最近刚帮一个学员走完整个 Meta AI Coding 面试，说实话，这一轮跟传统 LeetCode 面试完全不是一个东西。很多人还在疯狂刷题，但这轮的核心其实是： 你会不会“用 AI + 控制 AI”，而不是你能不能手写最优解。
面试形式
整个流程大致是 60 分钟，一道大题，通常会拆成 2–3 个子任务，在 CoderPad 环境完成。比较关键的一点是，这一轮是允许使用 AI 的。听起来好像难度降低了，但实际情况是，难点直接换了方向。
具体题目复盘
修复 valid_recommend function
这一题本质是 debug + 补逻辑。
给了一个 valid_recommend 函数，让它通过已有 test case。面试官直接说这题不建议用 AI，其实也确实没必要。
我快速扫了一下：
- 输入是一个 user + user list
- 但函数里没有判断 list 里是否包含 user 自己
所以会出现自己推荐自己的情况。
这里我就直接补了一个简单判断逻辑，大概两行代码就修掉了，顺利通过。
这一题其实在看的是：
- 你能不能快速读懂代码
- 能不能定位 bug
- 会不会 over-engineer
实现 random_recommend
需要实现一个 random_recommend function。
一开始我也是比较典型的错误做法，直接让 AI 生成完整代码，结果贴进去运行直接出问题。
后面调整策略，先自己把整体逻辑想清楚，再让 AI 辅助写部分代码，比如随机选择或者结构部分。中间来回和 AI 迭代了几轮，逐步修正逻辑，最后才跑通。这一问的关键点在于，你不能完全相信 AI，而是要有能力判断和修正。
评估推荐算法效果
第三问是一个开放问题：如何衡量好友推荐算法的效果。
我一开始让 AI 给了一些常见指标，比如 precision、recall、点击率等，但面试官很快提醒要结合当前数据结构。这个题里的 User class 其实只有 id 和 currentFriends，没有更多用户属性，所以很多常规推荐指标是没法落地的。
后面我就把思路收敛到基于已有数据，比如 mutual friends（共同好友数）、推荐后是否形成连接等。这一题本质在考的是你有没有数据约束意识，而不是会不会背指标。
OA / 面试卡关怎么办
很多同学现在的问题其实不在算法，而是在这种新型面试形式上，比如不知道什么时候该用 AI，不知道怎么问 AI，或者 AI 给了代码但自己不会判断对错。
像这种 AI Coding 面试，其实是可以通过针对性训练快速提升的。我们这边 Programhelp 最近带过不少类似 case，主要会做真实流程 mock、AI 使用方式训练，以及 VO实战助攻 。很多同学只要走过一两次完整流程，整体表现就会稳定很多。
