面试必问题：你到底是怎么使用 AI 的？

AI LLM Hiring Productivity

面试必问题：你到底是怎么使用 AI 的？

在过去一年里，“你如何使用 AI / LLM？”正在迅速从一个技术闲聊问题，变成面试中的高频标准问题。它看似简单，却经常让候选人陷入一种微妙的困境：说得太保守，像没跟上时代；说得太激进，又像在“过度吹捧工具”。于是，这个问题逐渐演变成一个隐性筛选器——不仅筛技术能力，还筛认知边界、工作方式，以及对 AI 的真实依赖程度。

而 Hacker News 上围绕这一话题的讨论之所以爆火，本质上并不是因为 AI 本身，而是因为一个更深层的问题正在浮现：我们到底如何定义“使用 AI”？

面试问题背后的真实困境

在一条高热讨论中，一位正在找工作的开发者提到，在技术面试里经常被问到“你如何使用 LLM？”但回答起来却非常棘手：你需要同时满足两种潜在雇主——一类是“AI 激进派”，另一类是“AI 保守派”[1]。

这种不确定性导致候选人往往只能给出一种“安全回答”：

  • 我每天用 ChatGPT 做快速调试
  • 我用它学习新技术
  • 但所有输出我都会反复验证

这种回答的问题在于，它既真实，又不完整。真实的是大多数开发者确实这样用 AI；不完整的是，它无法体现 AI 在真实工作流中的位置变化。

更关键的是，这种“平衡式表达”本身就暴露了一个行业状态：
AI 已经进入工作流，但还没有进入共识。

“使用 AI”到底指什么？

讨论中一个非常有意思的观点来自评论者：我们是否应该把“Google 搜索 + AI 概要结果”也算作使用 AI？甚至延伸到手机系统内置的推荐算法、代码补全、图片处理功能——这些是否都属于“使用 AI”？[1]

这个问题看似哲学，实则直接触及了定义边界：

1. 工具型使用（Explicit Use）

这是最容易被承认的：

  • ChatGPT / Claude / Copilot
  • 代码生成
  • Debug 辅助
  • 文档总结

它的特征是“主动调用”，用户清楚自己在使用 AI。

2. 系统型使用（Embedded AI）

但现实中越来越多 AI 是“隐形存在”的：

  • 搜索引擎的答案摘要
  • IDE 自动补全
  • 推荐系统排序
  • 邮件智能回复

用户不再“调用 AI”，而是在使用“被 AI 增强的系统”。

3. Agent / 自动化使用（Delegated AI）

更前沿的一类是：

  • 多 agent 自动拆解任务
  • 自动代码重构
  • 工具链自动执行

这类使用强调“交付任务”，而不是“交互过程”。

评论中也提到一个现实反馈：在某些复杂任务上（例如大型遗留代码重构），AI agent 仍然容易失败，甚至需要被放弃[1]。

为什么这个话题在 Hacker News 爆火？

Hacker News 的讨论之所以高热（500+ 评论级别），并不只是因为 AI 热，而是因为它击中了几个技术社区长期存在的张力。

1. “AI 提升生产力” vs “AI 破坏质量”

一位开发者分享了一个典型经验：

  • 后端（PHP）：AI 帮助巨大，设计合理，代码质量提升
  • 前端（Swift UI）：AI 输出混乱，甚至像“初级工程师在 panic”[1]

这个对比非常关键，它揭示了一个事实：

AI 不是“统一提升生产力”，而是“高度依赖领域结构”。

结构清晰的问题（API、后端逻辑）→ AI 表现好
复杂交互系统（UI、状态管理）→ AI 表现不稳定

因此，社区开始重新评估一个问题：
AI 是放大能力，还是放大复杂性？

2. 企业正在“AI 化流程”，但效果未必更好

另一个评论指出：一些公司正在用 LLM 替代传统客服或确定性系统，但结果是：

更慢、更差、不稳定的用户体验[1]

这引发了一个典型的工程冲突：

  • 传统系统：可控、可预测
  • AI 系统：灵活，但不可预测

在很多业务场景中，“可预测性”本身就是产品核心价值。

3. “人人都在用 AI”，但用法完全不同

另一条高赞观点总结得很精确：

“AI has gotten so good that everyone is using it” 但现实是分层的[1]

实际上，开发者之间的差距正在扩大：

  • 一类人：把 AI 当“搜索增强工具”
  • 一类人：把 AI 当“代码协作者”
  • 极少数人：把 AI 当“自动化执行系统”

这也解释了面试问题的本质变化：
它不再是“你用不用 AI”，而是——
你处于哪一层 AI 使用成熟度？

面试问题为什么变成“筛选器”

从招聘角度看，这个问题之所以被频繁使用，是因为它同时具备三种信息密度：

1. 技术能力信号

你是否理解：

  • prompt 设计
  • 工具链整合
  • LLM 局限性

2. 工作流信号

你是否真的在生产环境使用 AI：

  • 调试？
  • 代码生成？
  • 系统设计？

3. 认知态度信号

你是：

  • 过度依赖 AI
  • 完全拒绝 AI
  • 还是理性使用 AI

问题的关键不在答案，而在“平衡感”。

更深层的行业变化：从“写代码”到“编排智能”

这些讨论背后，其实指向一个更大的趋势：

1. 开发者角色正在变化

过去：

写代码 = 核心能力

现在：

设计问题 + 驱动 AI + 审核输出 = 核心能力

AI 并没有替代开发者，而是在重定义“开发者做什么”。

2. 信任变成核心成本

开发者开始频繁提到一个词：

“double check everything”

这不仅是谨慎，而是新的工程现实：

  • AI 输出 ≠ 可直接使用代码
  • AI 输出 ≠ 可直接决策依据

于是，“验证能力”正在成为新的核心技能。

3. 工具正在从“确定性”走向“概率性”

传统软件工程建立在确定性上：

input → function → output

而 LLM 系统是：

prompt → probability distribution → best guess output

这意味着工程范式发生变化：

  • bug 不再只是错误，而是“偏差”
  • 优化不再只是性能，而是“稳定性”

结语：面试问题背后的真正考题

“你如何使用 AI？”表面上是一个技术问题，但本质上它在问三件更深的事情：

  • 你是否理解 AI 的边界
  • 你是否在真实工作中使用它
  • 你是否能在“效率”和“可靠性”之间做权衡

Hacker News 的讨论之所以热烈，是因为行业还没有形成统一答案。AI 已经进入每个人的工作流，但每个人走的路径完全不同。

所以这个问题真正的意义可能是：

它不是在测试你会不会用 AI，而是在确认你有没有“想清楚怎么用 AI”。

而这个答案，目前仍然在变化中。