让AI出面试题：从“通用题库”到“一人一卷”的筛选革命

传统面试出题有个尴尬的现实：面试官往往拿着一套沿用多年的题库，面对背景迥异的候选人，问着差不多的问题。做后端开发的被问一遍JVM调优，做机器人的也被问一遍JVM调优——仅仅因为面试官只会这套题。结果就是，面试评估的效度大打折扣，候选人真实的能力边界被一套标准化的问答流程掩盖了。

AI介入出题环节，正在改变这个局面。它的核心价值不在于“自动生成问题”这个动作本身，而在于让每一道题都有据可依：依据候选人的真实项目经历、依据岗位的核心能力要求、依据企业积累的评估经验。

从简历里“读”出该问什么

AI出题的第一步，是深度解析候选人的背景材料。IEEE的一项研究指出，传统简历只能提供对过去工作的浅层视图，无法反映候选人实际如何编码、调试或设计方案。为此，该研究构建的系统会综合候选人的简历、GitHub等公开技术档案，生成个性化、情境感知的面试问题，让提问扎根于候选人真正做过的事情。

亚马逊云科技给出的方案更直接：其AI招聘助手在分析简历与岗位的匹配度后，会自动识别候选人的关键优势和潜在关切点，并据此生成个性化面试题，每道题都能追溯到简历中的具体证据。这意味着面试官拿到的不再是通用题单，而是“针对这个人，该深挖哪里、该验证什么”的导航图。

用企业的“岗位画像”训练出题逻辑

通用大模型能出题，但出的题往往隔靴搔痒。优必选的实践提供了一个关键思路：把AI“喂”懂业务，再让它出题。

作为人形机器人企业，优必选需要的是同时理解伺服驱动、运动控制、具身智能的复合型人才，简单的关键词匹配根本无法判断候选人研究方向的迁移价值。他们的做法是将岗位JD、内部考察维度、HR的评估经验全部输入AI系统进行训练，使AI能够精准拆解任职资格，自动生成紧贴业务需求的专属面试题。应用后，招聘综合效率提升60%以上，人机评估一致性达到80%以上。这个数字值得注意：它说明AI出的题和评的分，与企业真实用人标准之间的偏差已经收敛到了可接受的范围。

北森的AI面试助手则融入了行业题库与企业自有题库，结合职位画像和任职资格推荐问题，并能在面试过程中根据候选人回答实时推荐追问方向。某互联网公司校招季使用该功能辅助面试销售管培生和后端工程师，智能出题与追问超过5000次。追问能力是出题质量的试金石——能根据回答中的信息缺口继续深挖，说明AI对“该问什么”有真正的理解，而不是在套模板。

出完题之后：筛选逻辑的闭环

出题只是起点。AI在筛选环节的真正作用，在于把“出题—作答—评估”串成一条可追溯的链路。

用友大易的情景面试功能提供了另一种思路：AI基于公司信息和岗位JD模拟关键工作场景生成问题，候选人回答后，AI针对信息缺口或逻辑漏洞进行多轮追问，评分时无需预设标准答案，而是根据回答的全面性和可行性做综合评估。这种模式适合评估潜力而非经验，在校招和转岗场景中尤其实用。

从技术实现层面看，已有专利方案描述了更精细的流程：大模型生成初始面试题后，会通过试题筛选指令对题目进行质量检测，质量分数不达标的题目被退回重新生成，只有超过预设分数的题目才进入最终题单。这相当于在AI出题之上加了一层品控，避免生成看似合理实则空洞的问题。

人机分工的边界在哪里

一个容易被忽略的事实是：目前效果较好的实践，几乎都不是让AI完全替代人做录用决策。优必选明确将模式定义为“AI完成初面和结构化评价，达标者推荐给业务面试官复核”。北森的系统同样保留了面试官全程在线、实时记录和最终评价的环节。

AI出题筛选人才的合理定位，是把面试官从“想该问什么”的事务性负担中解放出来，让他们把精力集中在“听候选人怎么答”和“判断答得对不对”上。题目可以生成，追问可以推荐，但对话中那些微妙的信号——候选人提到某个技术方案时眼里的光、被追问到边界条件时的从容或慌乱——仍然需要人来捕捉和判断。

说到底，AI出的题好不好，最终检验标准只有一个：用它面完一轮之后，面试官是否觉得“这个人我比看简历时了解得更清楚了”。如果答案是肯定的，那这套出题逻辑就站住了。