Cerebras的AI原生工程面試

2026年7月9日

為AI原生世界招聘工程師

作者：Sebastian Duerr 和 Hagay Lupesko

Cerebras的工程師在日常工作中使用AI，因此技術面試應當反映這一現實。在整個工程組織中，我們採用了現實的多步驟練習，允許候選人使用AI，同時面試官評估問題框架、驗證、判斷、溝通和所有權。候選人可用的工具已經改變，但優秀工程的標準並未改變。

AI編碼代理，包括Codex-Spark和Cognition基於Cerebras的更快編碼系統，正在迅速改變軟件工程師的工作方式，為優秀的工程師提供了加速實現、調試、測試和探索的新途徑。這篇博文分享了我們在調整技術面試以納入AI使用和技能評估過程中的經驗與洞見。

軟件工程正在快速變化。如今，工程師們經常使用AI來探索不熟悉的代碼、生成初始實現、調試失敗、編寫測試、比較設計選項以及自動化重複性工作。在Cerebras，這些工具是我們構建產品的一部分。然而，傳統的技術面試往往要求候選人在人工環境中工作：沒有AI工具，缺乏上下文，重點是時間壓力下回憶熟悉的算法或晦澀的語言語法。

這種差距至關重要。面試應幫助我們瞭解一個人在實際工作中的表現，而不是他們模仿正在消失的工作方式的能力。

過去幾個月，Cerebras工程團隊的多個小組圍繞一個簡單的理念重新設計了部分面試流程：如果AI是工作的一部分，那麼它也應該成為評估工作的一部分。這並不意味着降低對候選人的要求。相反，AI輔助面試讓我們能夠提出更多要求。我們可以超越語法回憶和小型編碼謎題，轉向現實的工程任務。我們不僅能觀察候選人是否得出答案，還能看到他們如何構建問題、指導AI工具、檢查輸出、從錯誤中恢復以及做出合理的權衡。

"構建AI原生組織不僅是為團隊提供新工具，還意味着培養正確使用這些工具的判斷力。我們的招聘流程應幫助識別那些能將技術深度與這種新型槓桿相結合的工程師。"——Hagay Lupesko，工程高級副總裁

以下是具體的變化及其經驗。

面試更接近實際工程

面試不再圍繞孤立的算法展開，而是增加了類似工程師加入團隊後面臨的工作。候選人可能需要探索小型代碼庫、向現有服務添加功能、調查運營數據集、改進開發者工具或將不完整的請求轉化為可工作的原型。雖然環境和細節因角色而異，但有效的練習通常共享幾個特點：需要多個步驟、包含足夠的模糊性以要求判斷、獎勵規劃、測試和迭代。我們通常從具體目標開始，讓每位候選人有清晰的切入點，然後開放討論：你會改進什麼？你會重新審視哪些假設？在投入生產前需要改變什麼？這種遞進過程展示了工程能力的不同維度：具體任務測試執行力，開放部分揭示產品直覺、優先級、溝通和設計判斷，生產討論則展現候選人是否能看到原型之外的可信性、安全性、可觀測性、可擴展性和可維護性。

候選人被期望使用AI

在指定的AI輔助編碼輪次中，候選人需提前知曉允許並鼓勵使用AI。這種清晰性很重要，我們不希望有些候選人悄悄使用工具而其他人以為不能使用。我們並非根據是否使用特定提示公式來評分，而是評估候選人如何有效地與強大但不完美的工具協作，作為更廣泛工程任務的一部分。

我們將AI協作作為一項技能來評估

在AI輔助面試中，我們不僅評估最終代碼，還評估候選人如何與AI本身協作。這包括如何構建請求、提供有用的上下文、將工作分解為可驗證的步驟、識別答案何時不完整或錯誤，以及決定何時依賴工具、何時質疑它。這些本身就是日益重要的工程技能。我們不將熟悉特定界面或提示風格作為目標，關鍵在於候選人是否能深思熟慮地使用AI、驗證其輸出並對結果負責。

我們尋找的信號包括：候選人在分派問題之前是否理解問題？是否能提供有用的上下文和約束？是否檢查生成的代碼而不是自動信任？是否能解釋、更改和調試結果？是否測試包括邊界情況在內的關鍵行為？最好的候選人保留對解決方案的所有權，他們使用AI提高槓杆，而不是外包判斷。

"最優秀的候選人不把AI當作聊天機器人。他們用它來加快速度，但保持清晰的系統心理模型，驗證變化，並對結果負責。"——Seb Duerr，技術人員

這一區別至關重要。生成代碼變得越來越容易，但決定應該構建什麼、識別答案何時錯誤以及將有前途的原型轉化為可靠的軟件仍然困難。

我們學到的經驗

工作軟件更早出現

當候選人可以使用現代工具時，他們往往能更早地在面試中達到可工作的第一版本。這並非評估的終點，而是更有趣評估的開端。一旦基本實現存在，對話可以轉向更好地反映真實工程的問題：這能解決正確的用户問題嗎？哪些部分應首先測試？設計在負載下表現如何？存在哪些安全或隱私風險？如何使系統對下一位工程師更友好？這影響了我們對難度的思考。好的AI時代面試問題不應因為需要晦澀的技巧而困難，而是要求一系列合理的決策。

驗證成為首要技能

AI工具常常產生令人信服但細微錯誤的輸出。因此，驗證已成為面試中最強的信號之一。優秀的候選人會盡早運行代碼、閲讀錯誤消息、在選擇表示形式前檢查數據、要求測試並評估這些測試是否有意義、注意生成的代碼何時更改接口、忽略約束、僅處理快樂路徑或增加了問題不需要的複雜性。這並非新的工程技能——代碼審查、測試、調試和懷疑精神一直都很重要，AI只是讓它們更加顯眼。能夠捕捉並糾正看似完美的錯誤的候選人，往往比產生大量代碼但未展示理解的候選人給出更強的信號。

面試設計比工具選擇更重要

將AI助手添加到傳統面試中並不自動使其更好。如果一個問題可以通過將提示粘貼到工具中並接受第一個答案來完成，那麼該問題可能沒有衡量我們關心的內容。練習本身必須為工程判斷留出空間，這可以來自不完整的需求、不熟悉的代碼庫、嘈雜的數據、操作約束、相互競爭的優先級或第一版本有效後發生變化的要求。面試官也需要做好準備：評估AI輔助工作不僅僅需要計算完成的測試用例。面試官需要共享的評分標準、強弱協作模式的示例，以及關於不同經驗水平應有何區別的校準。對於早期職業候選人，範圍明確的任務和快速學習能力可能是正確的信號；對於高級候選人，我們期望更強的問題框架、更清晰的權衡以及對長期系統行為的更多關注。AI為候選人提供了另一種展示水平的方式。

人類對工作負責

我們對工程判斷的標準並未改變。"允許AI並不降低招聘門檻，而是讓我們檢查更多重要的工作：候選人如何處理模糊性、評估權衡、溝通決策以及將初稿轉化為可靠軟件。"——Neeraj Khanna，工程總監

候選人仍然需要清晰推理、溝通方法、理解提交的代碼以及建設性地應對失敗。基礎能力之所以重要，是因為它們使工程師能夠評估生成的答案。系統設計和行為面試繼續考察編碼助手無法替代的維度：領導力、協作、所有權、技術深度以及根據上下文做出決策的能力。面試官依然至關重要。AI可以幫助總結活動或建議探究領域，但招聘是重要的人力決策。面試官負責理解證據、提出後續問題並一致地應用評分標準。

最重要的是，目標不變：識別能夠與團隊共同完成卓越工作的人。

在面試中使用AI

將AI引入招聘常被理解為允許與否的問題：候選人是否可以使用AI？我們認為更有用的問題是：什麼能力將使優秀工程師在AI原生組織中脱穎而出？我們的答案包括許多一直重要的能力：好奇心、嚴謹、品味、溝通和所有權，以及有效和負責任地使用AI的能力。工程師需要知道何時加速、何時減速、何時委派以及何時質疑面前的答案。隨着我們推行這些變革，我們看到了令人鼓舞的跡象：我們招聘的候選人提高了AI原生工程能力，引入了新的工作流程，同時加強了整個組織所重視的判斷、驗證和所有權。隨着AI繼續改變軟件工程，我們相信我們的候選人評估流程將繼續演進，以確保我們的工程組織能夠最大化利用這一轉變。AI可能寫出更多初稿，但工程師最終對交付的產品負責。