我做了七年多前端面试官，经手过几百场技术面试。直到去年深秋的一个下午，这种“经验”第一次让我感到了真实的困惑。
那天我照例在面试一位五年经验的候选人。在“如何实现一个高性能的虚拟列表”这个经典问题上，他的回答堪称完美——边界情况、缓存策略、滚动优化，面面俱到。但当我把问题改成“假设我们的用户主要来自非洲，网络条件很差，手机内存只有1GB，你的虚拟列表方案需要做什么调整”时，他明显愣住了。
后来复盘时我意识到一个让我后背发凉的事实：刚才那套完美的答案，大概率是AI在面试前替他准备的。而那些追问，才是属于他的真实水平。
AI时代的面试，正在经历一场深刻的信任危机。但比危机更值得思考的是：当AI能写出80分的代码，我们到底在筛选什么？
一、传统面试的“失效时刻”
过去五年，前端面试经历了从“八股文”到“工程化”的演变。我曾经也习惯问这些问题：
“说一下浏览器从输入URL到渲染页面的完整过程”
“手写一个深拷贝”
“React的diff算法原理是什么”
这些问题的本质是知识点的存量测试。在信息获取成本极高的时代，能记住这些细节本身就是一种能力。但现在，任何一个人打开ChatGPT，三十秒内就能获得比教科书更完整的答案。
更尴尬的是，我观察到两个让我不安的趋势：
第一，AI正在制造“伪高级工程师”。
有些候选人简历光鲜，面试对答如流，甚至能给出多种技术方案的对比。但只要追问“你当时为什么选择方案A而不是B，考虑过团队的学习成本吗”，或者“如果现在让你重新做一遍，会有什么不同”，他们就会露出破绽——那些决策痕迹不属于他们。
第二，AI让“造假”变得极其廉价。
以前伪造项目经验需要编造细节、自圆其说，成本很高。现在AI可以帮你生成一整套虚拟的技术方案，连代码示例、踩坑记录、性能数据都可以伪造得滴水不漏。
当一个人的“知识库”和“经验”都可以被AI低成本伪造时，我们曾经引以为傲的面试体系，正在面临系统性失效的风险。
二、AI时代的工程师，真正值钱的是什么？
我花了很长时间反思这个问题。最终我得出的结论可能有些反直觉：AI时代，工程师最稀缺的能力，恰恰是那些“非技术”的东西。
1. 架构直觉：权衡的智慧
AI可以生成代码，但它无法理解“为什么这个项目不需要微前端”，无法感知“三个月后这个功能大概率会变成核心业务”。架构的本质是在不确定性中做权衡——用多少复杂度换取多少灵活性？代码写得“脏”一点可以抢出多少上线时间？这些决策依赖于对业务、团队、甚至公司政治的理解。
AI没有商业压力，没有KPI，没有产假带来的交接风险。它能写出完美的代码，但它不知道什么是“恰到好处”。
2. 调试的韧性：面对未知的勇气
我职业生涯中最有价值的技能不是写代码，而是在黑暗里摸到线头的能力。当一个诡异的线上Bug出现，所有文档都查不到，AI也给出似是而非的建议时，真正能解决问题的是那种近乎偏执的探究欲——打开Chrome DevTools一步步追踪，在源码里打断点，甚至去读编译后的代码。
这种能力无法通过刷题获得，也无法被AI替代。它来自于一个人面对不确定性的勇气和耐心。
3. 语言的可翻译性
这是我最近两年最在意的能力。优秀的工程师能把复杂的技术问题翻译成产品听得懂的语言，能让老板理解为什么“重构”不是在浪费工时，能在跨部门协作中减少90%的沟通损耗。
AI的“沟通”是单向的信息输出，而人类的沟通是双向的共情、博弈、妥协。这一点在AI时代反而更加珍贵。
4. 代码的“手感”
这是一种很难量化的能力。一个有经验的工程师，写出的代码即使功能简单，你也觉得干净、舒服、有层次感——变量命名恰到好处，边界条件处理周全，不会过度设计，也不会偷工减料。
这种“手感”来自大量的真实项目历练，来自无数次Code Review的打磨，来自被线上事故教训后的肌肉记忆。AI可以模仿风格，但很难真正拥有这种积累出的判断力。
点击下方小卡片免费获取前端资料前端资料https://mp.weixin.qq.com/s/iBmSycbmeTCSRNKJQ10EuA
三、面试的进化：从“知识测试”到“场景共演”
基于这些思考，我在过去一年彻底重构了我的面试方式。核心思路是：不再把面试看作“考试”，而是看作一次“真实的协作预演”。
1. 开放AI，但追踪思考
我现在明确允许候选人使用AI工具，但会提一个特殊要求：“请把屏幕共享打开，我希望能看到你如何使用AI。”
我观察的重点是：
Prompt的质量——是“给我写一个表格”还是“我需要一个支持虚拟滚动、行高可变的表格，考虑内存占用”
批判性使用——是否会照搬AI的答案，还是会质疑、修改、追问AI
知识的边界——当AI给出错误建议时，能不能识别出来
2. 设计“无法被AI回答”的问题
这些问题通常有两个特征：强上下文依赖和多目标约束。
比如我会给一个真实的场景：
“我们现在有一个老项目，用了jQuery + Backbone，技术债很重。产品要求在下个月上线一个类似Notion的协同编辑功能，团队只有三个人。你建议怎么推进？技术选型、人力分配、风险控制都说说。”
这种问题没有标准答案，AI可以给出泛泛的建议，但真正的思考在于：候选人能否追问清楚现有系统的细节？能否权衡新老技术的融合成本？能否预见团队能力与目标之间的差距？
3. 重视“决策痕迹”
我会在面试中反复追问同一个问题：“当时还有其他方案吗？你为什么选了现在这个？”
一个好的工程师，他的决策往往是可追溯的——他记得当时的技术限制、团队状态、业务压力，甚至记得某个关键决策是在什么会议上、和谁讨论后确定的。这些细节很难伪造，也是区分“真经验”和“AI包装”的试金石。
4. 引入“反向面试”环节
我会留出15分钟，让候选人问我问题。不是客套的“你问吧”，而是明确告诉他：“现在你可以问我关于团队、技术栈、业务、发展空间任何问题。我想通过你问的问题，了解你在乎什么。”
一个在乎工程质量的人，会问“你们的CI/CD流程是怎样的”；一个在乎成长的人，会问“团队的技术氛围和分享机制”；一个只想要个饭碗的人，可能会问“加班多吗”。
四、面试官的自省：我们被时代追赶
这一年的改变，也让我不断审视自己。我渐渐意识到，真正需要进化的不只是面试标准，还有面试官本身。
经验正在成为负担。我曾经引以为傲的知识积累，现在AI三秒就能生成。如果不及时更新判断维度，我可能会错过很多新范式下的优秀人才。
偏见需要不断破除。面对一个习惯用AI辅助工作的候选人，第一反应不该是“这人不诚实”，而是“他是否比不用AI的人更高效”。技术中性的道理我们都懂，但在面试中往往很难做到。
面试本身也需要重新定义。当代码不再是护城河，面试的价值就不再是筛选“能写代码的人”，而是识别“能驾驭代码创造价值的人”。这意味着面试官需要更懂业务、更懂协作、更懂人。
五、写在最后：技术人的终极追问
AI的到来，对技术人来说，其实是一场终极追问。
我们曾经引以为傲的“技术壁垒”——那些我们花无数个夜晚啃下的源码、记下的API、练出的手速——正在被技术本身瓦解。当代码不再是稀缺品，什么才是？
我想，是对复杂系统的理解，是在不确定中做出判断的勇气，是与人和机器协作的能力，是把一个模糊想法落地为可用产品的工程直觉。
这些东西无法被压缩成一个Prompt，也无法通过一次考试获得。它们来自于真实世界的摸爬滚打，来自于失败后的复盘，来自于对“创造”这件事本身的敬畏。
作为面试官，我的责任不是筛选出“知道最多的人”，而是识别出那些在AI时代依然能创造独特价值的人。这不仅是对候选人的考验，也是对我自己的审视——在这个技术加速迭代的时代，我是否也在成长？
毕竟，AI不会淘汰技术人，但会用AI的技术人，可能会淘汰那些拒绝拥抱变化的同行。
而面试官，不过是这个变化中的一个缩影
点击下方小卡片免费领取前端资料前端资料https://mp.weixin.qq.com/s/iBmSycbmeTCSRNKJQ10EuA
