🧰 AI 编码工具个人项目 & 低代码案例(备一两个能讲)

说明

面试两次被问到:“有没有用 AI 编码工具自己做过什么小项目?” 和 “有没有自己做过 coze 之类的项目?“——你都卡住。这篇给你成套剧本:挑 2~3 个真能顺下来的讲,别编太远。


1. vibe coding 个人小项目(从”日常真实需求”里挑,最真实)

原则:别挑你不会的——选你能讲清”输入→处理→输出 / 技术栈 / 主动踩过什么坑”的。语气是”用 AI 帮我做生活/工作里的一个具体小工具”。

候选池(选 2~3 个,按你真实偏好挑)

  1. 批量文档转 Markdown/抽表格:一堆 PDF/Word → 用 AI 写脚本统一转 md、按规则分 chunk、抽表格。
    • 能讲:用什么(Claude Code/Python + 解析库)、处理多少份、输出去哪。
  2. 个人知识库(Obsidian)自动化:抓取/剪藏去重、按模板归类、定时整理。← 你在用的场景,最真。
    • 能讲:Obsidian Web Clipper + agent 维护 wiki(正好扣上 LLM-Wiki)。
  3. 一键 Markdown→PPT/海报(Marp):把笔记/大纲转成幻灯片或一张海报。
    • 能讲:Marp 插件 + 脚本,配出图。
  4. 本地 RAG 问答 bot:把自己笔记向量化 + 检索,做”问我的笔记”。
    • 能讲:embedding(bge-m3) + Milvus/纯文件 + 检索,和简历 RAG 呼应。
  5. 数据清洗/报表脚本:用 AI 写 pandas 洗 CSV、出图(matplotlib)。
    • 能讲:字段/去重/缺失处理 + 图表。
  6. 群/客服小机器人:接大模型 API 做个查知识、答疑小 bot。
    • 能讲:接 API + 简单状态管理 + 限流/重试。
  7. 网页/价格监控:定时抓页面变化,AI 概括成摘要推送。
    • 能讲:curl+cron/action + 用 LLM 总结。

怎么讲不虚:哪怕很小,也按「需求 → 我用了什么工具和模型 → 关键技术点(输入/处理/输出/踩了什么坑/怎么兜底)」交代清楚;讲”踩过的一个坑你怎么解决的”比讲功能更可信。

2. 低代码平台(Coze / Dify)案例

被问”有没有做过 coze 项目”时,挑一个能讲清”搭了什么流、解决什么问题”的。

候选池(选 1~2)

  1. 知识问答 / 客服机器人:上传知识库 + 大模型回复 + 引用来源。→ 强调”RAG 在低代码里的落地,我懂原理所以能讲清节点怎么搭”。
  2. 日报/周报自动生成工作流:接多人数据 → 模板化生成 → 定时推送。→ 强调”触发+模板+变量替换”。
  3. 文档问答 / 总结 bot:把长文档喂进去让它总结/抽要点。
  4. 数据查询助手:接 API/数据库,人能自然语言问数据 → 转查询 → 返回结果。→ 强调”工具调用/结构化输出”(扣 function-call + JSON 四件套)。
  5. 群运营机器人:定时话题、欢迎、问答、素材。

加分句式

“低代码平台我懂的是背后的原理(RAG/工作流/工具调用/JSON 约束),所以即使我没在 coze 上堆很多,也能讲清怎么搭、怎么调优——而我们 toB 自建就是用这些同样的思路。“


3. 业务向 & 二面深挖(这家偏业务)

  • 一面技术点二面会深挖:Multi-Agent State、RRF、蒸馏、subagent 权限、知识库多租户权限 → 预先把这几个做成”能讲 60 秒 + 能接追问”。
  • 业务准备:他们的”AI 同步工程师”重业务,很可能让你介绍之前的业务(如商家资质审核的业务流转:资质有哪些、审核规则、A/B 不可见、异常怎么兜)→ 把”需求-数据-方案-难点-结果”顺一遍你的业务。
  • 准备 1 个”给某个业务环节提一个能落地的 AI 优化方案”的即兴题。

4. 60 秒口述剧本(可直接背,挑与你有交集的认领)

⚠️ 诚实第一:以下按你已用的工具栈写的。没真做过的项目,投前拿 Claude Code 跑一遍再认领,被追问细节才站得住。

A. Obsidian 知识库自动化(vibe coding,最稳·你有真实践)

“我一直在用 Obsidian,日常剪藏、笔记很多。我用 AI 编码工具让 LLM 当’整理我的知识库的程序员’:把新丢进来的文章/剪藏,按统一模板生成摘要、自动归类、补双链,再更新一份 index。”

  • 技术要点:Markdown + [剪藏→md] → LLM 抽信息/打标签/写页/更新 index;Obsidian Web Clipper 收源。
  • 踩坑:一开始 LLM 乱建文件/双链乱——后来给它一份 CLAUDE.md 约定”目录结构+命名规范+必须更新 index”,就跑偏少了。
  • 收尾句:这就是”LLM-Wiki 模式”在个人层我的实践,也让我更懂怎么用 schema 约束 agent。(正好接住真题复盘 Q9)

A’.Obsidian 知识库自动化(贴身版,推荐主打)

就是你现在正在做的事:你在 Obsidian 里让 AI 助手(我这类 agent)帮你持续维护一套面试知识库——按主题归档、优化表述、补齐双链、更新 MOC 索引、给每题配”一句话记忆”。这道题直接讲真实过程,最有说服力。

60 秒口述(用你当下实况)

“我一直在用 Obsidian 管理知识,最近让 AI 编码助手帮我在里面维护一个面试知识库:我隔三差五把复盘/题目丢进主题文件,它帮我优化措辞、补双链、整理成统一结构、刷一遍索引。相当于一个我自己日常在用的 LLM-Wiki——Obsidian 是 IDE,AI 是帮我写和维护知识库的程序员。”

  • 技术要点:Markdown + frontmatter(tags/status) + wikilink + MOC 索引 + Dataview;Web Clipper 收源;版本管理(git)。
  • 踩坑:AI 一开始会建松散、命名不统一的文件、链接维护不到位——我给它一份 CLAUDE.md 约定”目录结构 + 命名规范 + 每篇要有模板和双链 + 更新 MOC”,并让它”能复用不新建、留一句话记忆”,跑偏就少了。
  • 收尾句:这既是我的日常工具,也让我真懂 agent 怎么被”约定/模板/索引”约束着干活——不是只用提示词糊一次。(同时回答 Q20 怎么提升自己 + Q9 LLM-Wiki + Q13/17 你用 AI 工具干嘛)

B. 批量 PDF/Excel → 结构化 Markdown(vibe coding,接你 RAG 简历)

“工作中常收到一堆 PDF/Excel,要转成可用文本、抽表格进知识库。我让 AI 编码工具写解析脚本:文本直接提,图片/表格单独提取并带位置信息,输出成结构化文本。”

  • 技术要点:Claude Code/Cursor + Python(mupdf/pdfplumber/pandas);文本块/图片块/表格块带 (type,page,索引) 元数据。
  • 踩坑:直接全量转文本会把表格和版式打乱、检索定位不准——后来分块提取保留元数据,才能引用到正确位置。
  • 收尾句:这就是我生产 RAG 前置解析的一个 mini 版。(呼应 05·Q2 多模态解析)

C. 本地 RAG 问答(vibe coding,呼应 Milvus+bge-m3)

“我想’问自己的笔记’,做了个本地检索问答:文档分 chunk + bge-m3 向量化 + 检索 topk + 大模型生成带引用的回答。”

  • 技术要点:Python + bge-m3 + Milvus/轻量本地检索 + 大模型 API。
  • 踩坑:纯向量召回会漏词法命中关键词——后来加 dense+sparse 混合 + RRF 融合,命中明显变好。
  • 收尾句:和简历里’召回 60→78%‘是同一套思路的小规模验证。(直接支撑你在 RRF 那道题上的可信度)

D. 客服知识问答 bot(Coze 低代码,讲”原理”而不仅是拖节点)

“我用 Coze 搭过一个知识问答 bot:传 FAQ/文档建知识库 + 大模型节点生成回复 + 带引用来源。我重点能讲的是背后原理——分块、检索、引用定位,而不只是会拖几个节点。”

  • 技术要点:知识库(分块/embedding) → 检索 → 生成+来源引用;后端是 RAG。(扣 05·Q2)

E. 日报/周报自动生成工作流(Coze/Dify,能接”数据查询”)

“搭过一个周报工作流:多人/多源内容输入 → 模板变量 → LLM 汇总成结构化周报 → 定时推送。结构化输出和触发是它的关键。”

  • 技术要点:触发(定时/按钮) + 输入收集 + 模板 + 结构化输出(JSON);可外接数据库/API 做成”自然语言查数据”。

相关笔记