AI 時代的技術面試：一場正在被重寫規則的賽局

最近讀到 Coinbase 工程團隊發表的《Interviewing Engineers in the AI Era》，講他們如何花了一整年重建技術面試流程。¹順著這條線，我把 Canva、Meta、Google、Datadog 等公司的最新做法與產業數據都翻了一遍，越看越確定一件事：當 AI 已經寫下 Coinbase 在 2025 年第四季超過一半的合併程式碼，傳統「白板加 LeetCode」式的技術面試正在快速失效。我先前在 AI Anxiety for Knowledge Workers: Burnout & Mental Health 討論過 AI 帶給知識工作者的焦慮，這篇則把鏡頭拉近到焦慮最具體的戰場：技術面試。

AI 時代的面試困境，本質上是一個訊號問題。舊訊號（能否從記憶中寫出正確程式碼）已經失真，新訊號（能否指揮、審查、否決 AI）還在校準中。本文整理出這場變革的三大斷層：工作本質改變、作弊軍備競賽、AI 面試官登場，也整理出求職者應該專注訓練的能力，作為我自己的閱讀與整理筆記。

TL;DR：四個核心判斷

• 面試沒跟上工作：AI 生成的程式碼已佔 Coinbase 合併量的五成以上，但多數面試仍在測「45 分鐘內憑記憶從零手寫程式」，偽陽性與偽陰性同時攀升。
• 疑似作弊已經規模化：偵測供應商 Fabric 的自有模型標記了 38.5% 的面試疑似作弊，新一代作弊工具宣稱能讓分享畫面看起來完全乾淨，偵測與反偵測已是一場持續升級的軍備競賽。
• 企業走兩條路線：一條回歸實體驗證基本功，一條開放 AI 重寫題型。兩條路線並不互斥，越來越多公司同時採用。
• 刷題與系統設計都沒死：LeetCode 式題型仍然常見、只是考法變了；系統設計仍是資深職位的重要分水嶺；AI 協作能力則是所有層級都該立刻累積的新必修。

一、工程師的工作已經變了，面試卻沒跟上

Coinbase 在 2026 年 7 月發表的文章《Interviewing Engineers in the AI Era》揭露了一組關鍵數據：2025 年 Q1，AI 生成的程式碼只佔其 codebase 合併量的 5.7%；到了 2025 年 Q4 已突破 50%，且幾乎 100% 的程式碼仍由人類審查。¹工程師的時間從「從零寫程式」轉移到撰寫規格、指揮 AI、審查 AI 產出的 PR、抓出模型自信滿滿寫錯的架構問題。

「當『建造』的成本趨近於零，『決定要建什麼、驗證它是否正確、安全地把它送出去』就成了限制因素。」— Coinbase 工程主管

這不是個案。Google DORA 2025 對近 5,000 名科技從業者的調查顯示，90% 已在工作中使用 AI，較前一年增加 14%，常見用途包括撰寫與修改程式碼、測試和文件。Karat 對美國、印度、中國共 400 名工程主管的 2026 年調查則發現，AI 平均讓工程師生產力提升 34%，但這個紅利分配極不平均：AI 正在拉大強者與弱者之間的差距，而不是拉平。²

於是出現一個尷尬的問題：如果公司上線的程式碼幾乎都是「AI 生成、人類審查」，為什麼面試還在要求候選人在 45 分鐘內、憑記憶、從零手寫程式？³

二、傳統面試為何失效：訊號正在崩解

Coinbase 對自家舊面試流程的內部分析，點出了兩種相反方向的失效模式：

• 偽陽性（False Positives）：把「URL shortener」「分散式佇列」的標準答案背得滾瓜爛熟的人可以通過面試，但展現的其實是「備考能力」而非工作所需的判斷力。
• 偽陰性（False Negatives）：具備優秀架構判斷力、但沒有刻意背誦模式的人反而卡關，而這群人往往正是最適合 AI-native 環境的工程師。

更驚人的是，Coinbase 發現自己兩輪不同的面試之間有 84% 的相關性。也就是說，兩輪昂貴的面試產出的幾乎是同一份訊號，而且都不是最需要的那份。¹

Karat 的數據也支持同樣的結論：take-home 專案與自動化 code test 的鑑別力在 AI 之下衰減得最快，因為它們只看「最終產出」，而 AI 可以在幾秒鐘內產出可運作的解答。相較之下，live 面試因為能觀察候選人「如何」拆解問題、做決策、與 AI 協作，價值反而上升（美國 79%、中國 87% 的企業採用 live 技術面試）。²

三、作弊軍備競賽：偵測與反偵測

訊號崩解的另一面，是規模化的疑似作弊。先說明數據性質：以下 Fabric 的數字來自其自家平台的面試、由自家偵測模型判定（門檻為模型預測作弊機率大於 40%），且 Fabric 本身銷售作弊偵測產品；這些應視為供應商自有統計，而非經獨立確認的實際作弊率^{4 5}：

作弊工具（Cluely、Interview Coder、Leetcode Wizard 等）宣稱採用 DirectX / Metal 層級的 GPU overlay，把答案疊加在螢幕擷取層之下，讓面試官看到的分享畫面是「乾淨的」。傳統的分頁切換偵測、瀏覽器鎖定與一般螢幕分享，可能無法發現這類低層級 overlay（這些技術描述多來自作弊偵測供應商，尚缺乏獨立第三方的完整技術稽核），企業因此轉向行為分析、實體驗證與重新設計題型；最新一代工具甚至走「耳機加場外 LLM」路線，螢幕上完全無痕。⁴

後果也開始浮現：媒體已在報導「靠 AI 騙過面試、入職後現形」的個案，不過這類報導多為匿名案例與用人主管的觀察，尚無法據此估計實際發生率；可以確定的是，面試表現與實際工作能力的落差，正成為企業關注的生產力與士氣成本。⁷

四、企業的兩條回應路線

路線一：回歸實體、加強防弊

• Google：Google 執行長 Sundar Pichai 表示將確保「至少一輪面對面面試」以確認基本功；幾乎所有軟體工程師職缺都已恢復至少一輪實體面試。⁸
• Amazon：要求候選人正式確認不在面試中使用未經授權的生成式 AI 工具（政策保留明確授權的例外），違反可能被取消資格。
• Anthropic：允許候選人用 AI 潤飾申請資料與準備面試，但 live interview 與一般 take-home assessment 預設禁止 AI，除非題目明確授權。有趣的是，其部分技術測驗刻意允許使用 AI，卻仍因自家 Claude 能力進步而必須持續改版。
• McKinsey、Deloitte、Cisco：對部分職位與流程增加實體驗證，並非所有職位一律實體；Deloitte 早在 2024 年就已在英國畢業生招募中重啟面對面環節。⁹
• 其他手段：SAT 式監考、要求鏡頭拍攝工作環境、鍵盤/眼動偵測軟體等。

路線二：擁抱 AI、重寫面試

• Coinbase：分三階段重建面試（2025 下半年先在前端試點，2026 年 1 月擴及後端 repo-based 題型，2026 年 3 月全面導入「AI Fluency」訊號），定義 AI 流利度三維度：使用（Usage）、應用時機（Application）、理解極限（Understanding Limits），並收斂為三大基準訊號：repo-based coding/debugging、AI 輔助系統設計（此環節仍在早期測試階段）、領導力/行為面試。同時堅持不增加面試輪數。¹
• Canva：直接宣告「Yes, You Can Use AI in Our Interviews. In fact, we insist」，後端、ML、前端候選人被期待在面試中使用 Copilot / Cursor / Claude，評估重點轉為拆解模糊需求、策略性使用 AI、批判性審查與修復 AI 程式碼。¹⁰
• Meta：2025 年官方證實正在測試允許候選人使用 AI 助手的 coding 面試；2026 年的第三方候選人指南顯示，部分面試環境已提供多個模型可切換，但 Meta 尚未公開完整的全球適用政策。¹¹
• Datadog：發布正式的候選人 AI 使用準則：特定職位有明確的「AI coding interview」，其餘 live coding 預設禁止，界線透明。¹²
• Karat「human-led, AI-enabled」模式：live 面試官加上允許 AI 的環境，觀察候選人如何與 AI 協作、驗證輸出、處理幻覺；目前仍有 62% 的企業禁止面試中使用 AI，但趨勢明顯往開放走（美國 38%、中國 68% 已允許）。²

兩條路線並不互斥：不少公司同時「恢復實體」加上「開放 AI」，實體確保是本人與基本功，開放 AI 確保測的是真實工作型態。

五、AI 也坐上了面試官的位置

變革是雙向的。求職端用 AI 海投，LinkedIn 求職申請量一年暴增 45%，平均每分鐘 11,000 份申請¹³，招募端被 AI 生成的履歷淹沒；於是企業也用 AI 篩選與面試回擊：

• Greenhouse 2026 年調查涵蓋美國、英國、愛爾蘭、德國、澳洲共 2,950 名活躍求職者；其中美國受訪者有 63% 表示曾接受 AI 面試，較半年前約增加 12 到 13 個百分點。¹⁴
• 但體驗不佳（同樣以美國受訪者為主）：38% 曾因流程包含 AI 面試而直接放棄，另有 12% 表示如果被要求會這麼做；51% 完成 AI 面試後未收到任何結果通知。
• 候選人並非反對 AI 本身，而是反對不透明的使用方式。

這形成了一個弔詭的軍備競賽：AI 寫履歷、AI 篩履歷、AI 來面試，候選人用 AI 應答，企業再用 AI 抓 AI。雙方都在用 AI，卻互相指責對方用 AI。

flowchart LR
    A[求職者用 AI 量產履歷] --> B[招募端被每分鐘 11,000 份申請淹沒]
    B --> C[企業用 AI 篩選與面試]
    C --> D[候選人用 AI 應答甚至作弊]
    D --> E[企業再用 AI 偵測 AI]
    E --> A

六、評估重點的轉移：從「背誦」到「判斷」

綜合各家做法，AI 時代面試真正想測的能力已經收斂成幾件事¹⁵：

1. 指揮 AI 的能力：prompt 品質、任務拆解、何時該用/不該用 AI。
2. 審查與判斷：能否分辨「正確的解」與「看起來正確的解」，抓出 AI 自信寫錯的架構問題。
3. 在既有 codebase 中工作：triage、debug 別人（或 AI）寫的程式、理解相依與回滾風險，因為真實工作幾乎從不從白紙開始。
4. 基本功仍然重要：Canva 明言 code fluency 與技術深度仍是絕對要求，只是換了評估情境；沒有基礎，就無法審查 AI。
5. Taste 與判斷力：知道什麼值得做、哪些取捨是真的、何時該否決模型。Coinbase 認為這是所有訊號最終都在讀取的東西。

七、求職者應該專注訓練的能力

與其焦慮面試規則怎麼變，不如把時間花在對的能力上。

mindmap
  root((求職者的能力地圖))
    刷題基本功
      仍是常見題型
      從速度轉向推理深度
      出聲練習勝過安靜刷題
    系統設計
      講清楚取捨
      資深職位的分水嶺
      AI 當顧問但保留最終判斷
    AI 協作
      精準提問
      逐行驗證輸出
      抓出 AI 的錯
    讀碼與除錯
      理解既有 codebase
      從錯誤訊息定位問題
    口頭解釋與溝通
      說出每個決定的理由
      展示接受或推翻 AI 的原因

1. 刷題（LeetCode）還重要嗎？重要，但考法變了

坊間常聽到「刷題已死」，也許結果並非如此，但要先誠實說明證據品質。多個 2026 年的面試準備來源與候選人回報顯示，LeetCode 式題型在大型科技公司的面試中仍然常見：長期追蹤技術面試演變的 techinterview.org 與 TechScreen 都指出，多數 coding 關卡仍是一到兩題 LeetCode 風格的題目，後者更點名「把刷題當成已死而準備不足」是最昂貴的錯誤。^{16 17}不過這些來源缺乏透明、可重現的跨公司統計方法（TechScreen 本身也銷售面試輔助產品），只能證明「仍然常見」，無法精確證明在所有公司都佔主流。比較確定的是：Google 的新制試點面試確認，即使開放 AI，紮實的資料結構與演算法基礎仍是必要條件。

真正改變的是「怎麼練」：

• 從解題速度轉向推理深度：幾年前比的是快，現在面試官更在意你能不能講清楚思路、應付追問、在條件改變時調整解法。
• 從安靜刷題轉向出聲練習：面試準備社群的普遍建議是，與其安靜刷完更多題，不如把重心放在能邊解邊講的練習上，因為現在的面試更像一場技術對話（這是經驗建議，不是經驗證的量化結論）。
• 刷題是策略的一部分，不是全部：Educative 共同創辦人 Fahim ul Haq 的結論很中肯，2026 年刷 LeetCode 仍然值得，但要讓它輔助整體策略，而不是變成唯一策略。¹⁸

2. 系統設計能力還重要嗎？仍是資深職位的重要分水嶺

當「動手實作」越來越多交給 AI，「決定架構與取捨」的價值反而上升，多位資深面試官的共識是系統設計比以往任何時候都重要。要先標註的是：「在 AI 時代重要性上升」是根據工作內容改變所做的合理推論，目前還不是有跨產業縱向數據支持的定量結論。能確認的證據如下：

• Coinbase 把「AI 輔助系統設計」列為新面試的三大基準訊號之一，明確要求候選人在設計過程中展現與 AI 協作的判斷力。
• 曾任 Facebook 面試官的 Arslan Ahmad 回憶，資深候選人若設計能力不到位，即使程式能力過關也會被降級錄取（例如 E5 降到 E4）。¹⁹
• The Pragmatic Engineer 提醒：coding 關卡所有層級都會考，系統設計則是資深職位的決定性關卡，越資深權重越高。²⁰

與其背「標準架構圖」，不如練習講清楚取捨（為什麼選這個資料庫、流量成長十倍會先垮哪裡、故障時怎麼辦），並練習在設計過程中把 AI 當顧問使用，同時保留自己的最終判斷。

3. AI 協作能力：新的必修科目

Google 2026 年在部分美國團隊、針對初階與中階工程職試行的新面試是最好的證據：候選人在新的「程式碼理解」關卡可以使用官方提供的 Gemini，面試官直接評估「AI 流利度」，包括提問（prompt）品質、輸出驗證與除錯能力。這仍是有限試點，不代表所有 Google 軟體工程面試都已改制，但方向訊號很清楚。^{21 22}可以這樣練：

• 平常就用 AI 處理真實任務，並養成逐行檢查輸出的習慣。
• 練習精準提問：給足脈絡、說清楚限制與預期結果，而不是模糊地說「幫我做好」。
• 練習抓 AI 的錯：一項涵蓋 16 個模型與 576,000 份程式碼樣本的研究發現，「套件幻覺」（引用到不存在的套件）在商業模型中的平均比例至少為 5.2%，開源模型則達 21.7%，實際比例會因模型、語言與提示方式而大幅不同。²³能否識破這類錯誤正是面試官要看的。

4. 讀程式與除錯：比寫程式更常用的日常

Google 試點中的新關卡考的是「讀懂、除錯、優化既有程式碼」，而不是從零寫起；Coinbase 的題型也改為在仿真專案中找問題、修問題。多份 2026 年的面試指南把「除錯 AI 生成的程式碼」稱為新的核心技能。²⁴訓練方式很務實：找開源專案讀別人的程式碼、練習從錯誤訊息定位問題、把 AI 產出的程式碼當成「待審查的作業」逐段挑錯。

5. 口頭解釋與溝通：能解釋比能解出更重要

越來越多公司的防弊與評估手段就是追問「為什麼這樣設計」，回家作業式的考題之後通常會有真人當面盤問。平時就練習把每個技術決定的理由說出來，面試時大方展示你接受或推翻 AI 建議的原因，這本身就是高分訊號。

6. 無 AI 環境下的基本功：仍會被當面驗證

Google、Amazon 等公司恢復實體面試，代表「沒有 AI 時你會什麼」仍會被當面檢驗。基本功的角色變了：不再是為了默寫答案，而是為了讓你有能力審查 AI。沒有基礎，你無從判斷 AI 給的東西對不對。AI 應該用來補強弱點，而不是掩蓋弱點。

結語

隨著 AI 的發展，面試不再是每幾年更新一次的靜態流程，而是一個需要持續迭代的產品。Coinbase 願意公開自己「還沒解決的問題」，像是題目保鮮期、面試表現與工作表現的關聯，這恰恰說明整個產業都還在早期。對求職者而言，最好的準備策略從來沒有這麼「誠實」過，候選人真正能長期累積的護城河，其實是三種可遷移的能力：

1. 把模糊問題拆成可驗證的子問題（spec / edge cases / trade-offs）
2. 在不確定中做決策，並能說清楚理由（taste / judgment）
3. 把 AI 當加速器而不是拐杖

延伸閱讀（本站相關文章）：AI Anxiety for Knowledge Workers: Burnout & Mental Health

參考資料