CA 
VA 
EU 
GL 
一年前，关于是否应该允许候选人在回家作业中使用AI工具的争论非常热门。现在，大多数工程团队已经继续前进。问题不再是你是否使用AI，而是你是否能有效地使用它。那是一个巨大的差异。
这种转变对技术招聘产生了深远的影响。一些候选人占据了优势，而其他人则难以跟上。要成功，你需要了解发生了什么。“情感编码”——使用自然语言指导AI工具产生工作代码，然后完善和集成输出——不再是新鲜事物，而是许多公司的基本期望。高级工程师现在不仅评估候选人的编码能力，还要看他们是否能写出精确的提示，批判性地审查AI生成的代码，并知道何时不使用AI。
例如，当我在一家中型初创公司面试时，我被要求写一个提示，使用AI工具生成特定的函数。面试官不仅想看到输出，还想知道我如何得出提示，以及如果输出不是我期望的，我会怎么做。这不仅仅是关于使用AI，还关于如何有效地使用它。
基础技能仍然相同——你需要了解数据结构、系统设计和代码质量。但现在，你还需要展示你可以使用AI工具作为倍增器，而不是拐杖。回家项目正在演变以反映这一新现实。许多公司希望候选人使用AI工具，然后解释他们如何使用它们，改变了什么，拒绝了什么。一个结构良好的提交显示了AI的使用位置，候选人做出了什么改变，以及如何处理AI遗漏的边缘情况。
一些公司甚至正在进行带有AI辅助的实时编码会话。这不仅仅是关于快速输入代码，还关于展示判断力——你是否验证输出，智能地适应它，并解释你接受的代码？这是一个艰难的测试，但也是展示你的技能的好方法。我见过一些候选人可以有效地使用AI工具，但难以解释他们的思考过程。那是一个危险信号。
那么，公司正在寻找什么？判断力超过输出。你能批判性地评估代码质量吗？每个工程师都可以访问相同的生成工具，但不同的是应用于这些工具输出的判断力质量。你还需要展示系统思维——AI擅长生成函数，但在设计系统方面却很弱。能够清晰地描述架构决策（包括权衡和约束）的候选人是罕见和宝贵的。
调试现实世界问题也是关键。在时间压力下，找到AI生成代码中的错误是一个真正的测试，用于判断你是否理解代码的工作原理，而不仅仅是它应该做什么。让我们不要忘记通信——向可能包括非工程师的招聘小组解释复杂的技术决策的能力日益重要。这并没有被自动化。
为了准备这一新格局，你应该建立一个具有AI背景的作品集。对于你使用AI辅助构建的项目，写一份简短的技术说明，解释AI生成了什么，你改变了什么以及为什么。故意练习AI辅助问题解决——使用Cursor、GitHub Copilot或Claude等工具在练习会话中。注意建议在哪里是错误的、不完整的或引入了微妙的错误。把基础知识弄清楚，并准备好在没有AI的情况下进行系统设计。系统设计面试变得更加重要，而不是减少重要性，因为这是AI工具真正弱势的地方。练习从头到尾设计系统——数据流、存储选择、API设计、可扩展性考虑、故障模式。
这不会容易，但如果你能掌握这些技能，你将会非常抢手。Xeito可以帮助你找到适合你实际工作方式的角色——他们根据你的实际技术栈和工作风格来匹配你和公司，而不仅仅是工作头衔。试试看。
See what Xeito does end-to-end. Browse all features — application tracker, AI resume + cover letters, interview coach, 130+ job-board sync, built for remote-first developers.