代码理解：读懂、改对，还要能验证

最近审阅：2026-10 · 原创教学练习，不是任何公司的面试原题。

从零写一个解法，和接过别人写的代码，是两种练习。后者先要弄清原来的行为：输入怎么走、状态存在哪里、结果为什么不对。代码能跑，甚至大部分测试都绿，也不代表理解对了。

这页用一个很小的 embedding cache 和一个指标聚合例子练这件事。不需要 GPU、模型或外部服务。先读代码，写下预期，再运行；参考修复放在后面，不必一开始就打开。

先问清这一轮怎么考

读代码、排错这类环节，形式差别很大：有的能运行代码和测试，有的只能手工推演；有的允许指定的 AI 工具，有的完全不允许。同一个团队的不同轮次，规则也可能不一样。收到通知后，直接向 recruiter 确认：

• 这一轮要从零实现，还是阅读并修改现有程序？
• 能否运行代码和测试？使用什么语言、编辑器和资料？
• 是否明确允许 AI？只限哪一轮、哪个工具，哪些材料可以输入？

没有明确允许，就不要在正式面试里用 AI。读代码的练习也不能代替算法准备，LeetCode 仍要练。

拿到陌生代码，先看哪儿？

先问程序本来该做什么，再挑一个输入追到底。没必要从第一行开始逐字朗读，也别看到一个可疑写法就重构整个文件。

一个自然的开场可以是：“我先确认一下，相同文本换了模型版本，应该重新计算对吗？那我先追这两个调用，看看缓存 key 有没有包含版本。”

小练习一：换了模型，结果怎么没变？

约定先写清：单线程、进程内缓存；输入是字符串版本号与文本；编码器（encoder）返回一维数值 list；同一 (model_version, text) 的结果可复用。版本必须标识不可变的模型、tokenizer 和预处理配置，不能用不断指向新权重的别名。调用方修改返回的 list，不应改变缓存。教学接口允许空 list，不代表真实 embedding 服务一定允许。

下面是故意有问题的实现。先不修，预测最后两行的结果。

class BuggyEmbeddingCache:
    def __init__(self, encode):
        self.encode = encode
        self.values = {}

    def get(self, model_version, text):
        if not self.values.get(text):
            self.values[text] = self.encode(model_version, text)
        return self.values[text]


def encode(model_version, text):
    return [len(text), 1 if model_version == "v1" else 2]


cache = BuggyEmbeddingCache(encode)
first = cache.get("v1", "cat")
second = cache.get("v2", "cat")

编码器只是桩函数，数值不表示真实语义。按约定，first 应是 [3,1]，second 应是 [3,2]。实际两次都是 [3,1]：第二次只按文本命中了第一次的结果。

再看两个边界：first[0] = 99 后重新读取会怎样？如果编码器返回 []，重复请求会不会再次计算？把“缺失”和“值为假”混在一起、把可变对象直接交出去，是两个独立问题。

class EmbeddingCache:
    def __init__(self, encode):
        self.encode = encode
        self.values = {}

    def get(self, model_version, text):
        key = (model_version, text)
        if key not in self.values:
            self.values[key] = list(self.encode(model_version, text))
        return self.values[key].copy()

复杂度也要说明范围。字典查找平均 O(1) 不包括构造 / 哈希文本与复制长度为 D 的向量。命中路径仍有 O(D) 复制，字符串首次哈希可能随文本长度增长；未命中还要算编码成本。缓存内存随条目、文本和向量增长，不是 O(1)。

小练习二：每个 batch 都算对了，总分却不对

约定指标是全部有效 token 的平均 loss，padding 已排除。两个 batch 的 loss 为 [2,2] 和 [8]，目标值是 (2+2+8)/3 = 4。

def buggy_token_mean(batches):
    means = [sum(batch) / len(batch) for batch in batches if batch]
    return sum(means) / len(means)

它得到 (2+8)/2 = 5。不是浮点误差，而是每个 batch 权重相同，短 batch 中的 token 被看得更重。若指标本来就定义为 batch 均值，这不算 bug；本练习错在违背了前面的指标约定。

def token_mean(batches):
    total_loss = 0.0
    token_count = 0
    for batch in batches:
        total_loss += sum(batch)
        token_count += len(batch)
    if token_count == 0:
        raise ValueError("No valid tokens")
    return total_loss / token_count

继续：训练循环 · 数据与训练目标 · FSDP 与训练栈。

可以用 AI 时，怎样练才有意义？

练习时先写自己的判断，再让 AI 找反例。比如：“我怀疑 key 缺模型版本。请给一组能验证这个判断的输入，不改代码。”拿到它给的输入后，自己按代码走一遍；如果这组输入不符合前面的约定，要说明为什么不采用。

也可以让它给两个修复版本，再比较是否改变语义。例如为缓存加 TTL，并不能修复同一时间窗口里两个模型共用错误 key。加了复杂功能，不代表解决了原问题。

正式面试只用明确允许的工具和材料；不要把保密题目或公司的内部代码粘进未经许可的外部服务。AI 辅助不免除你解释改动、验证结果的责任，也不能代替自己写算法。

做一轮 45 分钟练习

从仓库根目录运行：教学代码同时保留了错误版和参考版，方便对照。先自己做，再看实现。

python3 interview/code/comprehension_lab.py
python3 -m unittest discover -s site/tests -p test_speedrun.py -v

后一个命令也检查站点页面，需要站点的常规测试依赖。没有完整仓库时，单独跑第一个文件即可，它只用 Python 标准库。通过这些小测试不代表测过真实模型、并发缓存或线上服务。

读完接着去哪儿

• 只剩一点准备时间：Speedrun。
• 算法轮仍不稳：LeetCode 方法。
• 想读更贴近工作的代码：vLLM / SGLang 请求链路，选一个模块追，不必从仓库第一行读起。
• Google 的代码审阅指南可用来练看设计、行为和测试；它是工程实践指南，不是本页练习或面试流程的官方认证。