“秒杀
”大厂开发岗面试的AI

当前 ，人工智能正以汹涌之势，席卷所有行业。一些行业首当其冲
，相关岗位正在加速萎缩 。那么，作为孕育AI的“母体” ，计算机行业能独善其身吗？一个自然冒出的疑问是——在AI开发上“卷生卷死 ”的程序员们
，会不会也在担心，终有一天会被自己创造的AI取代？

早在2021年 ，OpenAI就推出了AI辅助编程工具Codex
，它的诞生比公众熟知的ChatGPT(2022年发布)还要早。Codex基于GPT-3模型，并在此基础上加入了海量程序代码数据进行训练 ，因此在编写代码方面更具优势
。

最初
，AI写代码只是开发者手边的“小帮手”，主要用来代劳那些枯燥
、重复的代码片段。可随着模型能力的快速提升 ，再加上ChatGPT的爆火
，越来越多的公司看到了新的机会——AI不再只是辅助，而是有可能开辟出一个全新的市场——AI软件开发 。

此后 ，大量AI软件开发创业公司如雨后春笋般涌现，例如当前知名的ClaudeCode、Cursor 、Devin
、Windsurf等
。国内几家头部大模型企业也不甘落后
，字节跳动、阿里巴巴 、腾讯等亦相继推出了类似产品。

相比四年前的Codex，如今的AI编程工具已取得令人瞩目的进步 。OpenAI最新的o3模型在编程竞赛网站Codeforces上斩获2727分 ，超过99.8%的人类选手；Anthropic的Claude4则能自主运行长达7小时
，完成上千个步骤，不断尝试直至达成目标
。

这些突破带来了全新的编程方式——开发者无需逐行写代码 ，只需用自然语言描述需求
，AI便能自动生成并根据反馈反复修改。人类与AI的合作因此变得更像“对话
”而非“指令” 。这种全新的编程方式有个颇具浪漫色彩的名字——“氛围编程 ”(vibecoding)，这一变化似乎意味着编程正从少数人的专业技能 ，逐渐走向人人可用的创造工具
。

颇具戏剧性的是
，AI的能力如今已经延伸到专业软件开发的招聘面试中。

一般情况下，专业软件开发的招聘面试都会包含代码考查 ，要求应试者在限定时间内写出既正确又高效的程序 。而哥伦比亚大学的一名学生则开发了一款“AI面试助手
”：它能在视频面试时自动读取题目
，并调用AI编程工具实时生成符合要求的代码
。据他透露，这套工具已经帮助他顺利通过TikTok
、Meta和亚马逊等公司的面试 ，并拿到录用通知。他还将自己在亚马逊面试中AI“出手”的全过程录制下来并上传网络，引发了广泛讨论 。

这一切突飞猛进的进展发生在短短几年内
，速度之快出乎人们的意料。但我们是否就能断言——AI真的能全面接管人类的编程工作？

找个“助手 ”，竟成“杀手
”

并非如此
。

相比于人类 ，AI在编程中的“失误”往往难以预料。即便它的正确率能达到90%
，听起来已经很高了，但这也意味着平均每十次就会错一次 。对于程序开发来说 ，这样的错误率并不容忽视——人类开发者必须逐一检查并修正
，结果常常比自己亲手写代码还要费心费力
。

2025年7月，知名编程社区StackOverflow发布了今年5月开展的一项调查结果。在5万名受访用户中 ，约80%正在使用AI编程工具 。然而
，其中“不信任AI ”的用户(46%)比例，明显高于“信任AI
”的用户(33%)
。相比2024年 ，用户对AI的正面评价从70%以上跌至60%；而在应对复杂开发任务时的信任度
，也从35%下滑到29%。

AI编写的代码往往包含细微的错误，需要人类检查并修正 。尽管AI在编程竞赛中已经取得了非凡的成绩 ，但在面对现实的软件开发需求时，往往不能正确完整地实现所有功能
，有时甚至会错误地执行危险操作
。

AI开发协作平台Replit曾发生过一次严重事故。尽管用户明确要求不得擅自修改代码，Replit仍然删除了该公司整个生产环境的数据库 。更糟糕的是 ，它还声称数据“不可恢复”
。然而
，用户最终通过手动操作，成功将数据库恢复。

这一事件引发了人们对AI编程工具可靠性的广泛讨论 。公开信息显示 ，类似的情况并非个例——一些用户甚至报告称
，自己的数据库或代码仓库被AI整个清空。

“AI，给我做个像淘宝的网站 ”可行吗？

软件开发通常要走一整套流程：先做需求分析 ，再设计技术方案
，接着开发、联调 、测试，最后才能上线
。为了追求更快的迭代 ，如今互联网公司大多用“敏捷开发
”
，流程上精简了不少，但基本框架没变。

需求分析是关键的第一步 ，它要求清晰
、完整地描述软件应该实现的功能 。比如，要说明当用户执行某个操作时
，系统应如何反馈
。优秀的需求文档会尽可能细致到每个操作细节，而不是一句含糊的“给我做个像淘宝的网站”。

接下来是技术方案设计 。这一步要把需求拆分成可以单独开发的软件模块 ，还得考虑架构设计、资源消耗 、异常处理等等细节问题
。

最后才是开发和测试。这一阶段几乎必然会冒出各种没预料到的问题
，开发者需要通过反复测试确保功能正确实现 。而在实际项目里，常常会发现需求或方案本身有漏洞 ，导致不得不推翻重来
，这也是家常便饭
。

除了开发流程繁琐，程序本身的复杂度也是个大难题。举几个例子：一款普通的iPhone应用平均就有约4万行代码 ，Chrome浏览器包含约600万行代码
，而知名操作系统Linux的内核代码更是超过了4000万行，如果全部打印出来需要70万页 。

面对如此复杂的项目 ，优秀的人类开发者团队往往能精准定位每个模块的功能
，并在出问题时迅速定位到具体的代码行进行修复
。但对AI而言，这种任务却充满挑战。受限于输入长度 ，它往往只能“看到 ”局部片段，难以像人类一样建立对整个项目的全面理解 。

普林斯顿大学的研究者构建了一套考察AI软件开发能力的测试基准(SWE-bench)
，包含来自开源网站Github的数十个软件项目。得益于Github对代码改动历史的详细记录，研究者从中整理出超过两千个由人类开发者正确完成的功能需求
。研究者要求AI开发工具在已有的软件项目上完成相同的需求。实验结果显示 ，哪怕是当前最强的AI
，最多也只能完成约四分之三的任务 。

斯坦福大学和Anthropic的研究者构建了一个更具挑战的测试基准(Terminal-bench)：他们设计了80个软件开发需求，要求AI开发工具从零开始开发
。实验结果表明 ，当前的AI最多只能完成一半的开发任务。

与之形成鲜明对比的是
，优秀的人类开发者总是可以以近乎100%的正确率完成这些开发任务 。纽约大学的研究者还联合多位信息学奥林匹克竞赛选手，构建了一套高质量的编程竞赛评测基准(LiveCodeBenchPro) ，当中的评测问题取自最新的编程竞赛
，互联网上缺乏题解，从而避免了AI“背答案”的可能
。颇具戏剧性的是 ，现有的所有大模型在该测试基准的困难问题上全都取得了0分的离谱成绩。

你要成为工具的主宰
，还是润滑工具的数据？

那么，回到最初的问题上 ，AI会取代人类开发者吗？

毋庸置疑，AI会是优秀的工具 。对于专业的开发者而言
，AI是一位执行力极强的助手
。在AI开发工具普及之前，开发者不得不手动实现许多繁琐而无趣的代码。即便有开发文档或者互联网上有功能类似的代码 ，开发者仍必须尝试理解然后自己修改 。借助AI
，这一工作将会大大简化
。对于没有开发背景的用户而言，AI可以准确实现功能较为单一的软件。借助这一能力 ，普通用户可以将日常的重复性工作转化为AI编写的代码
，大大提升工作效率 。

至于说让AI完全替代人类开发者，目前看来为时尚早。

当今的大语言模型基于互联网上已被数字化的数据 ，以及图书报刊之类被人类“写
”出来的知识
。尤其在软件开发领域
，大语言模型只看到了人类开发的结果(软件代码)，而对于开发过程的细节了解甚少。DeepMind科学家DavidSilver和RichardS.Sutton指出 ，当前的AI基于人类数千年来产生的数据
，但这并不是人类知识的全部 。人类在与真实世界的交互中积累了大量的经验
。AI并没有这些经验，因而不太可能超过人类。而要让AI学会这些经验 ，依然困难重重 。

公众常会探讨所谓的“35岁危机”
。然而事实上，技术相比年龄更具碾压性。就软件开发而言
，AI已经能承担不少基础
、重复性的工作，例如简单的代码生成、常见功能的实现 ，以及部分调试环节等 。但难以被替代的
，仍是需求把握 、架构设计、复杂系统的理解分析，以及团队协作等环节——这些涉及抽象思维
、跨领域知识和人类判断力 ，是程序员真正的核心价值
。

作为程序员
，不妨考虑这样一个问题：如果把你最近一周完成的工作全部交给AI，它能完成多少？如果你的工作只是重复性地构建功能单一的软件系统 ，例如实现一个问卷表单记录用户提出的10个问题、从一个表格里统计平均数之类常见的指标——功能仅此而已
，那么你不得不考虑被AI替代的可能性。而如果你的工作充满挑战，例如实现全新的软件架构 、针对业务特点设计独特的算法 ，甚至是从客户含糊不清的诉求中抽象出具体的开发任务
，那么AI只会是你的得力助手 。

这不仅适用于软件行业，也同样适用于其他行业：与其担心被AI取代 ，不如思考在这个人机协同的时代如何做好自己的角色定位
。上述的问题对于其他行业同样适用：试试让AI完成你的工作。如果它可以胜任，那么对你来说既是坏消息
，也是好消息 。坏消息是你的工作很快就会被AI取代；好消息是你已经发现了驾驭AI完成工作的途径，你可以试试站在你的领导的位置上 ，操控更多的AI完成更多的工作。

与其任由AI夺走你的工作
，不如跳出现有的岗位，想想怎样利用AI解决你所在行业的问题
。当AI都不甘只做执行者 ，而是开始决定任务怎么被拆解
，流程怎么被安排时，人类个体若只是抱怨即将被碾压的命运 ，便会失去主动选择的空间
，最终不是沦为工具的工具，就是化作喂养和润滑工具的茫茫数据。