AI时代，面试题该换了

2026年秋天，Anthropic的一位工程经理做了一件在招聘圈引起不小讨论的事：他把自己团队的传统代码面试环节取消了。理由很直白——无论是让候选人写一个React组件，还是考察汇编语言知识，Claude都能做得比人更好，而候选人在代码测试中拿高分，并不等于入职后能创造更高产出。

这件事戳破了一层窗户纸：**当AI能流畅地解出大部分传统面试题时，继续用这些题来筛选人，筛出来的到底是什么？**是候选人的记忆力和刷题量，还是他真正能带来的价值？

面试题需要一次根本性的重新设计。不是把题目变难，而是把考察的东西换掉。

先承认一个现实：静态题目已经失效

过去，一道好的面试题往往有清晰的正确答案。候选人答对了，说明掌握了；答错了，说明不会。这个逻辑成立的前提是：知识是稀缺的，能记住并复现知识的人是有价值的。

AI把这个前提打碎了。候选人可以在几秒钟内让AI生成一段Spring循环依赖的解决方案，也可以让AI解释微服务架构中的服务发现机制。如果面试还在问“请简述……”“请解释……”，考的就变成了谁更擅长使用搜索引擎和提示词——而这恰恰不是大多数岗位的核心能力。

CoderPad在2026年的一次产品演示中指出了这个困境：回收和泄露的题目对候选人来说太容易提前准备，甚至用AI直接解答，而静态题库的更新速度根本追不上岗位需求的变化。更关键的是，面试官团队里做技术招聘的人，往往没有足够的工程带宽去持续编写和更新真正有区分度的题目。

问题的根源不在“线上还是线下”。SocialTalent的一篇分析说得更直接：把候选人拉回会议室并不能阻止AI辅助作弊，因为问题出在题目本身——一道有可检索正确答案的题，在哪儿都能被破解。真正有效的是训练有素的面试官追问推理过程、挑战假设、抓住前后矛盾的地方。这种能力，隔着屏幕和面对面一样管用。

新题目的核心：看人怎么和AI一起工作

既然AI已经进入日常工作流，面试题就应该让候选人当着面试官的面使用AI，然后观察他如何使用。

Intuit的工程团队在2026年开发了一套“AI原生练习”，做法很值得参考。候选人拿到一个开放性问题，没有起始代码，不限定语言，可以使用任何AI工具。比如：“航天爱好者喜欢看火星车拍的照片，但几千张图翻起来很累。做一个能帮用户发现火星车照片的网页应用。用AI开发工具来探索API并完成你的方案。”

面试官不关心候选人“有没有做完所有功能”。他们看的是：候选人怎么向AI描述需求、怎么迭代提示词、拿到AI生成的代码后是否检查验证、遇到模糊地带时怎么和AI配合推进、以及最后能不能把自己的选择和取舍讲清楚。

这套考察逻辑和真实工作场景是对齐的。工程师现在本来就不是在真空里写代码，他们 prompting、迭代、验证、修正。评估这个流程，就是在评估日常工作的真实表现。

CoderPad的演示中也强调了类似的评估维度：不只是看代码质量，还要看候选人是否验证了AI的输出——是仅仅跑了一遍测试就交差，还是真正检查了逻辑的合理性。

传统能力还要不要考？要，但换个考法

完全放弃对基本功的考察是危险的。一个候选人可能很擅长让AI生成原型，但面对一段有bug的现有代码时手足无措。这两种能力不能互相替代。

Intuit的做法是双轨并行。一条轨道是上面说的AI练习，评估人机协作能力；另一条轨道保留传统编码练习，给候选人一段有预置bug的JavaScript或Python代码，不允许使用AI，考察调试、逻辑和基本功。两条轨道合在一起，才能拼出一个候选人完整的能力画像。

这给面试设计提供了一个务实的框架：不是用新题取代旧题，而是用新题考察旧题考不到的东西。传统编码题依然有它的位置——它筛掉那些基本功不过关的人；AI协作题则用来区分那些基本功过关的人里，谁能在现代工作流中真正产出价值。

出题方式本身也在变

有意思的是，AI不仅在改变“考什么”，也在改变“怎么出题”。

IEEE在2026年发表的一项研究中，用大语言模型系统化地生成软件工程面试题，覆盖不同领域和难度级别。和人工编写的题库相比，生成题目的语义一致性和结构质量都有显著提升，基于这些题目训练的分类模型准确率从14.95%提升到53.21%。另一项研究则走得更远：系统会综合候选人的简历、GitHub等公开技术档案，生成针对这个人的、基于他真实做过的事情的面试题，而不是从通用题库里抽一道。

北森AI面试官的“简历深挖”功能是一个已经落地的版本。候选人在简历里写“负责某系统优化”，AI不会只问“介绍一下这个项目”，而是连续追问：优化前的技术瓶颈具体是什么？你负责哪部分？为什么选这个方案、考虑过其他方案吗？效果用什么指标验证的？最大挑战是什么？如果重来会改什么？六个问题下来，真正做过的人能说出细节和取舍，挂名的人会在第三、四个问题开始含糊。

这种出题方式的逻辑是：题目的针对性比题目的数量更重要。一套为某个候选人量身生成的追问链，比十道通用题更能逼近真实能力的边界。

面试官的角色没有消失，只是变了

一个容易产生的误解是：AI出题、AI追问、AI评分，人就可以退出了。实际情况恰恰相反。

Anthropic的Felix Rieseberg在取消代码面试的同时，也坦承自己还没有找到评估“借助AI完成工作的人”的明确方法。他目前的做法是关注候选人作品集中那些能体现用户共情、产品判断力和原则性思考的原型。这说明连最前沿的AI公司，在评估“人机协作产出质量”这件事上，仍然依赖人的判断。

面试官从“想题目”的事务中解放出来后，精力应该转移到更不可替代的地方：听候选人讲述时捕捉那些微妙的信号——被追问到边界条件时的反应、描述技术决策时的清晰度、面对自己不知道的东西时的态度。这些信息，AI可以记录，但最终判断仍然需要人来下。

CoderPad在展望2026年的招聘趋势时给出的判断是：基于项目的真实评估，配合现场的项目讨论，正在取代算法谜题和共享屏幕的编程测试。目标是评估那些真正能预测工作表现的东西——能不能做出真实的产品、能不能解释自己的决策、能不能调试和审查代码（包括AI写的代码）、能不能协作。

说到底，AI时代的面试题，考的不再是“你知道什么”，而是“你带着AI能做成什么，以及你是否清楚自己在做什么”。题目形式会变，工具会变，但筛选人才的核心命题没有变：找到那些在真实工作场景中能创造价值的人。只不过现在，“真实工作场景”里多了一个叫AI的同事。