当 Copilot 能用几秒钟生成一段完整函数，候选人展示专业能力的方式正在发生根本性转变。

一项针对 16 名软件工程师的实地研究发现：在 AI 编程助手介入后，现场编程面试（Live Coding Interview）的评估逻辑正在被彻底改写。传统考核方式不再适用 —— 因为 AI 把"一步步写代码"的过程压缩到了一秒钟，评估者再也看不到人的思考路径。

这不是一场关于"AI 能否取代程序员"的宏观辩论，而是一个正在发生的面试现场现实。

蚂蚁集团校招要求AI编程#AI时代的问题解决能力新框架

传统评估信号正在消失

研究的核心发现可以概括为四个字：结果失效。

评估者依然看重候选人对任务的理解、错误处理能力、代码整洁度——但仅仅"跑通代码"已经不够了。原因很简单：跑通的那段代码，很可能是 AI 写的。

当 AI 接管了任务拆解、渐进式编码、基础报错修复这些传统上展示思考过程的关键环节，候选人失去了向面试官证明"我理解底层逻辑"的窗口。传统技能展现方式（一步步试错、手动 debug、逐步优化）被削弱（Diminished Enactions）了。

这带来一个致命问题：评估者失去了判断候选人是否真正"懂"的依据。

三种新的技能展现方式正在出现

研究同时发现，AI 时代正在催生三类全新的技能展现方式 —— 研究者称之为延伸性展现（Extended Enactions）。

第一，工具选择策略。

不再是"我会用 Copilot"，而是"我选择在什么场景用 Copilot、在什么场景用 ChatGPT、在什么场景用 Perplexity"。面试官开始关注候选人是否理解不同 AI 工具的能力边界，以及如何针对具体任务做工具组合。

第二，精准的 Prompt 构建能力。

Prompt 不再只是"帮我写一个分类器"，而是"我要写一个分类器，考虑到未来数据量会增长到当前 100 倍，请使用 XX 模式，并处理 XX 边界条件"。这种表述展示了候选人的系统性思维和对业务场景的理解深度。

第三，批判性采纳 AI 代码。

拿到 AI 生成的代码后，主动指出漏洞并修复 —— "AI 这块没有做空值校验，在生产环境会出 bug，我来加上。"这种行为不仅证明候选人懂代码，更证明他比 AI 更懂业务。

这三项新技能的共同特征是：它们无法被 AI 自动化。

面试官走向两极：重规划 vs 重实现

研究发现了评估者的明显分化。

重规划者（看重架构与逻辑）认为 AI 生成代码完全可用，甚至鼓励使用。他们把考核重心转移到候选人能否在前期做好问题拆解和系统规划。

重实现者（看重代码质量）则不信任 AI 能写出高扩展性、高效率的最优解。他们会极其严苛地审视候选人是如何审查和微调 AI 生成的代码的 —— 因为"代码跑通了"这件事，在他们看来只是最低门槛。

这两派的共同焦虑是：如何在 AI 辅助下，依然看清候选人的真实能力。

最核心的矛盾：生产力 vs 专业性

研究揭示了一个结构性张力。

AI 带来了"写代码应该更快"的期望。

但如果候选人为了追求速度而盲目依赖 AI 且无法解释代码，会被判定为"不专业"；反之，如果为了展示"懂底层原理"而刻意不用 AI，又会被认为"生产力低下"或"不会用新工具"。

这个矛盾的根节点在于：

当评估者看不到人控制机器的过程时，对风险的担忧超越了对速度的赞赏。

实用指南：如何在 AI 时代证明自己是高手

基于这项研究，如果你是求职者或工程师，以下是可直接操作的建议：

停止"静默编程"。 使用 AI 时必须开启"出声思维"。当你从 AI 复制一段代码前，先说出："AI 给的这段代码用了哈希表，时间复杂度是 O(n)，符合我们的要求，但我需要把它的变量名改一下以适应前面的架构。"

把 Prompt 变成你的能力展示板。 不要只对 AI 说"帮我写一个分类器"。用更结构化的方式描述你的需求，让面试官看到你的系统性思维。

主动展示防御性编程。 拿到 AI 的代码后，主动寻找漏洞并修复。这不仅展示你懂代码，还展示你比 AI 更懂业务。

证明你的工具选择策略。 主动解释为什么当前任务你选择用 Copilot 而不是 ChatGPT/Claude，这能证明你对 AI 工具边界有清晰认知。

面试官怎么做？

如果你是面试官，以下是研究建议的核心调整方向：

调整题目结构。 将大任务拆解为阶段性的、充满变数的"业务需求变化"。考察候选人如何带着 AI 适应需求变更。

关注"过程记录"而非"结果代码"。 观察候选人如何向 AI 发问（Prompt 的精准度），以及当 AI 给出错误或非最优解时，候选人是否能精准指出并引导修正。

增加追问。 代码跑通后追加："如果现在的并发量增加 100 倍，这段代码哪里会最先崩溃？你会怎么重构？"

引入 AI 代码审查环节。 给候选人一段 AI 生成的看似完美但暗藏逻辑漏洞的代码，让其进行 Review。这能极其有效地检验候选人的基本功。

误判校正：这不是"AI 取代程序员"的叙事

需要明确的是，这项研究并不是在说 AI 正在"取代"程序员。

真正的变化发生在专业能力的证明方式上。

过去，面试官可以通过"看人写代码"来判断候选人的能力边界；

现在，这条路被 AI 堵住了。

但"证明自己懂代码"的需求从未消失 —— 只是路径需要重新设计。

对于工程师而言，AI 不是威胁，而是新的能力证明赛道的入场券。关键在于：

但这不意味着 AI 降低了工程门槛 —— 恰恰相反，它把门槛从"能写代码"提升到了"能驾驭 AI 写代码"。

下一步

如果你正在探索 AI 时代的工程能力边界，欢迎加入 MixLab 无界社区。我们是最先触达未来的那一小部份人，一起把想法跑成实践。

这里聚集着对 AI 协作、工具链优化、跨学科创新有持续好奇的工程师、设计师和创作者。如果你也关心"在 AI 时代如何保持专业竞争力"这个命题，这里有你需要的视角和同行者。

为什么你需要的不是更多隐私弹窗？#AI隐私管理#CHI2026论文解读

AI修图修的是记忆：为什么我们愿意让算法改掉真实发生过的事

---

参考

[1] Evolving Enactions of Expertise: Software Engineers' Evaluation and Demonstration of Coding Expertise with AI Coding Assistants — arXiv