招聘季里流传的说法，通常比流程本身快两年。
“第一轮已经是 AI 在面了”，这句话我今年听过好几次。说的人语气都很确定，好像只要打开摄像头，对面坐着的就是一个打分器。我去问过去年参与校招的朋友，也翻了自己这几年的面试记录，得到的画面没那么戏剧化：真正被机器接手的，是简历解析、在线笔试判卷、监考，以及面试过程中那些记录和摘要的活。决定要不要发 offer 的那一轮，仍然是人。
AI 在招聘里更像守门员，不是裁判。
这个分工不是技术做不到，是经济账决定的。初筛是高频、单次低风险的动作，错一个的代价很小，自动化的收益却立刻可见；录用是低频、高风险的决策，错一个的代价由整个团队承担，而且很难在事后归因。所以机器往前走，走到“可逆”的那条线就停住了。
守门员和裁判，考核的东西不一样
初筛之所以能被自动化，是因为它有相对稳定的目标：关键词是否对齐、代码能不能过测试用例、答题过程有没有异常。这些都是可以写成规则或者打分函数的。
终面不行。系统设计、取舍、和团队的合作方式，没有一份公认的评分表。同一个回答，有的面试官觉得深，有的觉得绕。人评人本来就不一致，这件事被诟病了很多年，但它也是人评人的价值所在：不一致里包含了对具体情境的判断。
我见过一些招聘系统宣传“评分一致性 95% 以上”。这个数字可能是真的，但一致性本身不构成正确性。如果评分标准是偏的，一致性越高，错得越快，而且错得很整齐。
这类传闻之所以传播得快，是因为它把一个真实的变化压缩成了一个简单的故事。初筛确实在被自动化，面试记录确实在被自动生成，这两件事加在一起，很容易被讲成“AI 已经坐在你对面”。故事比流程好传播，但按故事准备，会准备错方向。
还有一层原因容易被忽略：AI 确实开始参与面试的准备工作，生成题目、整理候选人材料、根据简历提示追问点、安排时间。这些动作发生在候选人的视野之外，候选人只看到面试官在低头看屏幕，很容易想象成他在读一份机器的判决。实际上多数时候，他只是在看自己刚才记的笔记。
有一种形态确实接近全 AI：异步视频面试。候选人对着固定题库录回答，系统按语言结构、关键词和表情打分，全程没有真人实时在场。它存在了很多年，主要用于大批量基层岗位的初筛，这几年因为效果和合规争议，不少公司收缩了用法。它说明技术边界不是“能不能”，是“值不值得”。
初筛这一层，机器确实更难糊弄
我对这一层的态度比较务实：既然对手是解析器和测试用例，就按它们的规则准备。
简历上我把每个项目的第一行改成可检索的信息：做了什么、用什么、规模多大、我负责哪一部分。之前我习惯写成一段叙事，读起来顺，但关键词散在各处，机器抓不到。改完之后，人读起来其实也更省力。
在线笔试是另一回事。它考的不是懂不懂，是在没有补全、没有搜索、时间被切碎的情况下还能不能写对。我以前练习时开着 IDE 的各种提示，真到了评测环境，手感完全不一样。后来我强迫自己在纯文本编辑器里限时写，错几次之后才知道自己真正的边界在哪。
具体到做题，我的顺序改过好几次。以前是读完题就写，写到一半发现约束理解错了，回头重写。现在我会先花两分钟把输入范围、边界条件、时间限制抄在注释里，先写一个能过样例的笨办法，再优化。最后留十分钟专门构造边界用例。评测系统只看提交结果，这些习惯它不会奖励，但它们决定了我会不会在最后五分钟崩掉。
还有一点常被忽略：评测系统会读答题过程，不只是结果。切屏次数、粘贴的节奏、提交前的修改轨迹，这些都会留下记录。我不认为应该为了这些记录去表演某种“人类打字方式”，那太累了，也没必要。但如果习惯是一边写一边大量查资料，那在限时环境里本来就会失效，跟监考无关。
代价也有。为机器优化过的简历会变平，读起来像一份清单。所以我留了两个版本：投递用对齐关键词的，内推和面谈时用叙事更完整的。维护两份很麻烦，但我暂时没找到更好的折中。
真人那一轮，考的是说不清的部分
现在很多面试官会用工具做记录、生成摘要，甚至让模型提示下一个追问。这不会改变什么根本的东西：他们仍然在试探知识边界。但有一点变了，面试官事后看到的可能是一份结构化的文字，而不是自己模糊的印象。表达清楚的人，在这套流程里更占便宜。
我自己的准备方式也跟着变了。以前我会把答案背顺，现在我会先想清楚三件事：这个方案的前提是什么，我放弃了哪些选项，什么地方我其实不确定。被追问三层之后还站得住的回答，通常不是因为背得熟，是因为真的做过，知道它在哪会坏。
反过来，背得很顺但没做过的人，往往在第二层追问就露馅。面试官不需要多聪明，只需要问一句“那你当时为什么不用另一个方案”。
模板化回答在这套流程里也更难混。工具会把“缺少具体例子”“结论和过程对不上”标出来，面试官顺着这些提示追问，背诵的痕迹藏不住。我见过有人把 STAR 背得很熟，S 讲了五分钟，A 只有一句“我负责开发”，这种结构完整但信息量为零的回答，反而更容易被盯上。
我练这三件事的方式，是让模型扮演一个不客气的面试官。不是让它给标准答案，而是让它追问：这个假设在什么情况下不成立，如果数据量小一个数量级呢，如果团队里有人反对呢。它问得越具体，我越容易发现自己是真懂还是只是读过。
这套练习也有边界。模型不知道对面那个人的偏好，也不知道这家公司当前最缺什么。它能帮我把逻辑补齐，补不了情境。
我不碰“隐形助手”
候选人这一侧的军备竞赛也在升级。悬浮窗、屏幕识别、实时生成答案，宣传语大多是“面试官看不见”。
我不碰这类工具，理由不只是规则。它优化的东西，恰好是面试真正想测的东西。它能替我过一场笔试，但替不了我面对追问。而且这类工具的风险很不对称：过了一场笔试的收益是有限的，被标记的代价却可能跟着人几年。
还有一个更实际的原因。用提词器的时候，注意力被切成两半，一半在听，一半在找下一句。那种状态下的表达，比不会答还糟。我试过一次模拟，明明答案就在屏幕上，我反而听不清对方在问什么。
面试除了拿 offer，还有一次对自己知识库存的盘点。哪些是真懂的，哪些只是听过，哪些是背下来的，一场面试问下来很清楚。用工具替自己回答，等于把这次盘点也外包出去。
我也不觉得这是纯粹的道德问题。它更像一笔算错的账：用长期的可信度，换一次短期的通过率。而招聘这个圈子比想象中小，一次处理不干净，后面会在别的地方遇见。
流程会继续往自动化走，这一点我不怀疑。但我暂时不相信有公司会把录用决策完整交给一个打分器。招错人的代价，从来不是一次打分能覆盖的。至于第一轮会不会真的换成机器，我还在看。
评论