问工具，坦白说还在了解、会先看团队现有规范，比硬编一个不存在的系统更安全。

没有量化工具，面试怎么证明自己在意代码质量？

准备一个具体例子。假设场景：你用一个周末做了个[实际记录]的小工具，后来发现某个文件里重复的校验逻辑出现了多次，于是抽成一个函数并补了测试。讲的时候说清楚：你怎么发现的、改之前什么样、改之后哪里变简单了。不要编造“效率提升40%”这类数字，除非你真有记录。

两类回答方向可以对照：一类人只讲“我让AI写完后自己看一遍”，另一类人会讲“我盯的是重复和复杂度有没有随迭代变差”。后者更容易让面试官相信你有质量意识。读岗位描述时，如果对方写“关注代码可维护性”，可以追问团队有没有review清单或静态检查规则，这比猜更有效。

一个实际可做的小建议：下次用AI写完一段代码，先别急着提交，花两分钟找找有没有重复行、有没有哪个函数明显比别人长。把这两分钟的发现记下来，面试时就是现成的例子。