考察点
这道题常以「你怎么看现在的面试变化」的开放形式出现，面试官想看你有没有意识到筛选标准已经改写，以及你的准备方式是不是还停留在旧范式。深层考察点：你是不是真的在用 AI 干活——装出来的经验在细节追问下三轮就会穿帮。追问常往「你怎么证明自己真用过」「你一天烧多少 token」这种细节走。
参考答案
趋势一：从背八股到考协作实战
传统的「讲讲 JVM 内存模型」在 AI 编程相关岗位上权重明显下降，因为查得到的知识不再稀缺。取而代之的是对协作过程的考察：你拿到一个需求怎么跟 AI 配合——怎么写 spec、怎么拆任务、怎么验证产出。javabetter 面经里「平常开发用 AI 工具多吗」「讲一下你在 Claude Code 上的使用经验」「你一天能烧多少 token、怎么优化」这一串，都是这个方向的变体。面试官默认你会用 AI，他在分辨的是你是「司机」还是「乘客」。
趋势二：现场环节在改版
不少团队的现场 coding 开始允许甚至要求用 AI 工具，考的不是你能不能默写二分查找，而是：你给 AI 的第一个指令质量如何、跑偏了你怎么纠正、拿到产出你检查什么。还有一种新形式是给你一段 AI 生成的代码让你 review——里面埋了边界 bug、安全问题、过度设计，看你能不能找出来。这两种形式对「真用过」和「假用过」的区分度极高，因为每个反应都是肌肉记忆，演不出来。
趋势三：追问往成本和工程化钻
只会聊「体验很好」的回答过不了二面。高频深挖方向包括：token 消耗和成本优化（为什么、怎么量、怎么省）；长会话的上下文管理；AI 产出的质量保障流程；团队级落地（规范怎么沉淀、review 怎么改）。这些问题共性是都指向「你有没有把 AI 编程当成工程问题对待」，而不是消费级体验。
趋势四：设计题加入 agent 元素
系统设计题开始出现新题材：设计一个 coding agent、给内部产品设计 CLI、设计 agent 的记忆系统或权限模型。这类题没有标准答案，考的是工具设计、上下文管理、安全分层的组合思维——本质上就是 harness engineering 的面试版。
怎么准备
按优先级给四条。第一，深度用熟一两个工具，比泛泛用过五个强得多：用 Claude Code 或 Codex 完整做过真实项目，踩过 context 爆炸、AI 跑偏、成本失控的坑——坑是最好的面试素材。第二，沉淀自己的方法论并能讲出来：你的工作流是什么、为什么是这几步、哪一步省掉翻过车；面试官要的是体系不是流水账。第三，准备数据化的证据：「这个模块 AI 辅助下三天交付，review 出两处并发问题，上线零事故」比「效率提升很大」有力十倍。第四，建立观点：对 vibe coding、SDD、AI 对职业的影响这类开放题，提前想清楚自己的立场和论据，观点题答得摇摆比答错更扣分。
一个反向信号
面试也是双向筛选。一个团队的面试还停留在「禁用 AI 默写算法」的纯旧范式，说明它的工程文化可能没跟上；反过来，如果面试官对 AI 编程的追问细节很内行，这通常是个值得去的团队。你准备这些问题的过程，本身也在帮你识别好团队。
可能的追问
- 完全没在工作中用过 AI 工具，怎么弥补？——立刻用真实 side project 补：拿一个两周能做完的项目全程 AI 协作，把 spec、踩坑、成本数据记下来；两周的实战素材足以撑过大部分追问，比背答案有效。
- 现场让用 AI 写代码，最忌讳什么？——把题目直接丢给 AI 然后干等；正确姿势是先口述自己的思路、拆步下指令、拿到产出先验证再推进——面试官看的是你的驾驶技术不是车速。
- 传统算法题还要不要准备？——要，它是底线筛选不是加分项；AI 时代的变化是「只会算法题不够了」，不是「算法题没用了」，两条线都得过。