字节直接现场用Copilot写代码，但有个坑：他们看的不是你会不会用AI，而是你怎么改AI生成的代码。我一开始直接用了AI的结果，面试官说"这个边界条件有问题，你发现了吗？"我才意识到他在测试我的code review能力。阿里更狠，给了个需求让我用AI辅助完成，然后追问"为什么AI给了这个方案？还有更好的吗？"我答不上来，因为我就是无脑接受AI的建议，根本没思考过为什么。小红书问得比较软："你平时用AI工具吗？觉得哪些场景最有用？"我说用来写单测和重构代码，面试官点头。后来过了。我的感悟是：AI Coding不是看你会不会按Tab，...

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。

本2硕9，力扣是没刷完的，八股是没背完的，准备先投中小厂练练手，逼自己先面试找找感觉。大厂到底什么时候才配投啊，看了面经能掰扯的最多才一半

 现在校招简历人人都想沾一点 AI，但大部分同学都陷入一个误区：没做过 AI 模型项目，就在自我评价硬写“精通大模型、熟悉深度学习”，夸张到业务熟练的HR都能一眼看出造假，然后技术面的面试官一问就GG。结合平时简历投递习惯：项目真实用到 AI 才写项目，没做 AI 项目绝不硬吹；AI 能力放在技能+自我评价，低调务实、有依据、不浮夸。技能栏是最安全稳妥的写法，不用夸大 AI 水平，而是写明熟练使用 AI 编程工具，掌握基础提示词用法，能够利用 AI 辅助编码、梳理逻辑、排查问题和整理文档，同时了解大模型基础应用逻辑，具备 AI 辅助开发的思维。项目经历严格遵循真实原则，只有实际接入过大模型 A...