谷歌面试官：“以后面试都允许用 Gemini。” 我：“那还考什么？” 面试官：“考你会不会被 AI 带沟里。”

代码面开 AI，不是开卷考

今天鸭鸭刷到一条挺有意思的招聘新闻。

外媒 Business Insider 报道称，谷歌内部文件显示，从今年下半年起，计划在软件工程师招聘的“代码理解”面试环节，允许候选人使用谷歌官方认证的 AI 助手；试点阶段将统一使用自研模型 Gemini。谷歌发言人向媒体证实了这一安排。

报道里写得很具体：候选人要在现有代码库里做阅读、排错和优化；面试官会重点看“AI 应用熟练度”，包括提示词工程、对 AI 输出结果的核验，以及调试能力。谷歌把整套新流程定调为“人为主导、AI 辅助”，说是想更贴近生成式 AI 时代工程师的真实工作状态。

试点会先落在美国部分团队，面向初、中级岗位，谷歌云以及平台与设备等业务线会先试。如果跑得顺，再扩到更多业务和地区。

嗯，读到这儿很多人第一反应可能是：那不就是开卷吗。

但鸭鸭想先把话说在前面：

允许带 Gemini 进考场，不等于题目变简单。它更像把考场从“默写语法”挪到“带一个会瞎编的实习生一起干活”。你不会验，他写得越快，你死得越快。

为啥鸭鸭会这么看？

第一，代码理解本来就不是比谁敲得快。陌生仓库里找 bug、理调用链、判断一次改动会不会牵一发而动全身，这些活以前靠手写思路；现在多了一条：你得判断 AI 给你的“捷径”是不是在抄近道抄进沟里。

第二，报道里提到的考核点，其实是在把工程师拆成两半。一半是“会不会指挥 AI”，提示词怎么写、上下文怎么给、约束怎么说清楚；另一半是“敢不敢签字”，AI 改完你敢不敢说这版能合、能发、能背锅。缺一半，面试里都会露馅。

第三，这事不是谷歌一家自嗨。报道里还提到，澳大利亚公司 Canva 早在 2025 年 6 月就要求相关岗位候选人在技术面试里必须用 Copilot、Cursor 或 Claude 这类工具。美国 AI 编程公司 Cognition 也对 Business Insider 表示，已经把 AI 使用纳入面试流程，还把“面试禁用 AI”比作“让孩子不带计算器参加数学考试”。行业方向很直白：以后默认工作流里就有 AI，面试还在假装没有 AI，反而失真。

第四，皮查伊在 2026 年 4 月 22 日谷歌 Cloud Next 活动上说过，谷歌内部约 75% 的新代码由 AI 生成。这个数字不是用来吓唬人的，是用来解释公司为什么要改面试题。公司真正想问的是：当 AI 能吐出海量代码时，你还剩下什么不可替代的判断力。

那这事儿对正在准备面试的人意味着啥？

鸭鸭说几句实在话。

• 别把“会用 AI”理解成“会点生成”：面试里更值钱的是你怎么拆问题、怎么限定 AI 的发挥范围、怎么对输出做对照验证。会点生成的人一抓一把，敢验收的人不多。

• 刻意练“读陌生代码 + 小步验证”：给自己找一段不熟悉的开源模块，先用 AI 生成三种改法，再逐条对照测试用例、边界条件和性能影响。练的是肌肉记忆，不是 prompt 玄学。

• 准备一两个“AI 翻过车”的真实例子：面试里能讲清楚你怎么发现 AI 给的建议不靠谱、你怎么纠偏，比背八股更像高级工程师。

• 心态上把它当成开卷里的闭卷：卷子是开的，评分标准没开。公司要的是你能不能把 AI 的产出变成可上线的结果。

大家怎么看？如果国内大厂跟进“代码理解环节允许官方 AI”，你觉得公平吗，还是更卷了？欢迎评论区聊聊～

今天鸭鸭和大家分享一道 AI大模型面试题。

【什么是大模型微调？与预训练的核心区别是什么？】

回答重点

大模型微调就是在预训练模型的基础上，用特定任务的数据对模型做二次训练，让它从"通才"变成某个领域的"专家"。

跟预训练的核心区别有三点：

1）目标不同。预训练是让模型学通用的语言理解能力，在几百 GB 甚至几 TB 的通用语料上训练，比如维基百科、书籍、网页。微调是让模型适应特定任务，比如情感分析、代码生成、医疗问答，用的是跟任务相关的小规模标注数据

2）数据规模差异大。预训练动辄用几万亿 token 的数据，训练成本是几百万甚至上千万美元。微调可能只需要几千到几十万条标注样本，几张 A100 跑几个小时就能搞定

3）学习方式不同。预训练主要是自监督学习，让模型预测下一个 token 或者还原被遮盖的词，不需要人工标注。微调通常是监督学习，需要输入输出配对的标注数据

扩展知识为什么需要微调

预训练模型虽然能力强，但它学的是通用知识，面对特定场景还是差点意思。比如用 GPT 直接做法律合同审查，它可能连行业术语都理解不准；用它做客服问答，回复风格可能跟公司调性对不上。

微调就是一个性价比极高的中间方案，不用从零开始训练，也不用忍受通用模型在特定场景的平庸表现。

主流微调策略

1）全参数微调，把模型所有参数都拿出来重新训练。效果最好，但成本也最高。一个 70B 参数的模型，光加载到 GPU 就需要 140GB 显存，还得额外留空间存梯度和优化器状态，没有几十张顶级显卡根本跑不动

2）部分参数微调，冻结大部分层，只训练最后几层或者特定模块。减少了计算量，但效果往往不如全参数微调

3）参数高效微调 PEFT，这是现在的主流做法。核心思路是往原模型里插入少量可训练参数，原模型参数全部冻结。LoRA是最流行的一种，它在 attention 层的权重矩阵旁边加两个低秩矩阵，训练时只更新这两个小矩阵。一个 7B 的模型用 LoRA 微调，可训练参数可能只有几百万，显存占用直接降一个数量级

LoRA 的原理

LoRA 基于一个假设：微调时权重的变化量是低秩的，不需要更新整个大矩阵。

原本要更新的权重矩阵 W 是 d×d 的，比如 4096×4096，有 1600 多万参数。LoRA 把变化量分解成两个小矩阵 A 和 B 的乘积，A 是 d×r，B 是 r×d，r 一般取 8 或 16。这样可训练参数从 d² 降到 2dr，压缩了几百倍。

推理时把 LoRA 矩阵合并回原权重，不增加任何推理延迟。而且可以给同一个基座模型挂不同的 LoRA 权重，实现多任务切换。

微调数据的质量比数量重要

搞微调最容易踩的坑就是迷信数据量。其实几千条高质量数据的效果往往比几万条噪声数据好。Alpaca 当年只用了 52000 条数据就把 LLaMA 调成了能聊天的模型。

高质量数据的标准：指令清晰、回答准确、覆盖多样场景、格式一致。与其花时间爬更多数据，不如花时间清洗和筛选已有数据。

篇幅有限，完整答案可以点击下方小程序进行查阅：

我们精选了近两年的高频面试真题，已经有 10000 多道面试题目啦，由大厂资深面试官手写答案，押题命中率超高！

不仅有传统八股文，场景题、项目题、系统设计题等等应有尽有，还在不断更新中！

目前优惠最低特价 129 元即永久（限时上架）畅看所有面试题和答案，正式运营价格为 399+，不要错过这次优惠哈！

且，现在邀请好友注册并成为会员，还可获得 10% 的分佣！详情见面试鸭拉新邀请有赏规则（网页版面试鸭点击头像查看）

网页端网址：www.mianshiya.com