今天又挂了一个候选人，AI 应用开发岗位面试真的很难吗？

今天又挂了一个候选人，暂且叫他小w。

挂完之后我一直在想一个问题：AI 应用开发岗位的面试，真的很难吗？

说实话，不难。难的不是面试本身，是很多人根本没真正理解这个岗位需要什么样的人。

小w 3 年工作经验，简历写得相当漂亮。

—— 银行某业务的智能工作台项目，Agent 架构设计、LangGraph 任务编排、Milvus 向量库、Redis 短期记忆、十多个金融工具统一封装，简历上的技术名词一个比一个硬。

但面试现场，3 个问题就把他问回了原形。

踩坑一：简历写了核心技术，结果没用到

小王简历里把"Agent Harness"放在项目的核心技术首位。

我问他：Harness 工程你们项目具体怎么落地的？

他先愣了一下，然后开始绕。

绕了半天，最后承认："这个项目里边可能没用的，就是当时理解一下他那些概念，可能当时手快给他写上的。"

其实我知道，不是手快的问题。

而是这份简历经过AI的润色，出现了大量的技术名词堆砌。

一旦你不理解这些名词，甚至没用到，问了讲不明白。

加分项就变成了严重扣分项。

踩坑二：AI Coding 规范"没整太多"

第二个问题是 AI Coding。

小王说团队都在用 Claude Code。

我追问他：团队自己 DIY 了哪些 AI 编码规范？

他想了有差不多20秒吧，最后说："我没想起来。”

然后补了一句：“我在那方面没整太多，具体细节也不记得了。”

3 年 AI 工作经验的工程师，团队用 AI 写代码。

但没有沉淀任何可复用的规范、Spec、Rule、测试用例或者失败复盘。最终的稳定性，主要靠人工测试和代码 Review 兜底。

这件事最反直觉的地方在于——AI 编程看起来让团队无所不能。

但实际上，如果没有把"AI 写出来的代码怎么验收"沉淀成工程方法，AI 只是在放大团队的混乱。

昨天我刚写完一篇 Java 转 AI 的文章，里面提到一个核心观点：

AI 时代，提供完整解决方案的能力，是最具价值的能力。

小王恰好是这句话的反面。

他会用 AI 写代码，但他提供不了"完整解决方案”。

—— 没有真实用户验证，没有可复用规范，没有失败复盘，没有持续迭代。

踩坑三："算法跟后端，没多大区别"

他过往的岗位名称写的是算法工程师，但是他干的活基本上后端工程师。所以我提出了疑问。

他的解释是："算法跟后端，这其实分开不分开，也没多大区别。”

这句话说完，3 年 AI 工作经验的含金量就清楚了。

他的工作模式不是纯粹在做AI应用开发的核心工作

——需求判断、产品验证、Agent 编排、效果评估、持续迭代。

他实际做的是：需求给过来，调模型、改 Prompt、拼框架、把功能做出来，交付完就完事，继续下一个项目。

这正是我前面挂过的好几位候选人共性问题：

把自己定位成被动接需求的开发执行者，只关心"功能做没做出来"，

不关心为什么做、谁在用、效果好不好、下一轮怎么改。

回到我们今天的问题：AI 应用开发岗位面试真的很难吗？

我觉得，不算难。

难的地方是很多候选人没意识到：

这个岗位要的不是"会用 AI 写代码的人"，

而是"能用 AI 提供完整解决方案的人"。

简历可以堆技术名词，但现场三个问题就能问出来：

• 简历写的核心技术，能不能讲清落地细节？

• 用 AI 写代码，沉淀了哪些可复用的规范和方法？

• 做的项目，有没有真实用户和数据反馈？

这三个问题答不好，简历AI润色得再好看，也不是真实的能力体现。

给转型人的一句话

如果你正在从 Java 或其他传统开发转 AI，面试前先把这三个坑避开。

不要把热门概念往简历上堆。

不要把 Demo 当产品讲。

不要做完就丢。

如果你还没开始，先做出第一个自己的智能体，搞定提示词，搞定多轮对话，搞定记忆。

然后真的用起来，拿到真实反馈，再迭代。

对AI转型感兴趣的同学，欢迎咨询。