crackhopper

其实，我有时候觉得面试官不敢按照候选者简历标定的范围问，原因还是因为自己实力不足。。。因为自己也不够懂，怕问不出什么，就问自己最懂最熟悉的。我很早之前，还年轻的时候，面过一个腾讯的面试官，问我的问题我现在想想，都是那种由于工作年限和范围问题没接触过的，只要让我看下，1-2 天就搞明白的东西。后来随着自己掌握的广度深度都加深很多，碰到那种完全能问死我的越来越少，甚至面试官只问自己熟悉的方面，我也能答上来不错。再回头想想当初那个没通过的面试，只能说我和腾讯没啥缘分。

@kvenux 有一定道理。追着项目其实也是一样的。如果真的自己夯实做了，这些流程细节也都能答上来。毕竟我自己之前用 ai 做的项目，我看面试官也问不出啥，底层细节我都看了，部分还手动改了。而如果针对技术名词展开问，也同样，看起来好像能提前准备，其实根本准备不了那么多和那么深入。本质还是得看面试官具体怎么问了。

但面试主要面的是什么？候选人的学习能力，广度和深度，自驱动能力。有的时候一些自己会的细节对方答不上来也不是什么问题，我反而觉得，按照候选人简历给标定的范围，深入问更能看出来这个人如何，不容易问道他盲区，导致误判。 [我觉得你过于追求对方是否真的懂 “你懂的内容” 这个事情了，应该问他懂的，看他探索程度多深，以及给点开放问题看反应]

所以只能揪着细节问，才能看出来是不是真的懂基础。我前阵子看个简历，感觉如果是非 AI 时代算不错的了，AI 时代我一看就觉得 AI 润色的简历，外加细节不敢写太多 [写出来怕被问] 。反正我更倾向于敢在建立上，罗列更多技术名词的人，说明不怕我问。

我觉得其实很多人还是不会用吧，只有最顶级的才能用得稍微好点。我大部分都用过。虽然顶级的模型省事儿，产出质量高，但体验也真没高到哪儿去。能有天差地别感受的人，我觉得也是人才，可能敏感度更高吧，适合做产品。
反正，难的问题，统一跪。简单问题，都能解决只不过姿势不同。（豆包还是差不少的，虽然其实要是会用也比较有用，但需要交互的轮次和要求的指令太多了，导致连续性太差）

好古早的术语，哈哈。我个人理解：模型玩文字接龙的时候，越来越六（仅仅是模型变大，就变六了）。随后突然表现出了有“智能”的感觉（关键是没人可以严格定义什么是智能，看起来像是 因为可以接龙更长，捕获了文字的统计关系，进而建立了概念的链接；最最重要的是，随着可以连接的概念越来越多，chain 越来越长，表现开始接近人类）

主要问题是你把自己定位成了普通人。实际上，如果真是普通人，AI 真没有利好。
你以为普通人学不会这些知识是因为找不到，很难搜索，只能各种找其他人补习来学习，这种主观能动性是普通人么？
普通人：过一天是一天，开心才是最重要的，学习进步太累了。

@llCnll 我要是面试官，要么聊一些古法的，看基本功。要么直接安排一个作业（有技术难点的），看用 AI 多久能完成到什么程度。

正确的提问 AI ，愿意研究得更深，就会进步了。只是让 AI 干活而已的话，进步有限。

题主文笔不错。我跟题主心路历程差不多，也矫正了自己以前判断失误的地方（比如觉得 AI 概率模型，总是有 corner case ；约束能力用自然语言来做的根本缺陷之类的；实际上，只要叠加更多步骤，消耗更多 token ，那么概率上出错的可能性会被不断降低，从而迸发出让人觉得很不可思议的可用性程度）。

不过我始终还是认为 AI 发展还是有核心困境的：1. 模型底层的核心模块是 attention ，这导致了上下文窗口的扩大成本是平方级别的，各种优化和压缩手段都是 trade-off 并不能真正解决平方级别的成本增长（算力/存储都是平方级，而 scaling law 显示的是整体性能提升需要的成本提升是指数级的）。2. 数据量的需求是难以被满足的，并且需要的数据质量越来越高，采集的方式目前几乎把历史的全部耗尽了。未来只能通过现实世界(没有任何加速时间的手段，只能以扩大并行的方式)来直接采集。上面两个核心的困境，意味着 AI 基础能力的发展的速度已经变缓，现在日新月异的进步只是通过消耗有限的上下文资源，搜集得到的更加长链的带轨迹的数据形式，外加通过精妙的工程手段来锦上添花。不过即使发展速度受限于如此，AI 仍然展现了惊人的，可以替代软件工程师的“实力”。（甚至是替代任何脑力劳动者）

从原理来说，(a)由于上下文的限制，AI 始终需要一个全局 guidance 。另一方面，(b)由于整体 AI 系统缺乏类人的长期目标性/人格/记忆等等机制，AI 的行为也还是始终需要人类来指导。但我不觉得后者一定无法克服，人类的上下文可能也是有限的，更精妙的记忆提取技术也许会被研发出来，AI 会某种程度上更加逼近人类。最后一个方面，(c) 就是基于物理规律的世界上，是 AI 很大的障碍（所谓具身智能），数据的采集成本极高（要部署大量传感器或者机器人），同时现实世界的时间是不能加速的。考虑到上面三点，软件工作的方面如果是纯逻辑性的，AI 还是有望完全自己工作来解决，不需要任何人引导（短期之内还是难）；而软件工作如果涉及到对现实的模拟，AI 大概率还是处于长期需要人类来指导的水平。

此外，不同的人使用 AI 的效能是完全不一样的。传统古法工程师所建立的直觉和经验，会体现在使用 AI 的效能上。这也许会变成一个难以培养的能力，但我也不那么乐观。高度的抽象能力，不一定必须建立在对底层细节的掌控上，就好比很多人并没有理解数学分析的底座、实数连续统、测度集合论，仍然可以用简单的加减法、微积分来解决问题。因此，古法时代人员的优势终究会消磨殆尽，新时代的人也能在 AI 时代下建立同样的经验和直觉。

真正的问题是，软件工程师的评价体系。古法那套显然有局限性，而新的评价的方式也很难。唯成果论的评价方式，在我看来可能更加简单直接。比如直接安排一个高难度的系统的实现，作为评价指标。

至于行业是否需要这么多人，我理解可能会短期之内需要人变少，长期反弹回来。短期内，AI 带来的是成本节约，但同时也让竞争变得更加激烈，原本的 90 分产品，在 AI 时代必须达到 95 分才能存活下去。这种预期要求的提升，反而会导致更多的工程成本。但短期内的成本节约和预期要求的提升达到平衡，也就意味着工程师的需求会迎来反弹（因为整体趋势仍然是更多的领域乃至新领域，都需要更多的软硬件开发）。

而在最远最远的未来，AI 必然是会全面降临的，那时候必然是全面替代人类，不仅仅是软件工程师。