AI 时代的技术面试：一场规则正在被改写的博弈

最近读到 Coinbase 工程团队发表的《Interviewing Engineers in the AI Era》，讲述他们如何用一整年重建技术面试流程。¹沿着这条线索，我梳理了 Canva、Meta、Google、Datadog 等公司的最新实践与行业数据，越看越确定一件事：当 Coinbase 在 2025 年第四季度合并的代码中已有一半以上由 AI 生成时，传统的“白板加 LeetCode”式技术面试正在迅速失效。我之前在《ChatGPT 越用越焦虑？AI 时代知识工作者的心理健康指南》中讨论过 AI 给知识工作者带来的焦虑，本文则把镜头拉近到这种焦虑最具体的战场：技术面试。

AI 时代的面试困境，本质上是一个信号问题。旧信号（能否凭记忆写出正确的代码）已经失真，新信号（能否指挥、审查并否决 AI）仍在校准。本文梳理了这场变革的三大断层：工作本质的改变、作弊攻防的军备竞赛，以及 AI 面试官的登场；同时总结出求职者应该重点训练的能力，作为我自己的阅读与整理笔记。

TL;DR：四个核心判断

• 面试没有跟上工作变化：AI 生成的代码已占 Coinbase 合并代码的一半以上，但多数面试仍在测试“能否在 45 分钟内凭记忆从零手写代码”，假阳性与假阴性同时上升。
• 疑似作弊已经规模化：检测服务商 Fabric 的自有模型将 38.5% 的面试标记为疑似作弊；新一代作弊工具声称能让共享画面看起来完全干净，检测与反检测已成为一场不断升级的军备竞赛。
• 企业正在走两条路线：一条回归线下，验证基本功；另一条开放 AI，重新设计题型。两条路线并不冲突，越来越多的公司同时采用。
• 刷题与系统设计都没有过时：LeetCode 式题目仍然常见，只是考查方式变了；系统设计依然是资深岗位的重要分水岭；AI 协作能力则是所有职级都应立即积累的新必修课。

一、工程师的工作已经变了，面试却没有跟上

Coinbase 在 2026 年 7 月发表的《Interviewing Engineers in the AI Era》披露了一组关键数据：2025 年第一季度，AI 生成的代码在其全部合并代码中仅占 5.7%；到 2025 年第四季度，这一比例已经突破 50%，同时几乎 100% 的代码仍由人类审查。¹工程师的时间正在从“从零写代码”转向编写技术规格、指挥 AI、审查 AI 生成的代码变更（PR），以及找出模型信心十足地写下的架构错误。

“当‘构建’的成本趋近于零时，‘决定构建什么、验证它是否正确，并安全地交付’就成了制约因素。”——Coinbase 工程负责人

这并非个例。Google DORA 2025 对近 5,000 名技术从业者的调查显示，90% 的受访者已经在工作中使用 AI，比前一年增长 14%，常见用途包括编写和修改代码、测试与文档。Karat 在 2026 年对美国、印度和中国共 400 名工程负责人的调查则发现，AI 平均让工程师的生产力提升 34%，但这份红利的分配极不均衡：AI 正在拉大优秀工程师与较弱工程师之间的差距，而不是抹平差距。²

于是，一个尴尬的问题出现了：如果公司上线的代码几乎都是“AI 生成、人类审查”，为什么面试仍要求候选人在 45 分钟内凭记忆从零手写代码？³

二、传统面试为何失效：信号正在崩解

Coinbase 对旧面试流程的内部分析，指出了两个方向相反的失效模式：

• 假阳性（False Positives）：把“URL shortener（短链接服务）”“分布式队列”的标准答案背得滚瓜烂熟的人可以通过面试，但他们展示的其实是“备考能力”，而不是工作真正需要的判断力。
• 假阴性（False Negatives）：拥有优秀架构判断力、但没有刻意背诵固定模式的人反而会被淘汰，而这类人往往恰恰是最适合 AI 原生环境的工程师。

更令人意外的是，Coinbase 发现两轮不同面试之间存在 84% 的相关性。换句话说，两轮成本高昂的面试几乎产出了同一份信号，而且都不是公司最需要的那一个。¹

Karat 的数据也支持同一结论：非实时项目作业（take-home project）和自动化编程测试，最容易因 AI 而失去区分候选人能力的效果，因为它们只看“最终产出”，而 AI 几秒钟内就能给出可运行的答案。相比之下，实时面试能够观察候选人“如何”拆解问题、做出决策并与 AI 协作，其价值反而在上升（美国有 79%、中国有 87% 的企业采用实时技术面试）。²

三、作弊军备竞赛：检测与反检测

信号崩解的另一面，是规模化的疑似作弊。首先需要说明数据性质：以下 Fabric 数据来自其自有平台上的面试，并由其自有检测模型判定（门槛是模型预测的作弊概率高于 40%）；同时，Fabric 本身也销售作弊检测产品。因此，这些数字应被视为服务商自行统计的数据，而不是经过独立确认的真实作弊率。^{4 5}

Cluely、Interview Coder、Leetcode Wizard 等作弊工具声称使用 DirectX / Metal 层的 GPU 叠加层（overlay），将答案显示在屏幕捕获层之下，使得面试官看到的共享画面是“干净的”。传统的标签页切换检测、浏览器锁定和常规屏幕共享，可能无法发现这种底层叠加方式。这些技术描述大多来自作弊检测服务商，目前仍缺乏独立第三方的完整技术审计。企业因此开始转向行为分析、线下身份验证和重新设计题型；最新一代工具甚至采用“耳机加场外 LLM”的方式，让屏幕上完全不留痕迹。⁴

后果也已开始显现。媒体正在报道“靠 AI 骗过面试、入职后原形毕露”的案例，不过这类报道大多来自匿名个案和招聘负责人的观察，尚不能据此估算实际发生率。可以确定的是，面试表现与实际工作能力之间的落差，正成为企业关注的生产力和团队士气成本。⁷

四、企业的两条应对路线

路线一：回归线下，加强防作弊措施

• Google：Google 首席执行官 Sundar Pichai 表示，公司将确保“至少有一轮面对面面试”来确认基本功；几乎所有软件工程师职位都已恢复至少一轮线下面试。⁸
• Amazon：要求候选人正式确认，面试期间不会使用未经授权的生成式 AI 工具；政策保留明确授权的例外，违规可能导致候选资格被取消。
• Anthropic：允许候选人使用 AI 润色申请材料和准备面试，但实时面试与常规带回作业（take-home assessment）默认禁止使用 AI，除非题目明确授权。有趣的是，部分技术测试会刻意允许使用 AI，却仍因自家 Claude 能力持续提升而必须不断改版。
• McKinsey、Deloitte、Cisco：在部分职位和流程中增加线下验证，并非所有职位一律要求线下。Deloitte 早在 2024 年就已在英国应届生招聘中恢复面对面环节。⁹
• 其他手段还包括类似 SAT 标准化考试的监考方式、要求摄像头拍摄工作环境，以及使用键盘或眼动检测软件等。

路线二：拥抱 AI，重写面试

• Coinbase：分三个阶段重建面试流程（2025 年下半年先在前端岗位试点，2026 年 1 月扩展到基于代码仓库的后端题型，2026 年 3 月全面引入“AI 熟练度（AI Fluency）”信号），并从三个维度定义 AI 熟练度：使用（Usage）、应用时机（Application）和理解局限（Understanding Limits）。最终聚焦于三项基准信号：基于代码仓库的编程与调试、AI 辅助的系统设计（这一环节仍处于早期测试阶段），以及领导力与行为面试。同时坚持不增加面试轮数。¹
• Canva：直接宣告：“可以在面试中使用 AI——事实上，我们明确要求这样做（Yes, You Can Use AI in Our Interviews. In fact, we insist）。”后端、机器学习和前端候选人都应当在面试中使用 Copilot、Cursor 或 Claude 等工具；评估重点则转向拆解模糊需求、策略性地使用 AI，以及批判性审查和修复 AI 生成的代码。¹⁰
• Meta：2025 年官方证实，正在测试允许候选人使用 AI 助手的编程面试。2026 年第三方候选人指南显示，部分面试环境已经提供多个模型供候选人切换，但 Meta 尚未公开一份适用于全球的完整政策。¹¹
• Datadog：发布了正式的候选人 AI 使用准则。特定职位会明确安排“AI 编程面试（AI coding interview）”，其余实时编程面试默认禁止使用 AI，边界清晰透明。¹²
• Karat 的“human-led, AI-enabled（人类主导、AI 赋能）”模式：由实时面试官配合允许使用 AI 的环境，观察候选人如何与 AI 协作、验证输出和处理幻觉。目前仍有 62% 的企业禁止面试中使用 AI，但趋势明显在走向开放（美国已有 38%、中国已有 68% 允许使用）。²

两条路线并不冲突。许多公司同时“恢复线下”与“开放 AI”：线下面试确保候选人身份真实并具备基本功，开放 AI 则确保评估贴近真实工作方式。

五、AI 也坐上了面试官的位置

这场变革是双向的。求职者使用 AI 海投，LinkedIn 上的求职申请量一年内暴增 45%，平均达到每分钟 11,000 份。¹³招聘团队被 AI 生成的简历淹没，于是企业也开始使用 AI 筛选和面试：

• Greenhouse 在 2026 年对美国、英国、爱尔兰、德国和澳大利亚共 2,950 名活跃求职者进行了调查；其中 63% 的美国受访者表示曾接受 AI 面试，比半年前约增加 12–13 个百分点。¹⁴
• 体验却并不理想（同样主要以美国受访者为主）：38% 的人曾因为招聘流程包含 AI 面试而直接退出，另有 12% 表示如果被要求参加就会退出；完成 AI 面试的人中，51% 从未收到任何结果通知。
• 候选人并非反对 AI 本身，他们反对的是不透明的使用方式。

这形成了一场荒诞的军备竞赛：AI 写简历、AI 筛简历、AI 负责面试；候选人用 AI 回答，企业再用 AI 检测 AI。双方都在使用 AI，却又互相指责对方使用 AI。

flowchart LR
    A[求职者使用 AI 批量生成简历] --> B[招聘团队每分钟收到 11,000 份申请]
    B --> C[企业使用 AI 筛选和面试]
    C --> D[候选人使用 AI 回答甚至作弊]
    D --> E[企业再用 AI 检测 AI]
    E --> A

六、评估重点的转移：从“背诵”到“判断”

综合各家实践，AI 时代面试真正想要评估的能力已经收敛为以下几点：¹⁵

1. 指挥 AI 的能力：提示词质量、任务拆解，以及知道何时应该或不应该使用 AI。
2. 审查与判断：能否分辨“正确的解法”和“看起来正确的解法”，并找出 AI 信心十足地写下的架构错误。
3. 在现有代码库中工作：初步排查问题、调试他人（或 AI）编写的代码，理解依赖关系和回滚风险，因为真实工作几乎从来不是从一张白纸开始。
4. 基本功依然重要：Canva 明确表示，代码熟练度与技术深度仍是绝对要求，只是评估情境变了；没有基础，就无法有效审查 AI。
5. 技术品味与判断力：知道什么值得构建、哪些取舍是真实存在的，以及何时应该否决模型。Coinbase 认为，所有信号最终都在衡量这些素质。

七、求职者应该重点训练的能力

与其为面试规则的变化而焦虑，不如把时间投入正确的能力。

mindmap
  root((求职者能力地图))
    刷题基本功
      仍是常见题型
      从速度转向推理深度
      边做边讲胜过默默刷题
    系统设计
      讲清楚取舍
      资深岗位的分水岭
      把 AI 当顾问但保留最终判断
    AI 协作
      精准提问
      逐行验证输出
      找出 AI 的错误
    代码阅读与调试
      理解现有代码库
      根据错误信息定位问题
    口头解释与沟通
      说出每项决定的理由
      展示接受或否决 AI 的原因

1. 刷题（LeetCode）还重要吗？重要，但考法变了

经常有人说“刷题已经过时”，但也许结果并非如此；不过，首先应当诚实说明证据质量。多个 2026 年的面试准备来源与候选人反馈显示，LeetCode 式题目在大型科技公司的面试中依然常见。长期追踪技术面试演变的 techinterview.org 和 TechScreen 都指出，多数编程环节仍包含一到两道 LeetCode 风格的题目；后者更直接指出，因为“刷题已死”而准备不足，是代价最高的错误。^{16 17}不过，这些来源缺少透明、可复现的跨公司统计方法（TechScreen 本身也销售面试辅助产品），所以只能证明“这种题型仍然常见”，无法精确证明它在所有公司都占主流。更确定的一点是：Google 的新制试点面试表明，即使允许使用 AI，扎实的数据结构与算法基础依然必不可少。

真正改变的是“如何练习”：

• 从解题速度转向推理深度：几年前比的是速度，如今面试官更看重候选人能否讲清思路、应对追问，并在条件改变时调整解法。
• 从默默刷题转向边做边讲：面试准备社区的普遍建议是，与其安静地多刷几道题，不如把重点放在边解题边讲解上，因为现在的面试更像一场技术对话。这是经验性建议，并非经过实证的量化结论。
• 刷题是策略的一部分，而不是全部：Educative 联合创始人 Fahim ul Haq 的结论很中肯——2026 年刷 LeetCode 依然值得，但它应该服务于整体准备策略，而不是成为唯一策略。¹⁸

2. 系统设计能力还重要吗？依然是资深岗位的重要分水岭

当越来越多的“动手实现”交给 AI 时，“决定架构和取舍”的价值反而会上升。多位资深面试官都认为，系统设计比以往更加重要。但这里需要注明：“其重要性在 AI 时代上升”是根据工作内容变化得出的合理推论，目前还不是由跨行业纵向数据支持的量化结论。可以确认的证据如下：

• Coinbase 将“AI 辅助的系统设计”列为新面试流程的三项基准信号之一，明确要求候选人在设计过程中展现与 AI 协作时的判断力。
• 曾任 Facebook 面试官的 Arslan Ahmad 回忆，资深候选人如果设计能力不达标，即使编程能力过关，也可能被降级录用（例如从 E5 降到 E4）。¹⁹
• The Pragmatic Engineer 提醒，所有职级都会考查编程能力，而系统设计是资深岗位的决定性环节；职级越高，其权重越大。²⁰

与其背诵“标准架构图”，不如练习讲清楚取舍：为什么选择这个数据库？流量增长十倍时，哪里会先崩溃？发生故障时该怎么办？同时，也要练习在设计过程中把 AI 当作顾问，并由自己保留最终判断权。

3. AI 协作能力：新的必修课

Google 在 2026 年面向美国部分团队、针对初级与中级工程岗位试行的新面试，提供了最清晰的证据：候选人可以在新的“代码理解”环节使用官方提供的 Gemini，面试官则直接评估“AI 熟练度”，包括提示词质量、输出验证和调试能力。这仍然是有限试点，并不代表所有 Google 软件工程师面试都已经改制，但方向已经非常明确。^{21 22}可以这样练习：

• 平时就用 AI 处理真实任务，并养成逐行检查输出的习惯。
• 练习精准提问：提供充分的上下文、说清限制条件与预期结果，而不是含糊地说“帮我做好”。
• 练习找出 AI 的错误。一项涵盖 16 个模型和 576,000 份代码样本的研究发现，“依赖包幻觉”（引用不存在的软件包）在商业模型中的平均比例至少为 5.2%，在开源模型中则达到 21.7%；实际比例会因模型、语言和提示方式而显著不同。²³能否识别这类错误，正是面试官希望看到的能力。

4. 代码阅读与调试：比从零写代码更常见的日常工作

Google 试点中的新环节考查的是“理解、调试并优化现有代码”，而不是从零编写；Coinbase 的题型也改为在接近真实场景的项目中发现并修复问题。多份 2026 年的面试指南都将“调试 AI 生成的代码”称为新的核心技能。²⁴训练方式很务实：阅读开源项目中的他人代码，练习根据错误信息定位问题，并把 AI 生成的代码当作待审查的代码，逐段找出问题。

5. 口头解释与沟通：能解释比仅仅解出来更重要

越来越多公司的防作弊与评估手段，就是追问“为什么这样设计”。带回作业之后，通常还会有真人追问。平时就练习说出每个技术决定背后的理由；面试时，也应清楚展示为什么接受或否决 AI 的建议。这些解释本身就是很强的积极信号。

6. 无 AI 环境下的基本功：仍会在线下面试中验证

Google 恢复线下面试、Amazon 加强面试合规要求，意味着“没有 AI 时你会什么”仍会被检验。基本功的角色已经改变：不再是为了默写答案，而是为了让你有能力审查 AI。没有基础，就无法判断 AI 给出的内容是否正确。AI 应该用来弥补弱点，而不是掩盖弱点。

结语

随着 AI 发展，面试不再是每隔几年更新一次的静态流程，而是一款需要持续迭代的产品。Coinbase 愿意公开自己“尚未解决的问题”，例如题目的有效期、面试表现与实际工作表现之间的相关性，这恰恰说明整个行业仍处于早期阶段。对求职者而言，最好的准备策略从未如此“诚实”：候选人真正能够长期积累的护城河，其实是三种可迁移能力：

1. 把模糊问题拆解成可验证的子问题（规格、边界情况与取舍，即 spec / edge cases / trade-offs）
2. 在不确定性中做出决策，并清楚说明理由（技术品味与判断力，即 taste / judgment）
3. 把 AI 当作加速器，而不是拐杖

延伸阅读（本站相关文章）：ChatGPT 越用越焦虑？AI 时代知识工作者的心理健康指南

参考资料