這一則材料是社群流傳的影片文案，個案本身沒有取得一手來源；外部佐證逐一標註出處與限制。本文沒有新增個人實測。

先看一個畫面：兩個 agent 半夜兩點。

網路上流傳一個很好笑的版本：某個面試預約網站的通訊介面，面試官那一側掛著 agent，面試者這一側也掛著 agent。半夜兩點，兩個 agent 在那裡一問一答，聊了好一陣子——兩個真人都不在現場。

這個說法我沒有查到原始出處，你當笑料看就好。但它精準到讓人有點不舒服：如果面試的兩端都能被代理，那這場對話到底在確認什麼？

再看另一則：24 小時極限面試

最近中文社群在傳一段影片，講矽谷一家頂級基金的招聘：一位剛畢業的史丹佛 MBA，最後一輪面試是 24 小時——寫投資備忘錄、做出產品、上線、找到客戶、拿回回饋。據說他拿到了那個 offer。

這則材料的地位要先講清楚：出處是抖音帳號「天才留學生」2026-10-30 的影片，我只讀到搜尋索引裡的開頭與結尾，沒有取得完整文案；「Freddy」這個名字與「拿到 offer」的結果，也沒有任何一手來源可以獨立核實。所以我不把它當成已查證的新聞，而是當成一段在流傳的論述來處理。

那段論述的收尾是這樣問的：

過去一個月，你究竟用 AI 造出了什麼別人願意付費或者使用的東西？

我的立場是：這個問題問對了，但它對的地方不在「24 小時」，而在「過去一個月」。 24 小時的極限考核，測得出誰在壓力下還能交付；它測不出誰在第 90 天還交付得動。而真正會拉開差距的，是後者。

一、交付物是很強的訊號，但不等於商業價值

我不想假裝「看作品」是新發明。但它確實比多數考核方式誠實，理由很簡單：交付物沒辦法背。 你可以背下框架的標準答案，可以在面試裡複述一篇架構文章，但沒辦法背出一個「有人真的用過」的東西。

這個方向在業界已經跑了一段時間。Anthropic 的效能工程 take-home 從 2024 年初用到現在，超過 1,000 位候選人做過，然後每一代 Claude 都把它打穿一次：同樣的時限下，Opus 4 勝過多數人類申請者，Opus 4.5 連最強的那批都追平了。題目作者 Tristan Hume 重寫之後留下這句：

“The original worked because it resembled real work. The replacement works because it simulates novel work.”

舊題目有效，是因為它像真實工作。新題目有效，是因為它模擬沒人做過的工作。

這句話有兩個訊息。好消息是：做過真實工作的痕跡，遠比答題能力難造假。 壞消息是：連「像真實工作」這個優點，現在都變成奢侈品了。

但交付物不等於商業價值——這是我要補的第一個條件。24 小時的交付出證明的只是「你能在極短時間內把想法變成可運行的東西」，中間還隔著幾道關卡：

關卡 24 小時能證明嗎 說明
有人真的需要 部分 找得到幾個願意回話的人，不等於找到了市場
有人願意付錢 通常不行 免費試用與付費之間，是最遠的一段距離
能持續交付 完全不行 24 小時是一次爆發，不是可重複的產能
成本可控 不行 沒人算得出第 30 天的營運成本
出事有人負責 不行 面試作品不用上線三年

換句話說，24 小時證明的是「門檻趨近於零之後你能不能跨過去」，不是「跨過去之後你能不能活下來」。

Canva 從招聘方角度講的也是同一件事：他們發現 AI 能在幾秒內解掉傳統考題，於是改成更複雜、更模糊的題目，因為那些題目沒辦法用單一 prompt 解決，需要反覆釐清需求、做決策。模糊題測的不是「做不做得出來」，而是「需求不清楚時，你會不會先把需求問清楚」——這已經離交付物很遠，離判斷很近了。

二、極限考核測的是上限，不是第 90 天的水位

這是我要補的第二個條件，也是整段論述最大的缺口。

極限壓力測試測的是當下的上限，不是長期的水位。 這個差別在 AI 時代特別致命，因為 AI 能自主完成的任務長度正在變長：METR 用「人類完成這個任務要多久」當量尺，量出過去六年大約每 7 個月翻一倍；今天的模型在人類 4 分鐘以內的任務上接近全對，超過約 4 小時就掉到 10% 以下。

這組數字不是要用來預測 AI 什麼都能做（該研究自己也註明部分內容已過時），而是說明：只要求「在 N 小時內產出東西」的考核，門檻會越來越容易被模型獨自跨過。你跟模型的差別，會越來越難在這種題目裡被看見。

所以 24 小時面試真正的意義，不是「這就是未來標準」，而是它是一個很好的壓力測試，但只能是整套評估的一部分：

尺度 看什麼 24 小時能覆蓋嗎
24 小時 壓力下的判斷與執行 可以
30 天 沒有面試官的環境裡，是否持續產出 不行
90 天 產出是否累積成可複利的東西 不行

後兩欄只能靠日常紀錄，不能靠一次考核。

回到那句收尾：「過去一個月，你究竟用 AI 造出了什麼別人願意付費或者使用的東西？」它問對了，但重點不在「24 小時」，而在「過去一個月」。前者是事件，可以被準備、包裝、複述；後者是狀態，狀態會留下紀錄。

也因為如此，當面試的兩端都可以被代理——回到開頭那個半夜兩點的畫面——最後還能拉開差距的，不是「我的 agent 比你的 agent 強」，也不是「我面試表現很好」，而是我這段時間真的有東西可以拿出來。紀錄不會在意識到你作弊的那一刻才開始說謊，它從頭到尾都在那裡。

三、把「肌肉記憶」拆成三個可檢查的門檻

「日常肌肉記憶」很容易變成勵志語。我試著把它拆成三個門檻，都很低，但都要求留下痕跡：

  1. 有人願意用，哪怕是免費的。 不是「做得出來」，是「有人在用」。一個人、一個同事、一個客戶都算，但必須是你之外的某個人，而且你說得出他為什麼用。
  2. 有紀錄可查，不靠記憶。 每個月至少答得出：做了幾件事、產出在哪、誰看過。不必是漂亮的 portfolio，一個 repo、一份 changelog、一串對話紀錄都行。
  3. 失敗能複盤。 這條接續我〈AI 時代的面試：我不考 coding，只問為什麼〉的立場：AI 不會失敗、永遠有答案，所以我要找有失敗經驗並能吸取教訓的人。但光有失敗經驗不夠——失敗必須留下可複盤的痕跡：當時的假設是什麼、怎麼壞的、後來怎麼修正。這比任何作品集都更能說明你是不是真的在做事情。

反向警告也放在這裡。日常輸出如果變成「每天讓 AI 生一份東西交差」，那不會長出肌肉記憶，只會累積理解債。用 AI 不是問題，用完之後你對這件事的理解比開始前更清楚還是更模糊，才是分界線。

四、給企業端：三件成本最低的事

如果你坐在招聘方那一邊：這則案例真正該學的，不是「也來做個 24 小時考核」。Anthropic 的經驗顯示限時考核的訊號會被模型不斷追平；Meta 改成跟 AI 協作的實境工作；Canva 說「AI 經驗少的候選人常卡住，不是不會寫程式，而是缺乏引導 AI 的判斷力」。方向一致：從「考知識」轉向「看判斷」，從「一次考核」轉向「長期證據」。

  1. 面試題改成自製題。 interviewing.io 的作弊實驗裡，候選人被要求務必用 ChatGPT 作答：逐字照抄的 LeetCode 通關率 73%、小幅改寫版 67%、完全自製題只有 25%，自製題那組甚至低於對照組的 53%。但最值得注意的是沒有任何一位面試官提到懷疑候選人作弊。這組數字有明確限制（樣本 32 場、匿名無視訊、受試者自願參與），啟示是「自製題讓背答案的人失去優勢」——只換故事包裝、輸入輸出不變，是沒用的。
  2. 要求帶紀錄，不是帶故事。 作品、commit、對話紀錄、失敗複盤，任何可查的都行。
  3. 把 AI 協作的痕跡納入評分。 不是看他用哪個模型，是看他有沒有驗證、有沒有推翻、能不能解釋。這就是〈2026 年大廠怎麼面試〉整理的「准用 AI 那一派」在做的事，只是他們做在現場，你在日常就可以開始看。

坦白說：哪些是查證過的，哪些不是

  • 24 小時面試的故事：只有一則社群影片的轉述，沒有原始文案，也沒有任何一手來源可核實當事人與結果，帳號歸屬是靠文字末句比對出來的。它適合作為引子，不適合當事實案例引用。
  • 開頭「兩個 agent 半夜兩點」：網路看到、當笑料講的說法，查不到原始出處、時間、平台，文中也未指名平台。它只是意象，不是論證證據。
  • Anthropic、METR、Canva、interviewing.io：都直接讀過原文並核對數字，但各有其限制（單一公司自我報告、代理指標、樣本僅 32 場）。文中已標註。
  • 三個門檻與企業端三件事：我的判斷與建議，不是研究結論，沒有對照組，也沒有量化成效。
  • 這篇沒有新增我自己的實測。 若要談自己團隊的招募或日常產出，那會是另一篇，而且要先有可查的紀錄。

常見問題 Q&A

Q：「兩個 agent 半夜兩點聊起來」是真的嗎？

這是網路上流傳的說法，我沒有查到原始出處、時間與平台，文章裡也沒有指名任何平台。它是一個意象，用來指出當面試兩端都可以被代理時，那場對話可能已經沒有真人在裡面。請把它當笑談看，不要當事實引用。

Q：24 小時極限面試是真的存在嗎？

目前我能查到的只有一則中文社群影片的描述（抖音帳號「天才留學生」，2026-10-30），講矽谷一家頂級基金要求候選人在 24 小時內完成投資備忘錄、做出產品、上線並取得客戶回饋。我沒有找到基金方的官方說明、當事人公開發言或主流媒體報導，因此無法獨立核實。可以確認的是，這類「看交付物」的招聘方向在業界確實存在，例如 Anthropic 的 take-home 與 Meta 的 AI-enabled coding interview。

Q：交付物就等於商業價值嗎？

不等於。交付物證明的是「能在短時間內把想法變成可運行的東西」，但要變成商業價值還要過五道關卡：有人真的需要、有人願意付錢、能持續交付、成本可控、出事有人負責。24 小時的考核通常只能覆蓋前兩道的一部分。

Q：為什麼說「測不出第 90 天」？

因為極限壓力測試測的是當下的上限，不是長期的水位。METR 的研究顯示 AI 能自主完成的任務長度約每 7 個月翻一倍，Anthropic 的 take-home 也被每一代新模型追平一次——這意味著只要求「在 N 小時內產出東西」的考核，訊號會持續衰減。真正拉開差距的是在沒有面試官的 30 天、90 天裡，還能持續產出並累積。

Q：如果不用 24 小時考核，企業該怎麼看人？

三個成本最低的做法：面試題改成自製題（重點是輸入輸出不能與現有題目相同，只換故事包裝沒用）、要求候選人帶可查的紀錄而不是故事、把 AI 協作的痕跡納入評分（看有沒有驗證、有沒有推翻、能不能解釋）。

Q：個人要怎麼練「日常肌肉記憶」？

用三個低門檻檢查：第一，過去一個月有沒有做出任何一個你之外的某個人願意使用的東西，哪怕免費；第二，有沒有可查的紀錄，讓你不必靠記憶說服別人；第三，失敗有沒有留下可複盤的痕跡（當時的假設、怎麼壞的、後來怎麼修正）。三者都不需要大產出，但都需要持續。

Q：「過去一個月你造出了什麼」和「你受過 24 小時面試嗎」差在哪？

前者是狀態，後者是事件。事件可以被準備、包裝、複述；狀態會留下紀錄。這也是為什麼「過去一個月」這四個字，比「24 小時」更值得留下來。

延伸閱讀

參考資料