在短短几年时间面试领域已经悄然发生了巨大的变化…以前面试:禁止用 AI。 现在面试:请你用 AI。 然后你发现题更难了。最近我刷到一堆消息越看越觉得后面大家可能不需要手撕了哈哈面试题的逻辑正在被整个翻过来翻得还挺彻底。但是我也觉得如果考使用ai的话也没那么简单。◆Google 被曝出在软件工程师面试里引入 AI 助手◆Meta 去年 10 月就开始试点 AI-enabled coding 面试◆Canva 直接写博客说他们不只是允许而是坚持要你用 AI◆连做测评平台的 Codility10 月更新里都在讲:面试官可以偷偷让面试里的 AI 埋一个 bug看你有没有发现今天将这几家的做法给拆开来看。最后整理 5 道很可能被问到的 AI 辅助面试题每道都附上答题思路。✦ ✦ ✦一、先看现状:大厂到底怎么考?1. Google:代码理解轮配 Gemini据 Business Insider 看到的内部文件Google 打算从今年下半年开始在软件工程师面试的代码理解轮里让候选人用上 AI 助手。这一轮的名字叫 code comprehension翻译过来就是代码理解。几个关键信息我列一下:◆评估的重点是 AI fluency。具体包括三块:prompt 能力、输出验证还有调试能力◆试点阶段用的助手是他们自家的 Gemini◆背景是这样的:Google 内部新增的代码里大概有四分之三已经是由 AI 生成的了这是截至今年 4 月的数据◆官方口径是人主导、AI 辅助。他们重点看的是你怎么去管理和改进 AI 生成的代码而不是看你手写◆试点范围是有限的。先面向初级到中级岗位在美国的部分团队跑效果好了再往全球扩◆同一轮改动里初级候选人的一轮技术面会被替换成解决开放式工程问题。你看这次不只是加了 AI连题型本身都在变◆Google 招聘副总裁 Brian Ong 对 Business Insider 表了个态大意是:这次试点是为了让软件工程面试更贴近团队在 AI 时代的真实工作方式注意这个轮次的名字叫代码理解。它不是让你从零写一个 LRU而是丢给你一个现成的代码库让你去读、去调试、去优化。这里有个容易误解的点我得单独说清楚:AI 只在确认参与试点的那一轮开放。如果你没被告知可以用那就别默认自己能用。2. Meta:一道长题AI 在旁边Meta 从去年 10 月就开始试点 AI-enabled coding 了。我翻了几个面经情况大概整理成这样:◆它替换掉 onsite 里两轮传统 coding 中的一轮这是针对 E6 及以下的。E7 和 M1 则只有一轮 coding而且就是 AI 辅助的那轮◆形式上也不再是两道互不相关的算法题了改成一道分阶段的长题◆面试环境里有 AI 聊天面板代码能跑还能切换模型。据面经整理可选的包括 GPT、Claude、Gemini、Llama 这些。这一点和 Google 形成了对比Google 那边只能用 Gemini◆候选人只能在面试环境里面用这个助手不是让你自带工具进去◆Meta 评估的依然是传统 coding 面试那四项能力并不是在考 prompt engineering。有的候选人进去之后几乎不怎么碰 AI◆还有一个很多人踩的坑就是跳过读题和读代码的阶段直接让 AI 上手去写Meta 当时给内部的说法是:这就更接近未来员工的真实开发环境了。同时呢它也让用 LLM 作弊这件事变得不那么有效。3. Canva:最彻底的一家Canva 的工程博客写得最透我把要点拆开给你看:◆Canva 近半数的前后端工程师是 AI 编程工具的日活用户◆所以他们直接用AI 辅助编码面试把原来的计算机基础筛选面给替换掉了后端前端都换◆面试前会提前告知候选人要用 AI还会建议你先去练习一下◆他们的结论挺扎心的:传统题比如 Conway 生命游戏AI 几秒就能做对。所以题目必须改那到底怎么改?题目变得更复杂、更模糊、也更像真实需求了。博客里举了个例子不再让你实现生命游戏而是换成这样一道题:“做一个管理机场飞机起降的控制系统。”这种题一个 prompt 是打不穿的。你必须自己去澄清需求、去拆解、去做取舍一步一步来。Canva 还总结了高分候选人身上共有的特征我觉得这是全文的精华原样放在这里:1.会先去追问产品需求而不是一上来就动手写2.只把定义清晰的子任务交给 AI整体方案是自己握着的3.对 AI 生成的代码会带着批判性去审查然后动手改进4.AI 方案出问题的时候有扎实的 debug 能力博客里还有一个很有意思的发现:AI 使用经验很少的候选人经常会吃亏。他们吃亏倒不是因为不会写代码而是缺了一种判断力就是那种指挥 AI、能看出它哪里建议得不好的判断力。4. Codility:面试官可以让 AI “使坏”Codility 在 10 月的产品更新里放出了两个很能说明风向的功能:◆AI 开关细到每一道题。同一场测评里第一题让你用 Claude Code 做功能第二题把 AI 关掉让你去修 bug◆还有一个叫 AI Instructions 的功能。面试官可以给面试里的 AI Copilot 和 Claude Code 写指令候选人是看不到的。比如让它悄悄埋一个 bug或者写一段不好的实践进去然后观察你是认真 review 了还是直接复制粘贴这里要注意每一次 prompt、命令、代码改动都会被记录进报告里。换句话说你有没有 review AI 的代码这件事已经变成一个可以被主动设计、主动检测的面试环节了。5. 风向的源头:Karpathy 的那条推文Karpathy 在今年 1 月 26 号发了一组笔记大意是说:受最新模型编程能力提升的影响他的工作流整个变了。11 月的时候还是约 80% 手写加自动补全、20% agent到了 12 月就变成了80% agent 编码、20% 修改和润色。他同时也提醒了一句手写代码的能力可能会退化。他还建议让 AI 去 review AI 写的代码。更有意思的是他对模型缺陷的描述几乎就是面试官想考你的东西:◆模型还是会犯概念性错误。它会基于一个错误的假设一路往下写◆它容易过度复杂化而且不太会主动跑来澄清◆所以你要像盯着一只鹰一样盯着它配合 IDE 一起做审查◆他给出的杠杆用法是:先给成功标准比如测试再让它循环跑到通过为止这几条换成面试语言其实就是三件事:识别隐含假设、追求简单方案、先定义验收标准。等下你会看到我整理的题 1 和题 3考的就是这些东西。这条推文之所以重要是因为它把一个事实给摆上了台面:写代码这一步正在从核心技能变成一个可委托的环节。那面试自然就要换个考法了。✦ ✦ ✦二、把趋势翻译成面试题这几家的共同点可以总结成一句话:考察的对象变了从你会不会写变成你会不会管、会不会查、会不会兜底。下面这 5 道题是我根据上面这些做法整理出来的。这里先说清楚一件事:这是我归纳的典型题型不是某家公司的原题。✦ ✦ ✦题 1:AI 给你生成了一段代码跑通了你怎么判断能不能合进去?考察点是输出验证这一条 Google 明确写进了评估项。答题思路嘛别只说一句我会跑测试就完了。可以按这个顺序来:1.先读懂。AI 的实现思路到底是什么有没有偷偷换掉需求2.看边界。空输入、超大输入、并发、异常路径这些都过一遍3.看副作用。有没有引入多余的依赖有没有改了不该改的文件4.补测试。可以让 AI 生成测试但测试本身你也要审它可能只测了自己写的那套实现5.对照生产标准。日志、错误处理、性能、安全一样样对加分点是主动说一句:“我不会因为它跑通就信它。”✦ ✦ ✦题 2:面试官在 AI 里埋了个 bug你没发现。你觉得问题出在哪?考察点是 review 习惯Codility 那个功能就是专门干这个的。答题思路是这样的:这是一道自我复盘题诚实比完美重要。◆根因通常是你把 AI 当成了已经审过的代码而不是一个实习生提过来的 PR◆改进动作也很明确:先预期它会错带着问题去读;关键路径自己手动走一遍;再让另一套独立的检查比如测试、类型、静态分析来给你兜底✦ ✦ ✦题 3:这个需求很模糊(比如做个机场起降调度)你的第一步是什么?考察点是需求澄清与拆解这是 Canva 的核心设计。答题思路就一句话:第一步不是打开 AI是去提问。◆约束是什么?规模、实时性、安全优先级这些都得先问清楚◆然后先定义一个最小可行的范围◆再拆成子任务接着决定哪些交给 AI哪些留给自己写如果你一上来就把整段需求原文直接丢给 AI那基本就暴露了:这个方案里你没有主导权。✦ ✦ ✦题 4:什么任务你会交给 AI什么任务你坚决自己做?考察点是判断力也就是AI 使用经验少的人容易吃亏这件事的反面。答题思路是给一个有逻辑的分界而不是甩一句看情况:适合交给 AI建议自己把控样板代码、重复性改动核心架构和数据模型定义清晰的函数实现安全、权限、资金相关逻辑测试用例草稿、边界枚举需要权衡取舍的设计决策读陌生代码库、找入口最终的验收和责任一句话总结就是:可验证、边界清晰的交给 AI;需要负责、需要取舍的自己握住。✦ ✦ ✦题 5:既然 AI 都能写为什么还要考你基础?考察点先说一下这是道陷阱题也是同行最爱问的。答题思路是正面回答别急着防御:◆没有基础你就看不出 AI 错在哪。有篇分析 Meta 新面试的文章说得很精准:AI 反而会让薄弱的基础变得更明显◆Canva 内部当时也担心面试会变成凭感觉编程。他们最后的共识是:基础要求没有降只是换了个考察场景。而且不管代码是自己写的还是 AI 写的你都要对它负全责✦ ✦ ✦三、给正在找工作的你:几点实操建议1.提前在目标公司的同款环境里练。Meta 会给练习环境的链接Canva 也会提前告知。有机会就去练别第一次摸那个面板就是在正式面试上。2.练读比练写更重要。找一个陌生的开源项目限时 30 分钟走一遍:读懂、定位、改一个小功能。这跟 Google 的代码理解轮是最接近的。3.形成一套固定的 review 套路。就算 AI 给的答案看起来很完美也照样走一遍:边界、副作用、测试、是否符合需求。面试官想看的其实就是你这个动作。4.先给成功标准再让 AI 动手。这里借用一下 Karpathy 的思路:先说清怎么算做对比如测试、输入输出、边界然后再让 AI 去迭代。面试里这样做既显得你有章法也能自然而然地把验证环节给引出来。5.准备好讲清楚你的 AI 使用策略。什么时候用、什么时候不用、怎么验证。这是高频追问你最好有一段 30 秒的现成回答在手里。✦ ✦ ✦结语回头再看这几家的做法你会发现一个挺有意思的现象:面试里允许用 AI并不是把门槛降低了而是把AI 做不了的那部分单独拎出来考了。读需求的能力、拆问题的能力、判断的能力、对结果负责的能力。这些东西AI 帮不了你但它们会被放大。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
