Anthropic 有一份 take-home，2024 年初開始用，超過 1,000 位候選人做過。

同樣時限下，Claude Opus 4 贏過多數人類應徵者。Opus 4.5 連最強的那批都追平了。出題的 Tristan Hume 只好把題目重寫，今年一月他寫：

“I’m still sad to have given up the realism and varied depth of the original. But realism may be a luxury we no longer have. 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，是因為它是沒人做過的工作。

一家做 AI 的公司，承認「像真實工作」在面試裡已經是奢侈品。

這篇分三段：現在大廠怎麼面試、要準備哪些問題，最後是那一題「為什麼要請你，不是請 AI」。

一、現在怎麼面試：三派

AI 讓兩種老考法失效：take-home 可以整份交給 agent 做；遠端 coding 面試很難確認是誰在作答。大廠的回應分成三派：

  做法 代表 放棄了什麼
第一派 讓 AI 進場，改打過程分 Meta、Canva、Stripe 只看產出打分
第二派 叫回現場，禁 AI Google、Amazon 不必防 AI
第三派 出 AI 沒看過的題 Anthropic take-home 像真實工作

第一派。 2025 年 7 月底，404 Media 看到 Meta 的內部訊息：部分 coding 職缺的候選人，面試時可以用 AI 助手。Canva 更早，2025 年 6 月直接在工程部落格宣布技術面試「不只准用 AI，而且要求你用」。題目改成在陌生 codebase 裡加功能、修 bug，打分看你怎麼拆需求、有沒有讀 AI 改的 diff、能不能抓出 AI 的錯。

第二派。 Pichai 在 2025 年 6 月上 Lex Fridman 的 podcast 說：

“Look, we are making sure we’ll introduce at least one round of in-person interviews for people just to make sure the fundamentals are there.”

我們會確保至少有一輪面對面，確認基本功在。

Amazon 的內部指引則寫明，除非明確允許，面試時用生成式 AI 可能被取消資格。

第三派。 就是開頭的 Anthropic。有個細節常被講錯：Anthropic 的申請表確實禁 AI，但那份 take-home 明確准用 AI。到 2 小時那一刻，Claude 的分數追平了人類最佳成績——而那位人類本身就大量用 Claude 4 在輔助。新版題目改成 Zachtronics 風格的解謎：極小的指令集，不給任何除錯工具。

三派排在一起看，是一道三選二：像真實工作、不必防 AI、只看產出就能打分，最多拿兩個。 越像真實工作、越多人做過的題目，AI 越容易解；想讓題目像工作又只看產出，就得把 AI 擋在門外。

這也是為什麼同一個動作在不同公司會得到相反結果。九月有位面試官在 X 上說，他告訴候選人什麼工具都可以用，結果對方一分享螢幕就打開 Claude，他直接掛斷，這則有超過 120 萬次瀏覽。另一位在 2025 年說，候選人 90% 的時間都在問 Claude，他們錄取了他，理由是 “He asked Claude the best questions.”

面試前先問 recruiter 三件事：准不准用 AI、現場還是遠端、什麼環境。 這三個答案決定你屬於哪一派。

二、要準備哪些問題

這份清單是我從前面提到的面經和 X 貼文整理的。X 上沒有人直接給一份題目清單。

1. 你怎麼跟 AI 協作

  • 最近一個用 agent 做完的功能，你怎麼拆需求、怎麼下 prompt、在哪裡推翻了 AI 的建議？
  • AI 寫的這一行為什麼要存在？換一種寫法，代價是什麼？
  • 你怎麼抓出 AI 產生的幻覺或錯誤？

先準備好一份真實的 agent 對話紀錄，面試時拿得出來。

2. 現場分享螢幕

Aakash Gupta 轉述一位產品長，面試任何職位都會問一句「可以分享螢幕嗎」。平常開著哪些工具、跑著哪些自動化、做過哪些實際成品，這個沒辦法前一晚臨時準備，要靠平時累積。

3. 在陌生程式碼庫裡除錯

  • 練習在 30 分鐘內看懂一個沒碰過的 repo，找出 bug 並修好。
  • 併發、容錯這類上班真的會碰到的題目。一位候選人在 X 上寫的 CoderPad 面經，最後一段就是把功能往併發、延遲、儲存去優化。

4. 做完之後被逐行追問

交出去的每一段程式都要講得出設計上的取捨。X 上有位自稱 60 歲的面試官分享，他讓候選人當場用 AI 寫完再講解給他聽，覺得水準不夠，就當場告知不會有二面。（連結）

5. 老派的題目還沒消失

有些公司仍然考不准用 AI 的 LeetCode，2026 年九月還有人在線上測驗寫 Maximal Rectangle（連結）。基本的演算法能力不能完全放掉。

三、「為什麼要請你，不是請 AI？」

其實，到最後我們都得回應一個問題：人到底贏 AI 在哪裡。

先承認輸的地方。同樣 2 小時，Claude 追平了人類最佳成績。寫得快、寫得對、記得多，這幾項人已經贏不了。用這幾項回答這題，等於自己認輸。

從這篇整理的證據看，人還贏的地方有四個。

1. 沒人做過的問題。 Tristan Hume 試過一版資料轉置的題目，又被 Claude 解掉，他的檢討是很多工程師卡過這類問題，Claude 手上有大量訓練資料可以參考。最後能分出人跟 AI 的，是他說的 “simulates novel work”。他也寫到，時間不限的話，人類還是能贏過模型。AI 強在很多人做過的事，人的機會在沒人做過的事。

2. 問對問題。 前面那位錄取候選人的理由不是他寫得多好，是 “He asked Claude the best questions.” Canva 也觀察到，不常用 AI 的候選人卡住，不是因為不會寫程式：

“Interestingly, candidates with minimal AI experience often struggled, not because they couldn’t code, but because they lacked the judgment to guide AI effectively or identify when its suggestions were suboptimal.”

卡住的原因是不知道怎麼引導 AI，也看不出它的建議哪裡不夠好。

3. 為結果負責。 九月那則假設題底下，有一則回覆把這件事講得很具體：

“The reason this seat exists is that you still need a person who can give Claude the right technical context, write sharper prompts, own the architecture, catch what the model misses, and take responsibility for what actually ships.”

這個位子存在，是因為還需要一個人給 Claude 正確的脈絡、擁有架構、抓出模型漏掉的東西，並為上線的結果負責。

這跟我去年十一月寫的〈AI 時代的面試：我不考 coding，只問為什麼〉是同一件事。那時我面試 Jr FDE，只追問「為什麼用這個」，因為你要知道為什麼這樣選，才能對方案負責。當時那比較像個人偏好，現在大廠准用 AI 的那一派，評分項目本質上也是「為什麼」換了包裝。

4. 失敗過。 那篇我也寫過：AI 不會失敗，永遠有答案，所以遇到無解的問題會亂回答。我想找的是有失敗經驗、能從中吸取教訓的人。你講得出一次自己卡住、走錯、最後怎麼收拾的經驗，這是 AI 給不出來的答案。

所以這題的好答案不是口號，是證據。準備一個具體時刻：你推翻了 AI 的建議、你抓到它的錯、你為一個它沒想到的取捨負了責。講出這個時刻，比講「我有判斷力」有用得多。

最強的反方是：對某些職位，這題的誠實答案可能是「你不該請我」。如果一個職位的工作內容就是把清楚的需求翻成程式碼，那 AI 確實做得更快。我的回應是，這正好是這題的價值——它不只在考候選人，也在逼公司想清楚這個職位到底要人做什麼。答不出來的如果是公司，那問題不在候選人。

坦白說

這篇的證據等級落差很大。Anthropic、Canva 的內容來自官方工程部落格，Pichai 那段是 podcast 逐字稿，這三個可以信。Meta 和 Amazon 是媒體取得的內部文件，可信但看不到全文。CoderPad 面經、掛斷電話和錄取的兩則故事，都是 X 上的個人分享，可能只代表一個人的經驗。

三派的分類是我做的，不是哪家公司自己這樣說。同一家公司會同時走兩條路，Anthropic 申請表禁 AI、take-home 卻准用就是例子。

第三段「人贏 AI 的四個地方」是我從這些證據歸納的，不是任何研究的結論。而且這份清單會縮水：Anthropic 的題目每出一代新模型就要重新設計一次，今天人還贏的地方，下一代模型可能就追上了。

關鍵洞察

  1. 面試前先問三件事：准不准用 AI、現場還是遠端、什麼環境。 同樣是打開 Claude，有人因此被錄取，有人因此被掛電話。
  2. 准用 AI 的面試，分數在過程不在答案。 讀 diff、寫測試抓 AI 的錯、講得出為什麼，這三個動作要練到變成習慣。
  3. 「為什麼要請你，不是請 AI」要用一個具體時刻回答。 你推翻 AI、抓到它的錯、為取捨負責的那一次，比任何形容詞都有說服力。

常見問題 Q&A

Q: 2026 年大廠的技術面試還考 LeetCode 嗎？

還考，但不再是唯一的考法。Google 至少保留一輪面對面面試，Pichai 說是為了確認基本功；Amazon 的內部指引規定，未經允許在面試中使用生成式 AI 可能被取消資格。另一邊，Meta 和 Canva 已經有讓候選人使用 AI 助手的面試輪次，題目改成在陌生程式碼庫（codebase）裡做真實開發。準備時演算法不能放掉，但要先問 recruiter 你遇到的是哪一種。

Q: AI 輔助面試（AI-enabled coding interview）到底在打什麼分？

既然 AI 能寫出正確答案，打分重點就從「答案對不對」移到「你怎麼跟 AI 協作」。根據 Canva 官方部落格和 X 上的候選人面經，常見評分項目包括：能不能拆解模糊需求、能不能找出 AI 產生程式碼的錯誤或次佳寫法、是否讀過並能解釋 AI 改的程式碼差異（diff）、以及能不能主導和面試官的溝通。Canva 觀察到，不常用 AI 的候選人卡住，往往不是因為不會寫程式，而是不知道怎麼引導 AI。

Q: 大廠面試真的會問「為什麼要請你，不是請 AI」嗎？

目前查不到任何一家公司把這題列入正式面試流程。說 FAANG 會新增「為什麼不用 AI 取代你」一輪的貼文發在 2026 年 4 月 1 日，被許多人認為是愚人節玩笑，文末還在推銷課程。不過這題在 X 上以假設題形式廣泛討論，它值得準備，因為它逼你說清楚自己在人機分工（human-AI division of labor）裡的位置。好的回答是一個具體時刻：你推翻 AI 建議、抓到它的錯、或為一個取捨負責的經驗。

Q: AI 時代，工程師贏過 AI 的地方在哪？

寫得快、寫得對、記得多，這幾項人已經贏不了：Anthropic 的 take-home 在 2 小時時限下，Claude 追平了人類最佳成績。人還有優勢的地方包括：沒人做過的新問題（Anthropic 把考題改成模擬新工作後才重新拉開差距）、問對問題和引導 AI 的判斷力、為上線結果負責，以及從失敗中學到的經驗。這份清單會隨模型進步而縮小，需要持續更新。

Q: Anthropic 面試能不能用 AI？

要分開看。Anthropic 的申請表要求申請過程不要使用 AI 助手，理由是想評估沒有經過 AI 修飾的表達能力，發言人也表示政策可能隨工具進步而更新。但它效能工程團隊的 take-home 作業明確允許使用 AI。這份 take-home 從 2024 年初開始使用、超過 1,000 位候選人做過；同樣時限下 Claude Opus 4 贏過多數應徵者，Opus 4.5 追平最強的候選人，因此 Anthropic 在 2026 年 1 月公開說明改成 AI 沒看過的解謎題型。

參考來源