最近剛幫一個學員走完整個 Meta AI Coding 面試，說實話，這一輪跟傳統 LeetCode 面試完全不是一個東西。很多人還在瘋狂刷題，但這輪的核心其實是： 你會不會“用 AI + 控制 AI”，而不是你能不能手寫最優解。
面試形式
整個流程大致是 60 分鐘，一道大題，通常會拆成 2–3 個子任務，在 CoderPad 環境完成。比較關鍵的一點是，這一輪是允許使用 AI 的。聽起來好像難度降低了，但實際情況是，難點直接換了方向。
具體題目覆盤
修復 valid_recommend function
這一題本質是 debug + 補邏輯。
給了一個 valid_recommend 函式，讓它透過已有 test case。面試官直接說這題不建議用 AI，其實也確實沒必要。
我快速掃了一下：
- 輸入是一個 user + user list
- 但函式里沒有判斷 list 裡是否包含 user 自己
所以會出現自己推薦自己的情況。
這裡我就直接補了一個簡單判斷邏輯，大概兩行程式碼就修掉了，順利透過。
這一題其實在看的是：
- 你能不能快速讀懂程式碼
- 能不能定位 bug
- 會不會 over-engineer
實現 random_recommend
需要實現一個 random_recommend function。
一開始我也是比較典型的錯誤做法，直接讓 AI 生成完整程式碼，結果貼進去執行直接出問題。
後面調整策略，先自己把整體邏輯想清楚，再讓 AI 輔助寫部分程式碼，比如隨機選擇或者結構部分。中間來回和 AI 迭代了幾輪，逐步修正邏輯，最後才跑通。這一問的關鍵點在於，你不能完全相信 AI，而是要有能力判斷和修正。
評估推薦演算法效果
第三問是一個開放問題：如何衡量好友推薦演算法的效果。
我一開始讓 AI 給了一些常見指標，比如 precision、recall、點選率等，但面試官很快提醒要結合當前資料結構。這個題裡的 User class 其實只有 id 和 currentFriends，沒有更多使用者屬性，所以很多常規推薦指標是沒法落地的。
後面我就把思路收斂到基於已有資料，比如 mutual friends（共同好友數）、推薦後是否形成連線等。這一題本質在考的是你有沒有資料約束意識，而不是會不會背指標。
OA / 面試卡關怎麼辦
很多同學現在的問題其實不在演算法，而是在這種新型面試形式上，比如不知道什麼時候該用 AI，不知道怎麼問 AI，或者 AI 給了程式碼但自己不會判斷對錯。
像這種 AI Coding 面試，其實是可以透過針對性訓練快速提升的。我們這邊 Programhelp 最近帶過不少類似 case，主要會做真實流程 mock、AI 使用方式訓練，以及 VO實戰助攻 。很多同學只要走過一兩次完整流程，整體表現就會穩定很多。
