010. 先看結論｜AI 不是讓面試消失，而是讓「只看答題」變得更脆弱
這支來自 Kelly Tsai 的影片，討論一個矽谷近年愈來愈難迴避的問題：當 AI 可以在遠端技術面試中即時提供提示、生成答案、甚至輔助候選人應對追問時，傳統 coding interview 還能測到什麼？
影片標題提到「面試作弊軟體太猖獗」，其實重點不只是作弊工具本身，而是技術面試原本依賴的一組訊號被重新定價了。過去面試官看候選人如何拆題、如何寫程式、如何解釋思路，多少能推估工作能力；現在，當候選人螢幕旁邊可能有即時 AI 建議，答案變得更便宜，過程也更容易被加工。
這不代表公司應該回到純白板、封閉考場，或完全放棄技術面試。更合理的方向，是把面試從「你能不能在壓力下答出這題」改成「你如何在真實限制下做判斷」。AI 時代的面試要測的不是禁用工具後的記憶力，而是候選人使用工具、溝通取捨、理解系統與交付結果的能力。
021. 作弊軟體為什麼有效｜它攻擊的是遠端面試的三個盲點
AI 面試輔助工具會讓公司緊張，並不是因為它們第一次讓人作弊。代考、題庫、背解法、找人旁聽，過去都存在。真正不同的是，AI 把作弊成本降到非常低，而且能即時融入面試流程。
第一個盲點是遠端面試的視野限制。面試官通常只能看到候選人的臉、分享的螢幕，以及候選人口頭描述。只要輔助工具不出現在共享畫面裡，它就可能存在於另一個螢幕、浮窗或耳機回饋中。這讓「我看到他正在解題」不再等於「我看到完整解題過程」。
第二個盲點是標準題型太容易被模型吸收。LeetCode 類題目、常見系統設計模板、行為面試回答框架，本來就是網路上大量公開資料。AI 在這類任務上很強，因為它不一定需要真正理解公司情境，只要快速提供一個看起來合理的下一步。
第三個盲點是面試官很難分辨「被提示後的表現」和「真實能力」。一個候選人如果能在 AI 提供方向後順利說出解法，表面上仍然可能像是思路清晰。除非面試設計能持續追問脈絡、取捨與真實經驗，否則工具輔助會把訊號洗得很乾淨。
這也是為什麼問題不只是「有沒有人作弊」，而是「我們原本用來判斷能力的訊號還值多少錢」。當答案可以被外掛生成，單純答對題目就不再是足夠證據。
這波討論會被放大，和 Cluely 這類工具的高調行銷有關。TechCrunch 在 2025 年 4 月報導，Cluely 的創辦故事來自 Columbia 學生因 Interview Coder 爭議遭停學後，轉向募資做「cheat on everything」工具；Business Insider 也曾整理創辦人 Roy Lee 的說法，認為技術面試會因 AI 普及而走向淘汰或重組。這些說法本身帶有創業者的宣傳立場，但它們反映出一個真實壓力：市場已經開始把「面試即時輔助」商品化，公司不能再假設遠端面試環境是乾淨的。
032. 傳統技術面試的問題｜AI 只是把舊裂縫放大
如果只把責任推給 AI 作弊工具，會漏掉一個更根本的事實：很多技術面試本來就不是很像真實工作。
真實工程工作通常不是在 45 分鐘內從零寫出一題演算法，也不是在不能查文件、不能問同事、不能使用工具的狀態下解題。工程師的日常更像是理解需求、閱讀既有程式碼、評估 trade-off、和不同角色溝通、把一個不完整的問題拆成可驗證的步驟。
傳統 coding interview 當然不是完全沒價值。它能測基本程式能力、資料結構概念、壓力下的溝通，以及候選人是否能把模糊問題逐步清楚化。但當面試題目過度標準化，它就容易變成一場題庫競賽。候選人練得愈多，表現愈好；公司測到的可能是準備程度，而不是實際工作品質。
AI 讓這個問題更尖銳。以前候選人至少要自己背題、練習、形成肌肉記憶；現在如果工具能即時生成解法，準備程度和現場能力之間的界線又更模糊。公司原本就不該只看答題結果，現在更不能只看答題結果。
換句話說，AI 沒有毀掉完美的面試制度。它是把一個早就需要改革的制度推到臨界點。
043. 公司為什麼開始調整｜不是不面試，而是重新定義「可相信的證據」
影片標題提到矽谷大公司開始放棄傳統面試，這裡比較精準的說法應該是：公司會降低對單次遠端標準題測驗的依賴，改用更多元的證據組合。
第一種調整，是把面試題改得更貼近公司實際工作。與其問一道網路上高度類似的演算法題，不如給候選人一段小型既有程式碼、產品限制或真實 bug，觀察他如何閱讀、提問、定位問題與提出修法。這種題目不一定能完全防作弊，但 AI 很難只靠模板給出完整答案。
第二種調整，是把「答案」拆成「過程」。面試官不只看最後 code 對不對，也看候選人如何確認需求、如何處理邊界條件、如何說明取捨。AI 可以幫忙寫 code，但如果候選人無法解釋為什麼這樣做、替代方案是什麼、哪裡可能壞掉，訊號就會露出破綻。
第三種調整，是加入工作樣本。小型 take-home、pair programming、code review、系統設計討論、甚至短期試作，都比單次問答更接近工作現場。這些方法也有自己的問題，例如 take-home 可能耗費候選人大量時間，pairing 可能讓不同候選人承受不同壓力，所以重點不是迷信某一種格式，而是降低單一訊號失真的風險。
第四種調整，是承認 AI 已經是工程工具，而不是假裝它不存在。如果公司平常允許工程師使用 AI coding assistant，那麼面試完全禁用 AI 反而可能測不到真實工作模式。更合理的設計，是有些環節明確禁用、有些環節明確允許，並要求候選人說清楚自己如何驗證 AI 結果。
這種轉向的本質，是從「你能不能孤立地答出題目」轉成「你能不能在工具存在的世界裡交付可靠判斷」。
054. 對候選人的影響｜會用 AI 不等於有能力，完全不用也不一定加分
對求職者來說，這波變化很容易造成焦慮。有人會擔心不用 AI 就輸，有人會覺得大家都在作弊，自己守規矩反而吃虧。但比較務實的策略不是跟著作弊，而是把 AI 使用能力變成可以公開說明的工作能力。
第一，要能清楚區分「輔助」和「代打」。如果面試明確禁止使用外部工具，使用 AI 輔助就是風險很高的違規行為。就算短期過關，後面進入實際工作、背景查核或更深入面試時，也可能暴露能力落差。
第二，要把 AI 變成練習工具，而不是現場替身。可以用 AI 生成題目、要求它追問、讓它 review 自己的解法、整理盲點，這些都能提高準備效率。但最後仍然要能在沒有提示時把核心概念講清楚，否則真正被問到架構取捨、bug 定位或過去經驗時，會很快失去可信度。
第三，要練「解釋自己的判斷」。AI 可以給答案，但工程面試越來越會問為什麼。為什麼選這個資料結構？為什麼這個 cache 策略不會出事？為什麼這段 code 在高併發下還能成立？如果候選人只會背輸出，反而更容易被看出來。
第四，要準備真實作品與工作樣本。當公司不再完全相信短時間答題，就會更重視過去做過什麼、如何思考、如何迭代。作品集、開源貢獻、技術文章、完整的專案復盤，都會比單純刷題更有價值。
AI 時代的求職者，不需要證明自己像機器一樣不用工具；需要證明自己在工具很多、資訊很多、誘惑也很多的環境裡，仍然能負責任地做出判斷。
065. 更好的面試長什麼樣｜測判斷、測協作、測驗證
如果要把這場討論落到制度設計，更好的技術面試至少要有三個特徵。
第一，題目要靠近工作樣本。候選人可以被要求閱讀一段陌生 code、修一個小 bug、評估一個 API 設計、替一個產品需求拆出資料模型。這些任務仍然可以控制在合理時間內，但會比純演算法題更能反映工作日常。
第二，面試要允許互動。真實工作不是一個人閉嘴寫完，而是反覆確認需求、暴露假設、接受回饋。好的面試官會觀察候選人如何問問題、如何承認不確定、如何把問題切小。這些能力很難靠作弊工具完整偽裝，因為它們發生在來回互動裡。
第三，要把 AI 使用規則說清楚。有些環節可以明確說「請不要使用外部工具，我們要看基礎推理」；另一些環節可以明確說「你可以使用 AI，但要同步說明你採納了什麼、拒絕了什麼、如何驗證」。規則清楚，候選人比較不需要猜；公司也能測到更真實的工具使用能力。
這不會讓面試變得完美。工作樣本可能增加準備成本，結對討論可能受面試官風格影響，code review 也可能偏向熟悉某些技術棧的人。但相比單一遠端答題，這些方法至少讓公司取得更多維度的證據。
AI 時代不是不需要技術面試，而是更需要設計得好的技術面試。因為工具越強，表演就越容易；表演越容易，公司越需要看見候選人的判斷、協作與驗證能力。
076. 魚塘觀點｜面試制度真正要淘汰的是「低訊號的方便」
這支影片有價值的地方，不只是提醒大家作弊工具存在，而是逼我們重新問一個問題：技術面試到底要買什麼訊號？
如果公司只是想要一個方便排序候選人的機制，標準題很誘人。它容易安排、容易評分、看起來公平。但方便不等於有效。當 AI 把標準題的答案成本壓低，這套制度的弱點就會被放大。
真正要被淘汰的，不是技術面試本身，而是那些低訊號、低情境、過度標準化，卻被公司當成高可信證據的面試流程。公司仍然需要判斷候選人會不會寫程式、會不會溝通、會不會面對不確定性；只是這些能力不能再只靠一題遠端 coding challenge 來代表。
對公司來說，這會讓 hiring 成本上升，因為高品質工作樣本與互動式面試需要更用心設計。對候選人來說，這也會讓準備方式改變，刷題仍然有用，但不再足夠。能不能講清楚自己的工程判斷，能不能把工具輸出轉成可靠交付，會變得更重要。
所以，AI 時代仍然需要技術面試。只是它應該少測一點「你能不能在隔離環境裡表演答案」，多測一點「你能不能在真實工作裡負責任地完成事情」。這才是作弊軟體真正推動的改革。