Google、Meta 面试已转向"AI 辅助编程"，考的是你会不会管 AI

在短短几年时间，面试领域已经悄然发生了巨大的变化...

以前面试:禁止用 AI。 现在面试:请你用 AI。 然后你发现，题更难了。

最近我刷到一堆消息，越看越觉得，后面大家可能不需要手撕了，哈哈，面试题的逻辑正在被整个翻过来，翻得还挺彻底。但是，我也觉得如果考使用ai的话也没那么简单。

• ◆ Google 被曝出在软件工程师面试里引入 AI 助手
• ◆ Meta 去年 10 月就开始试点 AI-enabled coding 面试
• ◆ Canva 直接写博客说，他们不只是允许，而是坚持要你用 AI
• ◆ 连做测评平台的 Codility，10 月更新里都在讲:面试官可以偷偷让面试里的 AI 埋一个 bug，看你有没有发现

今天将这几家的做法给拆开来看。最后整理 5 道很可能被问到的 AI 辅助面试题，每道都附上答题思路。

✦ ✦ ✦

一、先看现状:大厂到底怎么考? 1. Google:代码理解轮，配 Gemini

据 Business Insider 看到的内部文件，Google 打算从今年下半年开始，在软件工程师面试的代码理解轮里，让候选人用上 AI 助手。这一轮的名字叫 code comprehension，翻译过来就是代码理解。

几个关键信息，我列一下:

• ◆ 评估的重点是 AI fluency。具体包括三块:prompt 能力、输出验证，还有调试能力
• ◆ 试点阶段用的助手，是他们自家的 Gemini
• ◆ 背景是这样的:Google 内部新增的代码里，大概有四分之三已经是由 AI 生成的了，这是截至今年 4 月的数据
• ◆ 官方口径是"人主导、AI 辅助"。他们重点看的，是你怎么去管理和改进 AI 生成的代码，而不是看你手写
• ◆ 试点范围是有限的。先面向初级到中级岗位，在美国的部分团队跑，效果好了再往全球扩
• ◆ 同一轮改动里，初级候选人的一轮技术面会被替换成"解决开放式工程问题"。你看，这次不只是加了 AI，连题型本身都在变
• ◆ Google 招聘副总裁 Brian Ong 对 Business Insider 表了个态，大意是:这次试点是为了让软件工程面试，更贴近团队在 AI 时代的真实工作方式

注意这个轮次的名字，叫"代码理解"。它不是让你从零写一个 LRU，而是丢给你一个现成的代码库，让你去读、去调试、去优化。

这里有个容易误解的点，我得单独说清楚:AI 只在确认参与试点的那一轮开放。如果你没被告知可以用，那就别默认自己能用。

2. Meta:一道长题，AI 在旁边

Meta 从去年 10 月就开始试点 AI-enabled coding 了。我翻了几个面经，情况大概整理成这样:

• ◆ 它替换掉 onsite 里两轮传统 coding 中的一轮，这是针对 E6 及以下的。E7+ 和 M1 则只有一轮 coding，而且就是 AI 辅助的那轮
• ◆ 形式上也不再是两道互不相关的算法题了，改成一道分阶段的长题
• ◆ 面试环境里有 AI 聊天面板，代码能跑，还能切换模型。据面经整理，可选的包括 GPT、Claude、Gemini、Llama 这些。这一点和 Google 形成了对比，Google 那边只能用 Gemini
• ◆ 候选人只能在面试环境里面用这个助手，不是让你自带工具进去
• ◆ Meta 评估的，依然是传统 coding 面试那四项能力，并不是在考 prompt engineering。有的候选人进去之后，几乎不怎么碰 AI
• ◆ 还有一个很多人踩的坑，就是跳过读题和读代码的阶段，直接让 AI 上手去写

Meta 当时给内部的说法是:这就更接近未来员工的真实开发环境了。同时呢，它也让"用 LLM 作弊"这件事，变得不那么有效。

3. Canva:最彻底的一家

Canva 的工程博客写得最透，我把要点拆开给你看:

• ◆ Canva 近半数的前后端工程师，是 AI 编程工具的日活用户
• ◆ 所以他们直接用"AI 辅助编码"面试，把原来的计算机基础筛选面给替换掉了，后端前端都换
• ◆ 面试前会提前告知候选人要用 AI，还会建议你先去练习一下
• ◆ 他们的结论挺扎心的:传统题，比如 Conway 生命游戏，AI 几秒就能做对。所以题目必须改

那到底怎么改?题目变得更复杂、更模糊、也更像真实需求了。博客里举了个例子，不再让你实现生命游戏，而是换成这样一道题:

"做一个管理机场飞机起降的控制系统。"

这种题，一个 prompt 是打不穿的。你必须自己去澄清需求、去拆解、去做取舍，一步一步来。

Canva 还总结了高分候选人身上共有的特征，我觉得这是全文的精华，原样放在这里:

1. 1. 会先去追问产品需求，而不是一上来就动手写
2. 2. 只把定义清晰的子任务交给 AI，整体方案是自己握着的
3. 3. 对 AI 生成的代码，会带着批判性去审查，然后动手改进
4. 4. AI 方案出问题的时候，有扎实的 debug 能力

博客里还有一个很有意思的发现:AI 使用经验很少的候选人，经常会吃亏。他们吃亏倒不是因为不会写代码，而是缺了一种判断力，就是那种指挥 AI、能看出它哪里建议得不好的判断力。

4. Codility:面试官可以让 AI "使坏"

Codility 在 10 月的产品更新里，放出了两个很能说明风向的功能:

• ◆ AI 开关细到每一道题。同一场测评里，第一题让你用 Claude Code 做功能，第二题把 AI 关掉，让你去修 bug
• ◆ 还有一个叫 AI Instructions 的功能。面试官可以给面试里的 AI Copilot 和 Claude Code 写指令，候选人是看不到的。比如让它悄悄埋一个 bug，或者写一段不好的实践进去，然后观察你是认真 review 了，还是直接复制粘贴

这里要注意，每一次 prompt、命令、代码改动，都会被记录进报告里。

换句话说，"你有没有 review AI 的代码"这件事，已经变成一个可以被主动设计、主动检测的面试环节了。

5. 风向的源头:Karpathy 的那条推文

Karpathy 在今年 1 月 26 号发了一组笔记，大意是说:受最新模型编程能力提升的影响，他的工作流整个变了。11 月的时候，还是"约 80% 手写加自动补全、20% agent"，到了 12 月，就变成了"80% agent 编码、20% 修改和润色"。他同时也提醒了一句，手写代码的能力可能会退化。他还建议，让 AI 去 review AI 写的代码。

更有意思的是他对模型缺陷的描述，几乎就是面试官想考你的东西:

• ◆ 模型还是会犯概念性错误。它会基于一个错误的假设，一路往下写
• ◆ 它容易过度复杂化，而且不太会主动跑来澄清
• ◆ 所以你要像盯着一只鹰一样盯着它，配合 IDE 一起做审查
• ◆ 他给出的杠杆用法是:先给成功标准，比如测试，再让它循环跑到通过为止

这几条换成面试语言，其实就是三件事:识别隐含假设、追求简单方案、先定义验收标准。等下你会看到，我整理的题 1 和题 3，考的就是这些东西。

这条推文之所以重要，是因为它把一个事实给摆上了台面:写代码这一步，正在从"核心技能"变成一个"可委托的环节"。

那面试自然就要换个考法了。

✦ ✦ ✦

二、把趋势翻译成"面试题"

这几家的共同点，可以总结成一句话:

考察的对象变了，从"你会不会写"，变成"你会不会管、会不会查、会不会兜底"。

下面这 5 道题，是我根据上面这些做法整理出来的。这里先说清楚一件事:这是我归纳的典型题型，不是某家公司的原题。

✦ ✦ ✦

题 1:AI 给你生成了一段代码，跑通了，你怎么判断能不能合进去?

考察点是输出验证，这一条 Google 明确写进了评估项。

答题思路嘛，别只说一句"我会跑测试"就完了。可以按这个顺序来:

1. 1. 先读懂。AI 的实现思路到底是什么，有没有偷偷换掉需求
2. 2. 看边界。空输入、超大输入、并发、异常路径，这些都过一遍
3. 3. 看副作用。有没有引入多余的依赖，有没有改了不该改的文件
4. 4. 补测试。可以让 AI 生成测试，但测试本身你也要审，它可能只测了自己写的那套实现
5. 5. 对照生产标准。日志、错误处理、性能、安全，一样样对

加分点是主动说一句:"我不会因为它跑通就信它。"

✦ ✦ ✦

题 2:面试官在 AI 里埋了个 bug，你没发现。你觉得问题出在哪?

考察点是 review 习惯，Codility 那个功能就是专门干这个的。

答题思路是这样的:这是一道自我复盘题，诚实比完美重要。

• ◆ 根因通常是你把 AI 当成了"已经审过的代码"，而不是"一个实习生提过来的 PR"
• ◆ 改进动作也很明确:先预期它会错，带着问题去读;关键路径自己手动走一遍;再让另一套独立的检查，比如测试、类型、静态分析，来给你兜底

✦ ✦ ✦

题 3:这个需求很模糊(比如"做个机场起降调度")，你的第一步是什么?

考察点是需求澄清与拆解，这是 Canva 的核心设计。

答题思路就一句话:第一步不是打开 AI，是去提问。

• ◆ 约束是什么?规模、实时性、安全优先级，这些都得先问清楚
• ◆ 然后先定义一个最小可行的范围
• ◆ 再拆成子任务，接着决定哪些交给 AI，哪些留给自己写

如果你一上来就把整段需求原文直接丢给 AI，那基本就暴露了:这个方案里，你没有主导权。

✦ ✦ ✦

题 4:什么任务你会交给 AI，什么任务你坚决自己做?

考察点是判断力，也就是"AI 使用经验少的人容易吃亏"这件事的反面。

答题思路是给一个有逻辑的分界，而不是甩一句"看情况":

适合交给 AI

建议自己把控

样板代码、重复性改动

核心架构和数据模型

定义清晰的函数实现

安全、权限、资金相关逻辑

测试用例草稿、边界枚举

需要权衡取舍的设计决策

读陌生代码库、找入口

最终的验收和责任

一句话总结就是:可验证、边界清晰的，交给 AI;需要负责、需要取舍的，自己握住。

✦ ✦ ✦

题 5:既然 AI 都能写，为什么还要考你基础?

考察点先说一下，这是道陷阱题，也是同行最爱问的。

答题思路是正面回答，别急着防御:

• ◆ 没有基础，你就看不出 AI 错在哪。有篇分析 Meta 新面试的文章说得很精准:AI 反而会让薄弱的基础变得更明显
• ◆ Canva 内部当时也担心，面试会变成"凭感觉编程"。他们最后的共识是:基础要求没有降，只是换了个考察场景。而且不管代码是自己写的还是 AI 写的，你都要对它负全责

✦ ✦ ✦

三、给正在找工作的你:几点实操建议

1. 1. 提前在目标公司的同款环境里练。Meta 会给练习环境的链接，Canva 也会提前告知。有机会就去练，别第一次摸那个面板，就是在正式面试上。
2. 2. 练"读"比练"写"更重要。找一个陌生的开源项目，限时 30 分钟，走一遍:读懂、定位、改一个小功能。这跟 Google 的代码理解轮是最接近的。
3. 3. 形成一套固定的 review 套路。就算 AI 给的答案看起来很完美，也照样走一遍:边界、副作用、测试、是否符合需求。面试官想看的，其实就是你这个动作。
4. 4. 先给成功标准，再让 AI 动手。这里借用一下 Karpathy 的思路:先说清"怎么算做对"，比如测试、输入输出、边界，然后再让 AI 去迭代。面试里这样做，既显得你有章法，也能自然而然地把验证环节给引出来。
5. 5. 准备好讲清楚你的 AI 使用策略。什么时候用、什么时候不用、怎么验证。这是高频追问，你最好有一段 30 秒的现成回答在手里。

✦ ✦ ✦

结语

回头再看这几家的做法，你会发现一个挺有意思的现象:

面试里允许用 AI，并不是把门槛降低了，而是把"AI 做不了的那部分"单独拎出来考了。

读需求的能力、拆问题的能力、判断的能力、对结果负责的能力。

这些东西，AI 帮不了你，但它们会被放大。

✦ ✦ ✦

参考来源

• ◆ Business Insider 关于 Google 面试试点的报道(通过转载与二次报道整理)
• ◆ Canva Engineering Blog: Yes， You Can Use AI in Our Interviews. In fact， we insist (2025-06-11)
• ◆ Codility 2026 年 10 月产品更新: Switch the coding agent on， off， or have it slip in a bug
• ◆ Karpathy 2026-01-26 推文(通过二次报道整理)
• ◆ Meta AI-enabled coding 面试(通过 interviewing.io、Hello Interview 等整理)
• ◆ https://www.businessinsider.com/google-job-interview-software-engineers-ai-assistant-coding-2026-5