1. 先说结论 我先把话撂在这：AI 编程不是 35 岁程序员的催命符，反而是他们的第二春。 尤其是那些真正做过几年后端、踩过生产事故、带过复杂系统的老鸟，市场价值正在被重新定价。 这跟年龄溢价无关，而是 AI 把"会写代码"和"能把系统做成"这两件事，彻底拆开了。 2. 很多人把 AI 编程看浅了 以前大家觉得，年轻人手速快、加班猛、学新框架快，35 岁以后就越来越卷不动。这个逻辑在纯手撸代码时代还成立，因为公司买的是产能，谁写得快、谁便宜，谁就有优势。 但 AI 编程把这套规则打碎了。 现在最不值钱的，恰恰是"把需求翻译成几百行代码&quo...

上周组里招人，我面了六个候选人，回来跟同事吃饭的时候聊起一个让我挺感慨的现象。前三个候选人，算法题写得都不错。第一道二分查找，五分钟之内给出解法，边界条件也处理得干净。第二道动态规划，状态转移方程写对了，空间复杂度也优化了一版。我翻他们的简历，力扣刷题量都在300以上。后三个呢，就有点参差不齐了。有的边界条件没处理好，有的直接说这道题没刷过能不能换个思路讲讲。其中有一个女生，我印象特别深——她拿到题之后没有马上写，而是先问我：“面试官，我能先跟你确认一下我对题目的理解吗？”然后她把自己的思路讲了一遍，虽然最后代码写得不是最优解，但整个沟通过程非常顺畅。这个女生的代码不是最优的，但当我问她“如果这里是线上环境，你会怎么设计’的时候，她给我讲了一套完整的方案——异常怎么处理、日志怎么打、怎么平滑发布。她对这是之前在实习的时候踩过的坑。”我在想LeetCode到底在筛选什么？我自己的经历可能有点代表性。我当年校招的时候，也是刷了三百多道题才敢去面试。那时候大家都刷，你不刷就过不了笔试关。后来工作了，前三年基本没再打开过力扣。真正干活的时候，没人让你写反转链表，也没人让你手撕红黑树。更多的是：这个接口为什么慢了、那个服务为什么OOM了、线上数据对不上了得排查一下。所以后来我当面试官，慢慢调整了自己的评判标准。算法题我还会出，但目的变了。我出算法题，不是想看你能不能背出最优解。而是想看你拿到一个陌生问题的时候，是怎么思考的。你会先理清题意吗？你会主动问边界条件吗？你想不出来的时候会怎么办？你写出来的代码，变量命名乱不乱、结构清不清楚？这些才是工作中真正用得到的能力。LeetCode是一个工具，不是目的。它帮你熟悉数据结构和常见算法思路，这没问题。但如果你刷了三百道题，却说不清楚自己的项目解决了什么问题、遇到了什么困难、你是怎么解决的，那这三百道题可能真的白刷了。所以还要不要刷LeetCode？要刷，但别只刷题。刷题的时候，多问自己几个为什么：为什么用这个数据结构？为什么这个解法比那个好？如果换个条件，解法还成立吗？把刷题当成锻炼思维的方式，而不是背答案的任务。毕竟面试官想看到的，从来不是一台背题机器，而是一个能解决问题的人。

最近Agent岗位的面试风向变了。以前聊的是大模型能干什么，现在面试官更关心：当大模型“掉链子”的时候，你的架构怎么接住它？逃不开的架构选择：从“全能大脑”到“流水线”面试官最爱问的一类问题是：“你的Agent架构是如何权衡灵活性和确定性的？”很多人习惯设计一个全能型Agent，让它自己想、自己做。但在工业级场景下，这种“盲盒式”架构往往会被面试官质疑。现在的进阶聊法是谈“SOP（标准作业程序）的Agent化”。你是采用顺序流（Sequential）还是分叉流（Branching）？在架构中，你是否引入了“硬代码”逻辑来约束AI的胡思乱想？路由（Router）是如何设计的？是靠模型语义判断，还...