这次想系统整理一下我最近经历的一场 Meta AI Coding 面试。和传统算法面试相比，这一轮的形式和考察重点都有明显变化，尤其是“允许使用 AI”这一点，很容易让人误判准备方向。

如果你正在准备 Meta，或者未来可能会遇到类似的 AI coding round，这篇可以作为一个相对完整的参考。

---

面试整体情况

这轮面试使用的是 Python，题目背景围绕一个比较典型的场景：Friend Recommendation（好友推荐）。形式上依然是在类似 CoderPad 的环境中进行，但节奏是由面试官主导推进的，而不是完全自由发挥。

过程中会穿插一些基础但关键的问题，比如时间复杂度、方案选择以及代码是否存在潜在问题。同时，面试官也会要求你现场运行代码，确保实现是正确的。

比较特别的一点是，这一轮允许使用 AI。我当时使用的是 Claude Opus。不过实际体验下来，AI 并没有让面试变简单，反而让考察维度变得更全面。

---

题目内容回顾

这一轮整体分为三个部分，难度是逐步递进的。

第一部分是一个函数修复问题。给定一个 valid_recommend 函数，需要让它通过已有的测试用例。输入是一个 user 和一个 user list，但函数中没有排除用户自己出现在推荐结果中的情况。这个问题本身不复杂，更偏向基础的代码理解与逻辑修正。我当时补充了一层简单判断，确保不会推荐自己，很快就通过了测试。

第二部分是实现一个 random_recommend 函数，这一问开始允许使用 AI。一开始我尝试直接让 AI 生成完整实现，但运行后发现存在问题，代码无法正常通过测试。随后调整思路，先自己明确逻辑结构，再让 AI 辅助生成部分代码，通过多轮修改和验证，最终才完成一个可运行的版本。这一部分的关键在于，你需要具备判断和修正 AI 输出的能力，而不是直接依赖结果。

第三部分是一个开放性问题：如何评估好友推荐算法的效果。最初我列举了一些常见的推荐系统指标，比如准确率、召回率等，但面试官提示需要结合当前数据结构。由于题目中的 User class 仅包含 id 和 currentFriends，缺乏更多用户属性，因此很多常规指标并不适用。最终将思路聚焦在可落地的方向，比如基于共同好友数量的推荐合理性，以及推荐后是否建立连接等。

---

和传统 Coding 面试的差异

从整体体验来看，这一轮与传统算法面试存在明显差异。

首先，AI 的引入改变了解题方式。候选人不再需要从零实现所有细节，但同时也必须对 AI 输出负责。如何合理使用工具，成为新的考察重点。

其次，面试更加关注过程。面试官会持续关注你的思考路径，包括问题拆解方式、代码验证过程以及决策依据，而不仅仅是最终结果。

最后，工程能力的重要性更加突出。包括是否考虑边界情况、是否进行测试验证、是否能够清晰解释复杂度等，这些都会直接影响评价。

---

一些值得注意的点

结合这次面试，有几个方面值得特别注意。

第一，不要过度依赖 AI。AI 可以辅助，但不能替代你的判断。

第二，提问方式很关键。相比让 AI 直接生成完整代码，更有效的方式是让它辅助某一部分实现或进行局部优化。

第三，必须进行验证。无论是手动推演还是运行测试，这一步都不能省略。

第四，在开放问题中要关注约束条件。所有方案都需要建立在已有数据结构的基础之上，否则很容易流于空泛。

---

如果你正在准备 AI Coding 面试

从最近接触的情况来看，很多同学的问题其实并不在算法本身，而是在这种新型面试形式上，比如：

• 不知道什么时候该用 AI

• 不知道如何有效提问

• AI 给出结果后缺乏判断能力

• 面试过程中节奏容易失控

这些问题如果不提前适应，在真实面试中会非常吃亏。

我们这边（Programhelp）最近也在专门做这一类 AI Coding 面试的辅导，包括真实流程模拟、AI 使用方式训练，以及关键卡点的思路梳理。和传统刷题不同，这类面试更依赖方法和经验，有针对性的训练往往能在短时间内带来比较明显的提升。