2026,如何在面试中证明自己\"真的懂AI\"
Source: http://x.com/i/article/2034158113826463744
上周末,我帮一个设计师朋友做了模拟面试。
她之前在一家大型企业软件公司工作,后来做了一个 AI 创业项目——用 LLM 和 workflow 工具搭了一个原型,让有设计需求的普通人可以一次展开多条 pipeline、快速获得设计方案。项目本身规模不大,也是一个比较常见的 LLM Wrapper 类项目,但是真实跑起来了。
这个是我在小红书 课代表立正 那里看到的一篇文章,觉得特别有帮助就搬运到 Twitter 上来
她申请的是一家创始人背景很强的 startup。她拿到面试的方法是直接给 CEO 发邮件,讲述自己有 domain expertise,又有AI转型经历。CEO 直接让 HR 为她安排了面试。
作为一个 AI 时代的 startup,这家公司专门有一个 "AI mindset" 面试环节。朋友找我做 mock interview,想让我帮她看看,展示出来的 AI mindset 到不到位。
她原来怎么讲?
她准备的思路是这样的:先讲自己在前公司做了什么,再介绍自己的副业项目——这个项目是什么、解决什么问题、用了什么技术、她在里面做了哪些工作。
为了说明项目的价值,她还做了一张 2×2 象限图,把市场上主要的 AI 设计产品都放进去,然后标出自己项目的位置。
我听到这里就叫停了。
问题在哪?她把大半篇幅用来介绍产品本身。但那张象限图上放的都是 Canva、Photoshop、Figma 这些成熟产品。你在面试里如果要论证"我的项目和这些产品是同一级别的"——这个论证根本无法成立。面试中用大篇幅用来介绍自己的 wrapper 产品,有点自己为自己挖坑的感觉。
更有效的讲法,其实应该是另一条线: 我原来在什么场景里工作,积累了什么领域经验;我后来通过这个 AI 项目,学会了什么新的工作方式;如果现在再回到原来的业务场景里,我会怎么用新的方法把原来的事做得更好。
一旦这样讲,重点就从"这个项目是不是一个伟大的产品",变成了"这个人是否已经完成了能力升级"。
而对大多数招聘方来说,后者才是他们真正想听的。
他们要找的,不是一个空谈趋势的人,也不是一个只会做 demo 的人,而是一个已经把 AI 融入具体工作、并且能把这种变化带回真实业务中的人。
所以核心要讲的是她自己,产品只是载体。但如何体现自己具备 AI native 的 mindset 呢?
三层展示框架
我给了她三个维度,用来结构化她的展示。
绝大多数人只讲第一层。
第一,你不只是会用 AI,而是能用 AI 做出更接近真实世界的东西
表面上,这层讲的是工具:我不只会用 Figma,我还会用 Cursor,我可以直接把产品原型跑起来。
但光说这个是不够的。要在后面加一句为什么——背后的设计哲学是什么。
一个切入点:软件的 building material 是代码,不是像素。Figma 里的设计稿只是展现形式,真正跑起来的东西是代码。如果工作流从 Figma 变成了 Cursor,意味着你做的东西更真实,而不只是更快。
这对设计师来说是一次角色升级。对 PM 来说,道理是一样的——你之前用 PRD 和 PPT 沟通,现在你可以直接做原型。为什么?因为一个能跑起来的原型,比脑子里的方案更接近真实。所有的计划在市场验证之前都是假设,消费者只能对真实存在的东西给出真实的反应。对 data scientist 来说,能直接写代码意味着可以做更好的 instrumentation、更快的迭代,用实验数据而不是观测数据去理解产品。感兴趣的话,我和鸭哥曾经给 Pinterest 全公司的 DS 做过一次公开课+demo:
- 数据科学家如何不被AI取代,并持续从AI进步中获益?(英文)。
这一层看起来简单,但你去看真实情况:大多数人知道应该学 Cursor,应该学 Claude Code,但没有真的去用;用了之后也没有提炼背后的逻辑。光这一层,已经把大部分人筛掉了。
第二,你不只是自己会用 AI,还能在新的协作方式里高效工作
很多人以为 AI 只是个人效率工具。但对公司来说,更重要的问题其实是:你能不能进入一种新的团队协作模式。
过去的协作方式,往往是线性的:一个角色先做,做完交给下一个角色,下一个角色再往下传。设计、产品、工程、数据,各做各的部分,沟通成本高,迭代周期长。
但 AI 把这个过程压缩了。
现在更高效的团队,越来越像是在同一个原型上快速来回推进:有人改界面,有人改逻辑,有人写提示词,有人补上下文,有人直接把反馈转成可执行修改。一个版本不再需要几周,而可能几个小时内就来回几十次。
在这种模式下,企业要的不是"边界特别清楚的人",而是能把自己的专业判断嵌进整个端到端流程的人。
对于设计师来说,这意味着你给出的反馈不能只是"我想要更高级一点""这个感觉不太对",而要足够明确、足够结构化,最好明确到工程师或 AI 可以直接拿去执行。 对于 PM、DS、工程师来说也一样:不是把需求往下游丢,而是能不能把抽象判断转成高质量上下文,让团队整体迭代更快、更准。
这背后的变化其实很大:生产力变了,协作关系也必然要变。 如果一个人还停留在上一代分工方式里——只守着自己的工种边界,只完成自己那一小段流程——那他很可能会越来越不适应新的组织形态。
第三,你不只是会使用 AI,还能把自己的判断力 "教给" AI
绝大多数人理解 AI,还停留在"我用它干活"。但更有价值的问题是:你能不能把自己脑子里那些原本隐性的经验、标准和判断,外化出来,变成 AI 可复用的能力。
对设计师来说,这可能是设计规范、品牌语言、配色原则、审美标准、交互偏好。 对 PM 来说,可能是决策框架、用户洞察、优先级判断。 对工程师来说,可能是架构习惯、代码标准、调试流程。 对数据科学家来说,可能是实验方法、指标口径、分析思路。
这些东西,如果始终只存在于"我自己有感觉,但说不清"的状态里,它们就很难放大。 但如果一个人能把这些判断表达清楚,整理成规则、模板、技能、上下文,AI 就有可能在这些基础上持续生成更符合团队标准的结果。
这也是为什么,未来企业真正想要的,不会只是"一个跑得快的人",而是一个能让团队和 AI 一起变强的人。
因为公司真正关心的,从来不是你今天多做了几张图、多写了几行代码,而是:你的加入,能不能让整个系统积累复利。
从"不行"到"行",中间差什么
她最后拿到了 offer。但我想说清楚一件事:offer 是她自己拿到的,不是 mock interview 拿到的。
她能在面试里讲出那三层内容,是因为她真的做过那个项目,真的经历过那些过程,有具体的案例和体会。我做的只是帮她把已有的东西重新组织,用一种面试官更容易理解、更容易被打动的方式呈现出来。
所以逻辑是:项目经历在先,表达框架在后。如果没有那段真实的经历,再好的框架也是空的。
对很多还在公司里,没有"机会"去做项目的人来说,这件事其实是可以主动创造的——用几个周末的时间去做一个真实的项目,解决一个真实的问题。不需要很大,但要真实、要深、要能讲出完整的过程。
如果觉得自己不行,如果缺乏灵感,建议你花十分钟看看#AI Architect学员项目总结。里面五十五个学员项目,每一个都很独特、真实,而且每一个都有相当深度。远比市面上大多数 LLM Wrapper 要深,和有用。
这三层框架背后的道理,不只适用于设计师,对 PM、数据科学家、工程师都是一样的。不同的只是具体的例子和工具。真正能拉开差距的,不是"我会不会用某个产品",而是三件事:
- 我能不能用 AI 做出更真实的结果;
- 我能不能在新的协作模式里高效工作;
- 我能不能把自己的判断力沉淀进系统,形成长期复利。
很多人还把 AI 当作一个点,一个临时调用的工具。但对越来越多的岗位来说,它已经不是一个点了,而是一整套新的生产方式。
谁更早理解这件事,谁就更可能在下一轮筛选里,被看见。