AI 时代，如何招聘工程师

传统的技术面试以编码能力为核心：候选人熟悉哪些语言和框架，能否在白板上写出算法题的解法。

在 AI 时代，这已不再是筛选人才的有效标准。一个人即使不熟悉某种编程语言，也能借助 AI 交付有价值的产品。

更值得考察的是两项能力。

其一是对系统的整体理解：一个完整的系统应当包含哪些部分，各部分如何协作，上线后如何确认它在正常运行。缺少这种理解，就无法评估 AI 给出的方案。

其二是求知欲：主动追踪新知识，尤其是 AI 领域。工具和模型更新很快，今天的最佳实践，半年后可能已经过时。是否愿意持续学习、尝试并反思新技术，会直接影响一名工程师的长期成长。

当下最重要的六项能力

1. 向 AI 准确表达意图。 AI 只能基于给定的信息工作。目标、约束、完成标准，哪些已经确定、哪些尚未确定，表达得越清楚，产出就越接近预期。表达含糊，得到的往往是看似合理、实则偏离需求的结果。

2. 理解 AI 的意图。 AI 交回一份计划或一段代码时，工程师要能读懂它的思路：它如何理解需求，做了哪些假设，哪些地方是在推测。能识别 AI 的误解，比能亲手写出同样的代码更重要。

3. 面对模糊目标，形成预判。 需求在初期通常是模糊的。优秀的工程师在动手之前，会先对系统形成一个初步判断：大致由哪些部分组成，难点可能在哪里，并随着新信息不断修正。有了这个预判，才能判断 AI 的方案是否方向正确。（我的做法见现在我怎么设计系统。）

4. 设计测试。 代码生成得再快，验证也不能省略。哪些部分必须测试，采用什么方式，测试是否真正覆盖了要验证的行为，这些都需要工程师判断。

5. 设计监测。 测试在上线前验证关键行为、降低缺陷风险；监测在上线后观察运行状态、及时发现异常。两者都不能保证系统始终正确，但缺一不可。需要哪些日志和指标，故障发生时由谁、在多长时间内发现，这些应当在设计阶段就纳入考虑，而不是在事故之后补救。

6. 管理 AI 工作流。 无论使用一个还是多个 agent，如何分工，如何评审产出，如何保留上下文，如何避免自己成为瓶颈，这本身就是一项工程能力。（我的做法见我怎么同时管十几个 AI agent。）

面试中如何考察

用 grill-me 考察判断力和表达能力

grill-me 是一个 AI skill：给定一个计划，AI 会按决策之间的依赖关系分轮提问，并为每个问题附上推荐答案，直到所有决策都有结论。

面试时，给候选人一个模糊的需求，请候选人通过 grill-me 与 AI 对话，把需求整理成明确的方案。开始对话前，先请候选人简述系统边界、关键假设和待验证的问题；对话结束后，再请候选人说明哪些判断改变了，以及为什么。这一步考察的是第 3 项能力：在 AI 给出建议之前，候选人自己的判断是什么。

对话过程中，面试官重点观察两点：

• 是否有独立判断。 标准不是是否反对 AI，而是候选人能否说明接受或否定每条建议的依据，以及准备如何验证。完全依赖 AI 的人，在 AI 出错时也很难察觉。
• 表达是否准确。 回答是否清晰，是否提供了必要的上下文和理由；AI 理解有误时，能否及时发现并纠正。

与白板题相比，这种方式更接近候选人的日常工作。

系统设计题：是否主动考虑测试和监测

系统设计题依然有价值，但考察重点已经改变。画出组件和数据流，AI 同样能做到。更值得关注的是，候选人是否主动提到：系统如何测试，上线后如何监测，故障如何发现。主动提到只是线索，还应追问一个具体的故障场景：测试如何暴露问题，上线后靠什么信号发现，由谁响应。这些回答能为判断候选人是否理解系统整体提供依据，但不能仅凭一个场景就下结论。

了解候选人日常如何管理 AI agent

最后，请候选人介绍日常使用 AI 的方式：同时使用几个 agent，如何分工，如何评审产出，遇到过哪些问题，最近尝试了哪些新工具，为什么保留或放弃。

具体的经历和教训是进一步追问的依据，但不能只凭叙述是否流畅来判断实际能力。这个问题同时也在考察求知欲：一个人最近在尝试什么，比简历上的技能列表更能说明问题。

保证公平

面试方应提供统一的 AI 工具、模型和账号，预先装好所需的 skill，留出熟悉环境的时间，并统一任务、时限和评价标准。不按 agent 的数量或付费工具的使用经历加分：没有机会使用这些工具的候选人，同样可以在现场任务中展示如何组织工作、验证结果和学习新方法。

结语

AI 时代需要的，不是编码最快的人，而是能与 AI 协作，把模糊的目标落实为完整、可测试、可监测的系统，并且持续学习的工程师。