AI Coding 实习生面试官经验总结：简历、项目、AI 能力与七个考察点

AI Coding 实习生面试官经验总结：简历、项目、AI 能力与七个考察点

面试官在面试 AI Coding 实习生时，最看重的并非传统开发经验或花哨的项目，而是候选人是否真实、熟练地使用 AI 进行编码工作，能否展示自己的 AI 工作流、Agent 理解深度以及独立思考能力。

一、背景说明与核心立场

面试官"克说爱薇薇"近期担任 AI（Artificial Intelligence，人工智能）实习生的面试官，面试了数位候选人后，从自身经验出发，点评和总结实习生在简历撰写、面试回答方式上的共性问题，并明确说明个人会考察的点位。核心立场如下：

• 岗位性质是 AI Coding 相关的，而非传统前端、后端岗位。
• 面试官不关心候选人项目写得有多"屌"、是否上线、是否有 GitHub 仓库，甚至明确表示"看不上"实习生的玩具项目。
• 面试官认为：AI Coding 能力强 = 等同于有项目，因为能力强的人能创造项目，不需要靠五花八门的项目列表来证明自己。
• 面试官会在前两分钟的自我介绍阶段就初步判断候选人能否通过。

二、简历与自我介绍的常见问题

2.1 简历内容与岗位严重不匹配

面试官指出，多数候选人的简历存在大量传统开发篇幅的问题：

• 大量篇幅描述传统开发技能（Java、前端等），在"技术栈"部分花大量篇幅罗列技术名词。
• 既然是 AI Coding 相关岗位，简历就不应再大规模写传统开发信息。
• 面试官直言："如果是我来筛选，你的简历不会过我这一关。"虽然简历不是他筛的，但候选人应反思是否简历本身就有问题——"可能简历不是你筛的，是其他人筛的，然后让另外一个面试官来面"。

2.2 自我介绍与岗位职责不匹配

• 候选人自我介绍还在大谈 Java、前端、Go 等传统技术，面试官吐槽"听的都有点烦了"。
• 面试官引用一个梗："学 Java 学的，思维已经被 Java 固化了。"
• 核心原则：不同的岗位要有不同的简历和自我介绍，除非你用通用模板，否则过于具体化的内容若与岗位不匹配，面试官"前两分钟就想挂了"。
• 面试官解释了一些候选人面试时间很长却没通过的原因：后面可能全是在混时长，因为面试必须凑够一定时长，不然"反手给你几分钟挂了，也说不过去"。站在面试官角度考虑，这是面试流程的隐性规则。

三、关于实习生的项目：面试官的真实态度

3.1 为什么不关心实习生的项目

两个原因：

1. 实习生写不出真正商业化的东西，面试官自己也是从实习生过来的，分辨得出项目是否真实、是否有人用。
2. 面试官能轻易识别伪造项目：

• 看到 GitHub 仓库后，一眼能看出是伪造的。
• 方法：让 AI 追溯 Git 提交记录、commit 历史，即使删除了注释、README、协议，也能追溯。
• 一旦发现项目是伪造的，面试官"两分钟就给你挂了"。

3.2 面试官什么时候会问项目

面试官个人观点，如果面试官主动问项目，可能的原因：

• 岗位描述是传统开发方向，并非 AI 相关；
• 面试官的思维没有转变过来；
• 面试官确实没有别的东西可问了。

3.3 项目形态的典型问题：运维助手平台案例

面试官指出，10 个人中（视频中口误说"四个人"，应为口误）有三个人都写了"运维制作平台"，面试官直言："纯玩具"。

• 这个需求本质上应该用 Skills 化（Claude Skills 一类的可复用技能包）解决，而不是做成一个平台。
• 面试官本人确实有运维需求（国内外多台服务器、多个项目要维护），但他的做法是将其做成 Skills，而不是平台。
• 做平台需要考量的因素太多：UI、前端、后端设计等；而运维助手本质上是和"知识资产"相关的 Skills，不应是流程化的平台。
• 根因判断：候选人没有从本质思考项目到底要解决什么问题，很可能是跟着培训班或博主项目走，而 系统架构设计能力存在缺陷，所以把该 Skills 化的东西设计成了平台。

四、AI 时代看重的两种核心能力

面试官额外提出，AI 时代下（无论实习生、社招还是其他岗位），只看重两个核心能力：

1. 系统架构设计能力：判断一个需求本质该用什么形态实现（如 Skills 而非平台）。
2. 产品能力：理解产品真正要解决的问题，而不是照搬别人的项目。

语言、具体技术栈都不重要，"不 care"。

五、AI Coding 能力的七个考察点

面试官明确表示：不管候选人简历写了什么、自我介绍怎么说，他固定会追问七个问题，这七个问题能涵盖候选人自身的 AI Coding 与 Agent 相关能力。如果七个问题都回答得好，项目根本不重要。

5.1 第一组：AI Coding 工具的真实使用与差异认知

问题： 你是否真实使用过 AI Coding 工具？使用过哪些工具？它们之间有什么差异？

考察目的：

• 考察候选人是否使用过全球最顶尖的 AI Coding 工具（如 Codex、Claude Code 等 Agent 类工具）。
• 如果连市面上最顶尖的工具都没用过，说明对 AI 的敏感度和能力不足。
• 本质上考察对 Agent 概念及本质的理解。

面试官指出一个具体工具差异的例子：

• Codex 与 Claude Code：Codex 的沙盒（沙箱）能力完全比不上 Claude Code 的 Agent 能力。
• 使用 Claude Code 时，只要 prompt 涉及搜索或调研类任务，它会主动调用它的 11 个"子 Agent"去执行；而 Codex 不会这样做，只会无脑用主模型。
• 这是 AI Coding 工具之间的真实差异。

针对"工具贵"的回应（针对实习生/学生的经济情况）：

• 面试官理解学生可能觉得 Claude Code 和 Cursor 比较贵，可能会用"脆"（音，可能指某国内产品）或"口"（音）之类的工具，但他认为"太水了"。
• 但可以在 Claude Code 中接入其他模型（如 DeepSeek） 来降低成本，工具本身是 Agent 载体。
• 使用最顶级的 AI 工具，才能在工作中知道"如果要做一个 Agent 应该是什么样"。
• Claude Code 这类产品本质上就是一个 Agent，只是加了一些东西变成了 AI Coding 类 Agent。候选人平时做的其他 Agent 和它"大差不差"。

5.2 第二组：个人 AI Coding 工作流

问题： 你自己的 AI Coding 工作流是怎样的？

考察目的：考察候选人对 AI Coding 的熟练度是否足够。

面试官要求的具体层次：

• 需要说明具体用了哪些工具、哪些 Skills，而不是说"车轱辘话"（八股话）。
• 面试官举例了一个典型的"车轱辘话"回答："我们先需求分析，后面再写 Plan，后面再 review 等等"——这是每个程序员都知道的，等于什么都没说。

面试官示范的合格回答样板：

1. 需求分析：用某个需求分析类 Skills（如 Super Prompt 里的，或某个"加 M1"（音）的 Skills）与 AI 充分讨论，产出需求文档。
2. 转成 Plan 文档：将需求文档转成 Plan 文档。因为 AI 接下来的执行要分步骤，Plan 文档可能含多个步骤，由不同的"子 Agent"去执行。
3. 转成 AC（Acceptance Criteria，验收标准）：因为写完功能后要做端到端测试，所以需求分析阶段就要规划好测试环节。
4. 子 Agent 任务管理：明确哪些任务派发给哪些子 Agent。
5. Review 分阶段：

• 代码功能 Review（检查代码有没有出问题）；
• 代码整体 Review（是否遵循项目规范或优化设计）；
• Spec Review（代码与初始需求分析是否有偏差）。

1. 端到端测试（e2e）：测试完成。
2. Git 管理：提交代码。
3. 文档管理与对齐：更新文档——中途若有问题或代码改动，要更新对应文档；若代码与其他功能有联动，相关文档也要更新，因为未来还有三叉文管理（音，可能指三方文档管理）。

5.3 第三组：常用 Skills 与理解深度

问题： 你常用哪些 Skills？如何理解 Skills？

考察目的：

• 若候选人能说出很常用的一些 Skills，说明其平时对 AI 有钻研度，用得越多技术广度越宽。
• 整个工作流 SOP 中实际用到非常多 Skills，所以能回答好工作流问题的候选人，一定会有常用的 Skills。
• 同时考察深度：候选人是否主动思考过某 Skills 是否真的有效，还是盲目使用。

面试官的观点：

• 有些 Skills 其实应该被淘汰，但候选人在用，且没思考过它有没有帮助。
• 举例：Super Prompt 类 Skills。面试官表示自己现在已经不用了——"太耗时还耗我的 Token。一个需求不用它 10 分钟做出来，用了它要 1 个小时。顶级模型不需要这个东西。"
• 对学生/实习生的建议：有条件还是建议用一下顶级工具，"有些经验其实是花钱烧出来的"。想体会不同模型在边界能力上的差异，听别人说没用，必须自己亲自实操。Token 烧得越多，经验越多（但"越多"要打引号，看怎么烧）。

5.4 第四组：AI 思维与前沿趋势理解

问题： 你怎么理解 Agent、怎么理解 Agent 工程、怎么理解目标工程？

面试官给出的核心解释框架：

Agent 的本质：

• 在 Agent 工程（Agent Engineering）出现之前：大模型 + 工具 = Agent。
• Agent 用来帮助人类解决问题、处理问题。大模型不具备处理问题的能力，必须加工具才能实现。

Agent 工程：

• 加上上下文、加上记忆、加上自我沉淀等约束条件，打造一个 Agent 工程，让大模型不会跑偏，输出质量也更高。
• Agent 工程里没有新技术：上下文工程两年前就有，提示词工程两年前就有，"记忆"两年前就有，自我沉淀/自我学习两年前也有。"它并不是一个很高深的技术，这些都是本质。"

目标工程：

• 目标工程（Goal Engineering）出现的原因是模型变牛逼了。
• 现在只需要把目标告诉 AI，过程不用管。
• 例如做网站，只需要把网站需求或目标给 AI Coding 去做。
• 面试官坦白："其实我不是很看好目标工程的，但是你得知道为什么会突然出现目标工程这个概念。"
• 深入思考：目标工程的技术不算新颖，两年前就能实现，为什么两年前概念没出来、现在出来了？因为模型本身变强了，模型能自己分析需求、遇到偏差自己改、记忆自己沉淀、文档自己管理——顶级模型内置了这些能力。所以只需给目标，不必给特别详细的需求（否则反而限制发挥）。

六、面试的核心加分项：主动展示共享屏幕

面试官极其看重候选人展示作品的能力。

• 如果候选人能主动说"面试官，我可以共享屏幕来展示我的个人作品 / 我平常 AI Coding 的使用方式"，这把面试基本就稳了。
• 这个行为传达的关键信息：

1. 自主学习能力强：说明项目或使用方式是他自己做的，非常熟。
2. 自信且能掌控主动权：平常面试是一问一答，但共享屏幕后主动权就在候选人手里了，可以带着面试官的思路走。只要过程中没有大偏差，面试官会跟着候选人思路走，把最亮眼的一面展示出来。

• 面试官补充：后面可能就变成"聊聊天"了，但不是说直接走完流程——面试官还是会多问几句验证候选人的能力；既然候选人敢主动展示且内容没问题，那面试官问的问题他都能回答上来。

七、对 AI 面试（AI 辅助/代替面试）的态度

• 面试官表示 AI 面试对他"没有一点影响"，他能从话术中听出来。
• 但如果候选人能够共享屏幕做真实展示，那么即使用了 AI 面试，"我也不在乎"。
• 甚至："你就算 AI 面试能面过，我也算你牛逼，说明你的 AI 确实比较屌。"

八、总结与核心要求（对候选人的完整画像）

面试官在收尾部分给出对实习生的明确期望：

最终判语：

• "很多候选人的问题不是项目不够多，也不是项目不够大、不够牛，而是从头到尾都没有证明自己为什么适合这个岗位，你们和这个岗位有了极大的偏差。"
• 七个问题答不上来，是因为面试的就是 Agent 岗位，"你答不上来就是你学艺不精，该喷该挂活该。"
• 最后提醒："虽然话说得比较重，但是你们得醒悟一下。"

九、行动清单（对候选人的实际准备建议）

1. 修改简历：删除或大幅缩减传统开发内容，聚焦 AI Coding 相关技能与项目。
2. 针对岗位定制自我介绍：不同岗位用不同版本，突出与该岗位相匹配的能力。
3. 真实项目：不要伪造 GitHub 仓库、提交记录，面试官可通过 AI 追溯识别。
4. 项目形态反思：从本质出发思考项目的正确系统架构形态（Skills 化 vs 平台化），必要时用 Skills 而非平台形态来解决问题。
5. 使用全球顶级的 AI Coding 工具：哪怕通过接入低成本模型（如 DeepSeek）来降低成本，也要体验 Cursor、Claude Code、Codex 等工具的能力差异。
6. 梳理个人 AI Coding 工作流：准备好完整回答，包含具体 Skills 名称、执行步骤（需求分析 → Plan → AC → 子 Agent 任务管理 → 分阶段 Review → e2e 测试 → Git 管理 → 文档对齐）。
7. 思考常用 Skills 的适用场景：哪些 Skills 真正提升了效率，哪些可以被淘汰，形成自己的判断。
8. 理解 Agent / Agent 工程 / 目标工程的概念本质：明确各概念与两三年前已有技术的关系，理解其出现条件（模型能力变化）。
9. 准备共享屏幕展示：主动请求共享屏幕，展示真实作品和 AI Coding 日常，掌握面试主动权。
10. 确保经历真实、思考独立：宁可理解不成熟，也不要编造经验和内容。

十、待确认与不确定信息

以下内容因原视频为口语化表达，存在信息不完整或模糊之处，阅读时需注意：

• 视频提到"10 个人当中有三个人都写了运维制作平台"，在转录中可能存在数字口误。
• "加 M1"（音）具体指哪款需求分析 Skills 名称，视频未给出明确拼写。
• "脆"、"口"等工具名称为音译，可能指特定国内 AI 工具，原视频未明确说明。
• "11 个 Support 子 Agent"为 Claude Code 相关具体机制的口语化表述，原视频未提供官方文档佐证。
• 面试官未透露所在公司及岗位的具体部门信息，也未提供招聘渠道或岗位编号。
• 目标工程的"不看好"的具体原因，面试官表示"但是你得知道为什么会突然出现"，但未展开详细论证其局限性。